Hai un modello ibrido pre-addestrato composto da una CNN seguita da una RNN a 3 strati, addestrato per classificare un set di oggetti diverso. Per adattarlo a un nuovo compito di classificazione, ma correlato, con il minimo sforzo, quali azioni dovresti intraprendere? (Scegli due.)

Per adattare un modello pre-addestrato a un nuovo compito correlato con il minimo sforzo, si utilizza il transfer learning. L'opzione corretta di reinizializzare i pesi dell'ultimo strato della RNN e riaddestrare l'intero modello è efficace perché le RNN sono spesso utilizzate per compiti sequenziali e l'ultimo strato è quello più specifico per la classificazione finale. Mantenere i pesi degli strati precedenti (CNN e strati iniziali della RNN) consente di sfruttare le feature apprese dal compito originale, che sono probabilmente utili anche per il nuovo compito. L'altra opzione corretta, reinizializzare i pesi dell'ultimo strato completamente connesso della CNN e riaddestrare la CNN, è valida se il compito richiede principalmente l'estrazione di feature visive dalla CNN, e la RNN può essere adattata successivamente. Le opzioni che suggeriscono di reinizializzare tutti i pesi della CNN o dell'intera rete sono inefficienti, poiché perderebbero le feature pre-apprese e richiederebbero un addestramento da zero, annullando i benefici del transfer learning. Reinizializzare solo la RNN e riaddestrare l'intero modello è meno specifico rispetto all'opzione corretta, che mira all'ultimo strato di classificazione.