QCM : Techniques de traitement d'images par convolution — 9 questions

Question 1

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

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

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

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

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

Explication

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.

Answer

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

Question 2

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

Fonction tangente hyperbolique (tanh)

Fonction relu

Fonction sigmoïde (σ)

Fonction linéaire

Explication

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.

Answer

Fonction sigmoïde (σ)

Question 3

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

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

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

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

Explication

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.

Answer

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

Question 4

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

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

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

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

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

Explication

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.

Answer

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

Question 5

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

Règle de Leibniz

Règle de la chaîne

Règle du produit

Théorème de Rolle

Explication

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.

Answer

Règle de la chaîne

Question 6

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

a_{k+1} = a_k + δ imes grad f(a_k)

a_{k+1} = a_k - δ imes grad f(a_k)

a_{k+1} = a_k - δ imes f'(a_k)

a_{k+1} = a_k + δ imes f'(a_k)

Explication

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.

Answer

a_{k+1} = a_k - δ imes grad f(a_k)

Question 7

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

Sa sortie peut représenter une probabilité entre 0 et 1

Elle est linéaire et donc plus simple à calculer

Sa sortie est centrée entre -1 et 1

Elle ne présente pas de problème de gradient vanishing

Explication

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.

Answer

Sa sortie peut représenter une probabilité entre 0 et 1

Question 8

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

Maximiser une fonction

Minimiser une fonction

Calculer une dérivée de manière symbolique

Prolonger la convergence d’un algorithme

Explication

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.

Answer

Minimiser une fonction

Question 9

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

Près de 0

Près de 1

Près de -1

Près de 0.5

Explication

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

Answer

Près de 1

QCM : Techniques de traitement d'images par convolution — 9 questions

Questions et réponses du QCM

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

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

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

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

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

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

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

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

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

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Actions et mouvement

Gel pour les veines

Grandeurs composées et conversions

Réciproque de Pythagore

Réussir ses études efficacement

Les émotions humaines

Crée tes propres QCM