Redes Neurais Artificiais - Complexidade Computacional
Gabarito: ❌ ERRADO. A afirmação é falsa: aumentar significativamente a dimensão de uma rede neural multicamada (número de camadas, neurônios, conexões) eleva consideravelmente o esforço computacional, tanto em tempo de treinamento quanto de inferência. O custo computacional cresce com o número de parâmetros e operações, sendo tudo menos insignificante.
Redes multicamadas (como MLPs, CNNs, etc.) têm sua complexidade determinada principalmente pelo número de parâmetros (pesos e biases). Cada neurônio adicional em uma camada aumenta o número de conexões com a camada anterior e posterior, gerando multiplicações e somas extras em cada passagem. Além disso, o treinamento por retropropagação exige o cálculo de gradientes para todos os parâmetros, o que também escala com o tamanho da rede.
O trecho do conteúdo de apoio menciona que "o número de camadas define a capacidade de representação" e que "duas ou mais camadas ampliam o universo de representação", mas não faz qualquer afirmação sobre custo computacional. Na prática, redes com centenas de milhões de parâmetros exigem clusters de GPUs e dias de treinamento, demonstrando que o aumento é significativo.
✅ CERTO seria se o enunciado afirmasse o contrário: que o esforço computacional aumenta proporcionalmente. Como a afirmação nega esse fato, está ERRADA.
Gabarito: ❌ ERRADO.