202004

José desenvolve um sistema de classificação de imagens para um Pet Shop. O sistema deve classificar, com boa acurácia, imagens de clientes que entram no Pet Shop com cães e gatos. No entanto, não é necessário identificar a raça do cão ou do gato, apenas se o cliente entra no Pet Shop com um cão ou um gato, o que caracteriza uma tarefa de classificação de duas classes. Nesse contexto, considere o trecho de código Python a seguir.

1 from keras.models import Sequential

2 from keras.layers import Activation, Dropout, Flatten, Dense, Conv2D, MaxPooling2D

3

4 modelo Sequential()

5

6 modelo.add(Conv2D(filters=32, kernel_size=(3,3),input_shape=(150,150,3), activation=’relu’,))

7 modelo.add(MaxPooling2D(pool_size=(2, 2)))

8

9 modelo.add(Conv2D(filters=64, kernel_size=(3,3),input_shape=(150,150,3), activation=’relu’,))

10 modelo.add(MaxPooling2D(pool_size=(2, 2)))

11

12 modelo.add(Conv2D (filters=64, kernel_size=(3,3), input_shape=(150,150,3), activation=’relu’,))

13 modelo.add(MaxPooling2D(pool_size=(2, 2)))

14

15 modelo.add(Flatten())

16

17 modelo.add(Dense(128))

18 modelo.add(Activation(‘relu’))

19

20 modelo.add(Dropout(0.5))

21

22 modelo.add(Dense(10))

23 modelo.add(Activation(‘softmax’))

24

25 modelo.compile(loss=’binary_crossentropy’,

26

27 optimizer=’adam’, metrics=[‘accuracy’])

a. Dado que se trata de uma tarefa de classificação para duas classes (cão e gato), há um equívoco no código que define a rede neural. Identifique e substitua e/ou reescreva e/ou remova a(s) linha(s) que devem ser modificadas. Use a numeração de linhas à esquerda como referência nas suas respostas quando necessário. As linhas que permanecem como estão não devem ser reescritas.

b. Explique, sucintamente, a função do código na linha 20.

c. Além da criação do modelo definido no código acima, José gerou um dataset de treinamento ‘train’ e um dataset de validação ‘val’ com o método ImageGenerator do framework Keras. Com base no dataset gerado por José, apresente um script para treinar o modelo definido no código acima, utilizando o método fit_generator com 50 épocas (epoch), 50 passos (steps) por época (epoch), e 12 passos de validação. O resultado do treinamento deve ser armazenado na variável ‘results’. Na sua resposta, tome como base a estrutura exibida a seguir:

modelo.fit_generator(…., epochs=…

steps_per_epoch=…

validation_data=in

validation_steps=…)

Observação:

As respostas apresentadas

i) devem manter a sintaxe adequada, quando aplicável;

ii) não devem conter comentários;

iii) não devem conter trechos com conteúdo alheio ao que é expressamente requisitado.