Tiene un modelo híbrido preentrenado compuesto por una CNN seguida de una RNN de 3 capas que fue entrenado para clasificar un conjunto diferente de objetos. Para adaptarlo a una tarea de clasificación nueva pero relacionada con el menor esfuerzo, ¿qué acciones debería tomar? (Elija dos).

Las dos opciones correctas describen estrategias de ajuste fino (fine-tuning) eficientes para modelos preentrenados. Reinicializar los pesos de la capa final de la CNN y reentrenar solo esa parte es efectivo porque la CNN ya ha aprendido características visuales de bajo nivel que son transferibles. De manera similar, reinicializar la capa final de la RNN y reentrenar el modelo completo permite que las capas convolucionales (CNN) mantengan sus características aprendidas, mientras que la RNN se adapta a la nueva tarea de clasificación secuencial. Ambas minimizan el esfuerzo al reutilizar el conocimiento existente del modelo. Reinicializar todo el modelo o toda la CNN es ineficiente y requiere más datos y tiempo de entrenamiento, perdiendo los beneficios del preentrenamiento. Reinicializar solo la RNN y reentrenar todo el modelo es menos óptimo que solo la capa final de la RNN, ya que las capas intermedias de la RNN también podrían haber aprendido representaciones útiles.