Deep Learning en Python y Tensorflow

1. Una neurona recibe x = [0.5, 0.8, 0.1], con pesos w = [0.9, -0.4, 0.3] y sesgo b = 0.1. ¿Cuánto vale la suma ponderada $z = x \cdot w + b$ antes de la activación?

• 0.16
• 0.26
• 0.565
• 0.88

z = 0.5·0.9 + 0.8·(−0.4) + 0.1·0.3 + 0.1 = 0.45 − 0.32 + 0.03 + 0.1 = 0.26. La sigmoide de 0.26 da 0.565, la salida de la neurona.

2. El MLP de PyShop aplana cada foto de 28×28 y la pasa a Dense(128). ¿Cuántos parámetros aprende esa capa densa?

• 100,352, porque solo cuentan los pesos 784 × 128
• 100,480, porque son 784 × 128 pesos más 128 sesgos
• 101,770, porque incluye todas las capas del modelo
• 912, porque son 784 entradas más 128 neuronas

Una capa densa aprende entradas × neuronas + un sesgo por neurona: 784 × 128 + 128 = 100,480. Los 101,770 son el total del MLP, al sumar los 1,290 de Dense(10).

3. En la CNN del curso, la primera capa es Conv2D(32, 3) sobre fotos de forma (28, 28, 1), sin relleno. ¿Qué forma tiene su salida para una foto y cuántos parámetros aprende?

• (28, 28, 32) y 288 parámetros
• (26, 26, 32) y 320 parámetros
• (13, 13, 32) y 320 parámetros
• (26, 26, 1) y 9 parámetros

Un filtro de 3×3 sin relleno recorta un píxel por lado (28 → 26) y hay un mapa por filtro. Cada filtro tiene 3·3·1 pesos más un sesgo: (9 + 1) · 32 = 320.

4. ¿Qué distingue al deep learning de un modelo de machine learning clásico cuando se trabaja con fotos?

• Que no necesita datos de entrenamiento etiquetados
• Que aprende las características directamente de los píxeles crudos, sin que alguien las diseñe a mano
• Que siempre es la mejor opción, incluso para tablas pequeñas
• Que solo funciona con imágenes en color

Una red profunda aprende sola, capa por capa, las características útiles (bordes, texturas, formas) a partir de los datos crudos, como los píxeles. En el ML clásico esas características suelen diseñarse a mano.

5. Instalas TensorFlow 2.21 con pip en Windows nativo (sin WSL2) en un equipo con GPU NVIDIA y CUDA instalado. ¿Qué ocurre al entrenar?

• Usa la GPU automáticamente porque CUDA está instalado
• La instalación falla porque TensorFlow no corre en Windows
• Entrena en la CPU; para usar la GPU hay que instalar TensorFlow dentro de WSL2
• Usa la GPU solo si se llama a semillas(42) antes de crear el modelo

TensorFlow 2.10 fue la última versión con GPU en Windows nativo. Desde la 2.11 la GPU solo se usa dentro de WSL2; fuera de ahí TensorFlow avisa y entrena en la CPU.