Determinada topologia de Rede Neural Artificial profunda (RNA) foi treinada em diferentes funções escritas em linguagem Python. Cada uma das formas de treino foram parametrizadas nas funções treino1, treino2 e treino3, expressas no código abaixo.

def treino1(rede_neural, n0, learning_rate):

gradiente = 0

for amostra in lista_amostras:

saida = rede_neural.get_saida(amostra.valor)

erro = rede_neural.get_erro(saida, amostra.saida_esperada)

gradiente += rede_neural.backpropagation(erro)

rede_neural.update.weights(n0 = gradiente)

return rede_neural

def treino2(reda_neural, n0):

for amostra in lista_amostras:

saida = rede_neural,get_saida(amostra.valor)

erro = rede_neural.get_erro(saida, amostra.saida_esperada)

gradiente = rede_neural, backpropagation(erro)

rede_neural.update_weights (n0 = gradiente)

return rede_neural

def treino3{rede_neural, n0, fator_n);

n = n0

for amostra in lista_amostras:

saida = rede_neural.get_saida(amostra.valor)

erro = rede_neural.get_erro(saida, amostra.saida_esperada)

gradiente = rede_neural.backpropagation(erro)

rede_neural.update_weights(n = gradiente)

n += fator n

return rede_neural

Assim, "rede_neural" representa o modelo de Aprendizado de Máquina e possui os métodos get_saida, que calcula o valor previsto pela rede com base na entrada e o método get_erro, que calcula o erro com base no valor previsto e no valor de referência, respectivamente. Além disso, o objeto "rede_neural" armazena todos os parâmetros da rede, possui a função "backpropagation" para calcular o gradiente do erro em um hiperespaço vetorial, no qual cada dimensão corresponde a um peso e a função "update_weights" para somar aos pesos o valor fornecido em seu argumento. Assinale a opção correta tendo como base os códigos apresentados.