Questão de Engenharia de Software — Inteligencia Artificial — FGV 2023
Engenharia de Software›Inteligencia Artificial
Código
fg069586
Banca
FGV
Órgão
SEFAZ-MG
Ano
2023
Nível
Superior
Cargo
Auditor Fiscal da Receita Estadual - Tecnologia da Informação (Tarde)
A recente explosão de machine learning e deep learning tornou os tensores populares. TensorFlow e PyTorch são dois frameworks com suporte a API de tensor.
Em relação aos tensores, assinale a opção incorreta.
ATensor representa um array multidimensional junto com operações definidas.
BOs tensores, internamente, são implementados como estruturas de dados leves que mantêm um ponteiro para o armazenamento e outros metadados, como tamanho e forma.
COs próprios dados do tensor são armazenados em um buffer contíguo.
DUtilizar um buffer contíguo permite que vários tensores compartilhem os mesmos dados, mas forneçam diferentes visualizações.
EQuando os tensores têm dimensões diferentes, certas operações não podem ser realizadas sem primeiro colocar os tensores nas mesmas dimensões, para isso possuem a operação automática denominada replicação.
Revelar gabarito e comentário▾
GabaritoE — Quando os tensores têm dimensões diferentes, certas operações não podem ser realizadas sem primeiro colocar os tensores nas mesmas dimensões, para isso possuem a operação automática denominada replicação.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Tensores em Machine Learning
Gabarito: letra E (alternativa incorreta). A alternativa E erra ao chamar de "replicação" o mecanismo automático que permite operações entre tensores de dimensões diferentes; o termo correto é broadcasting. As demais alternativas descrevem corretamente a estrutura e o funcionamento dos tensores em frameworks como TensorFlow e PyTorch.
Tensores são estruturas de dados fundamentais em deep learning, representando arrays multidimensionais com operações definidas. Internamente, são objetos leves que apontam para um buffer contíguo de dados e armazenam metadados como shape e stride, permitindo compartilhamento de memória entre diferentes visualizações (views).
Característica
Descrição Correta
Descrição Incorreta (Alternativa E)
Definição
Array multidimensional com operações definidas
—
Implementação interna
Estrutura leve com ponteiro para storage e metadados (tamanho, forma)
—
Armazenamento de dados
Buffer contíguo
—
Compartilhamento de dados
Buffer contíguo permite que múltiplos tensores compartilhem dados com diferentes visualizações
—
Operação entre tensores de dimensões diferentes
Broadcasting (mecanismo automático)
Replicação (termo incorreto)
Tensores em ML: Definição (Array multidimensional, Operações definidas); Implementação (Ponteiro para storage, Metadados (shape, stride)); Armazenamento (Buffer contíguo, Compartilhamento via views); Operações entre dimensões (Replicação (termo errado), Broadcasting (termo correto))
Alternativa A — ✅ Correta
Afirma que "tensor representa um array multidimensional junto com operações definidas". Isso está de acordo com a definição: um tensor é uma generalização de vetores e matrizes para dimensões arbitrárias, e em frameworks como TensorFlow e PyTorch, os tensores vêm com operações matemáticas (soma, multiplicação, ativações, etc.). Portanto, correta.
Alternativa B — ✅ Correta
Descreve a implementação interna dos tensores como estruturas de dados leves com ponteiro para o storage e metadados (tamanho, forma, stride, dtype). Em PyTorch, por exemplo, torch.Tensor contém um ponteiro para torch.Storage e atributos como shape, stride, dtype, device. Exato.
Alternativa C — ✅ Correta
Os dados do tensor são armazenados em um buffer contíguo (contiguous memory). Isso é verdade para a maioria das implementações, embora possa haver strides não contíguos para views, mas o storage subjacente é contíguo. A afirmação é correta.
Alternativa D — ✅ Correta
Um buffer contíguo permite que múltiplos tensores compartilhem os mesmos dados com diferentes visualizações. Exemplo: view() em PyTorch retorna um novo tensor que compartilha o storage, mas com shape/stride diferente. Isso é eficiente e evita cópias desnecessárias.
Alternativa E — ❌ Incorreta ⟵ GABARITO
Afirma que, para operar tensores de dimensões diferentes, é necessário usar uma operação automática denominada "replicação". O termo correto é broadcasting. Broadcasting expande automaticamente as dimensões menores para que as operações sejam possíveis, sem efetivamente replicar os dados na memória (embora possa criar cópias em algumas implementações, o conceito é broadcasting). "Replicação" não é o nome padrão; pode ser que o candidato confunda com "repetir" (repeat), mas o mecanismo automático é broadcasting.
NÃO CAIA NESSA!
Lembre-se da diferença entre broadcasting (automático, sem alocação extra) e repetição explícita (como repeat() ou tile()). Em questões de tensores, a banca costuma trocar broadcasting por replicação ou transposição. Atenção ao vocabulário!
Gabarito: letra E — todas as demais alternativas estão corretas.