WorksheetsRedes Neuronales y Funciones de Activación
Total questions: 10
Worksheet time: 5mins
¿Cuál es la resolución de píxeles de los dígitos escritos a mano que el cerebro humano puede reconocer sin esfuerzo, pero que es difícil para un programa informático?
14x14 píxeles
28x28 píxeles
56x56 píxeles
100x100 píxeles
En el contexto de las redes neuronales presentadas, ¿qué representa una neurona?
Una célula fotosensible en el ojo.
Un componente que almacena un número entre 0 y 1.
Una conexión entre dos capas de la red.
Un algoritmo complejo para el reconocimiento de patrones.
¿Cuántas neuronas componen la primera capa de una red neuronal diseñada para reconocer dígitos escritos a mano en una cuadrícula de 28x28 píxeles?
10 neuronas
28 neuronas
784 neuronas
1024 neuronas
¿Qué representa la activación de las neuronas en la capa final de una red neuronal entrenada para reconocer dígitos escritos a mano?
El brillo de cada píxel en la imagen de entrada.
La complejidad de los subcomponentes del dígito.
La probabilidad de que la imagen de entrada corresponda a un dígito específico.
El número de capas ocultas en la red.
¿Cuál es el enfoque jerárquico descrito para el reconocimiento de patrones complejos, como los dígitos, en una red neuronal?
Reconocer directamente el dígito completo a partir de los píxeles de entrada.
Descomponer el dígito en subcomponentes como bordes pequeños, que luego se combinan en patrones más grandes como bucles y líneas, para finalmente identificar el dígito.
Utilizar una única capa de neuronas para identificar todos los subcomponentes y el dígito simultáneamente.
Entrenar la red para ignorar los subcomponentes y centrarse solo en la forma general del dígito.
¿Cuál es el propósito principal de la función sigmoide (o curva logística) en el contexto de la activación de una neurona?
Aumentar la complejidad de los cálculos de la red para mejorar la precisión.
Asegurar que la activación de la neurona sea siempre un número entero.
Compactar la suma ponderada de las entradas de una neurona a un rango de valores entre 0 y 1.
Generar valores aleatorios para la activación de la neurona, introduciendo variabilidad.
¿Cómo influyen los pesos (weights) y el sesgo (bias) en la activación de una neurona en una red neuronal?
Los pesos determinan la forma del patrón de píxeles que la neurona detecta, y el sesgo ajusta la intensidad de la señal de entrada.
Los pesos asignan importancia a las entradas de los píxeles, y el sesgo establece el umbral de activación de la neurona, determinando qué tan positiva debe ser la suma ponderada para que se active significativamente.
Ambos, pesos y sesgos, son valores aleatorios que no tienen un impacto directo en la activación de la neurona.
Los pesos controlan la velocidad de procesamiento de la red, y el sesgo define el número de capas ocultas.
¿Cuántos parámetros (pesos y sesgos) tiene la red neuronal de ejemplo presentada?
784
16
13,002
10
¿Cuál es la principal ventaja de representar las activaciones, los pesos y los sesgos de una red neuronal mediante vectores y matrices?
Permite una visualización más detallada de cada conexión individual.
Simplifica la expresión de las transiciones de activaciones entre capas, haciendo el código más conciso y rápido.
Elimina la necesidad de funciones de activación como la sigmoide.
Aumenta el número total de parámetros en la red, mejorando su capacidad de aprendizaje.
¿Cuál de las siguientes afirmaciones describe correctamente la función de activación ReLU (Unidad Lineal Rectificada)?
Comprime la suma ponderada de las entradas a un rango entre 0 y 1, similar a la función sigmoide.
Es una función lineal que siempre produce una salida igual a la entrada, sin importar su valor.
Produce una salida de 0 para entradas negativas y una salida igual a la entrada para valores positivos.
Es una función de activación de "vieja escuela" que ya no se utiliza en las redes neuronales modernas.
