Você tem um modelo híbrido pré-treinado composto por uma CNN seguida por uma RNN de 3 camadas que foi treinada para classificar um conjunto diferente de objetos. Para adaptá-lo a uma nova tarefa de classificação, mas relacionada, com o mínimo esforço, quais ações você deve tomar? (Escolha duas.)

Para adaptar um modelo pré-treinado a uma nova tarefa relacionada com mínimo esforço, a técnica de transfer learning é ideal. As camadas iniciais de uma CNN (como as camadas convolucionais) aprendem características genéricas (bordas, texturas) que são úteis para diversas tarefas de visão computacional. Reinicializar apenas a camada final da CNN (geralmente uma camada totalmente conectada) e retreinar essa parte permite que o modelo aprenda a mapear as características genéricas para as novas classes, preservando o conhecimento adquirido nas camadas anteriores. De forma similar, em um modelo híbrido CNN-RNN, a RNN processa sequências. Reinicializar apenas a camada final da RNN e retreinar o modelo completo (ou seja, ajustando os pesos da camada final da RNN e possivelmente ajustando finamente as camadas anteriores) é a abordagem mais eficiente. Isso permite que a rede se adapte à nova tarefa de classificação de sequência sem perder o aprendizado das camadas convolucionais da CNN ou das camadas anteriores da RNN. As opções incorretas envolvem reinicializar pesos em camadas que já aprenderam características valiosas, o que anularia os benefícios do pré-treinamento e exigiria um treinamento muito mais extenso.