Cuestionario: Techniques de traitement d'images par convolution — 9 preguntas

1. Quelle est la définition correcte de la fonction sigmoïde en mathématiques ?

A. Une fonction qui calcule la dérivée de la fonction tangente hyperbolique.

B. Une fonction qui donne la probabilité qu’un événement se produise, définie par $ e^{x} $.

C. Une fonction qui transforme toute entrée en une sortie comprise entre -1 et 1.

D. Une fonction d’activation utilisée dans les réseaux de neurones, définie par $ rac{1}{1 + e^{-x}} $.

Answer: (D)

Explicación

La fonction sigmoïde est une fonction d’activation couramment utilisée dans les réseaux de neurones, définie par $ rac{1}{1 + e^{-x}} $. Elle transforme toute entrée réelle en une sortie comprise entre 0 et 1, ce qui en fait une fonction de type probabiliste.

2. Quelle fonction d’activation est généralement utilisée pour modéliser une sortie probabiliste dans les réseaux de neurones ?

A. Fonction tangente hyperbolique (tanh)

B. Fonction relu

C. Fonction sigmoïde (σ)

D. Fonction linéaire

Answer: (C)

Explicación

La fonction sigmoïde est couramment utilisée pour modéliser une sortie probabile car sa plage entre 0 et 1 correspond à une probabilité. La tanh, en revanche, est centrée entre -1 et 1, et relu et linéaire ne sont pas directement associées à des probabilités.

3. Quelle est la relation précise entre la fonction tangente hyperbolique (tanh) et la fonction sigmoïde (σ) ?

A. $ anh(x) = 2 \sigma(2x) - 1 $

B. $ anh(x) = rac{e^{x} - e^{-x}}{e^{x} + e^{-x}} $

C. $ anh(x) = rac{e^{x} - e^{-x}}{e^{x} + e^{-x}} $

D. $ anh(x) = rac{1 - e^{-2x}}{1 + e^{-2x}} $

Answer: (A)

Explicación

La relation exacte entre tanh et sigmoïde mentionnée dans le contenu est $ anh(x) = 2 \sigma(2x) - 1 $, ce qui est une formule précise et vérifiable. Les autres options donnent des expressions différentes ou sont redondantes, mais seule la deuxième option correspond à la relation factuelle fournie.

4. Quelle formule exprime la relation entre la fonction tangente hyperbolique (tanh) et la fonction sigmoïde (σ) ?

A. $ anh(x) = rac{e^{x} - e^{-x}}{e^{x} + e^{-x}} $

B. $ anh(x) = 2 imes \sigma(2x) - 1 $

C. $ anh(x) = rac{1 - e^{-2x}}{1 + e^{-2x}} $

D. $ anh(x) = rac{1}{1 + e^{-x}} $

Answer: (B)

Explicación

La relation $ anh(x) = 2 imes \sigma(2x) - 1 $ relie la tanh à la sigmoïde, permettant de transformer l’une en l’autre avec une simple équation. Les autres formules ne décrivent pas cette relation.

5. Quelle règle de dérivation est fondamentale pour calculer la dérivée d’une composition de fonctions, notamment dans la rétropropagation ?

A. Règle de Leibniz

B. Règle de la chaîne

C. Règle du produit

D. Théorème de Rolle

Answer: (B)

Explicación

La règle de la chaîne est essentielle pour différencier des fonctions composées, ce qui est crucial durant la processus de rétropropagation dans l’apprentissage des réseaux de neurones.

6. Lorsque l’on applique la descente de gradient dans une dimension, quelle est la formule de mise à jour ?

A. a_{k+1} = a_k + δ imes grad f(a_k)

B. a_{k+1} = a_k - δ imes grad f(a_k)

C. a_{k+1} = a_k - δ imes f'(a_k)

D. a_{k+1} = a_k + δ imes f'(a_k)

Answer: (B)

Explicación

La mise à jour consiste à soustraire le gradient multiplié par le pas d’apprentissage δ pour suivre la pente descendante afin de minimiser la fonction.

7. Quel est l’un des avantages principaux de la fonction sigmoïde lors de l’entraînement des réseaux neuronaux ?

A. Sa sortie peut représenter une probabilité entre 0 et 1

B. Elle est linéaire et donc plus simple à calculer

C. Sa sortie est centrée entre -1 et 1

D. Elle ne présente pas de problème de gradient vanishing

Answer: (A)

Explicación

La sigmoïde est appréciée pour sa sortie comprise entre 0 et 1, ce qui facilite la modélisation de probabilités. Toutefois, elle peut subir un problème de gradient vanishing dans certains contextes.

8. Quel est le but principal de la technique de la descente de gradient ?

A. Maximiser une fonction

B. Minimiser une fonction

C. Calculer une dérivée de manière symbolique

D. Prolonger la convergence d’un algorithme

Answer: (B)

Explicación

La descente de gradient est une méthode itérative visant à ajuster les paramètres pour minimiser une fonction de coût ou d’erreur, essentielle en optimisation dans l'apprentissage automatique.

9. Quelle est la sortie typique de la fonction sigmoïde pour une entrée très positive ?

A. Près de 0

B. Près de 1

C. Près de -1

D. Près de 0.5

Answer: (B)

Explicación

Lorsque l’entrée est très positive, la sigmoïde tend vers 1, signalant une forte activation ou une probabilité élevée dans un contexte probabiliste.