A Rede Neural de Duas Partes
Dado Bruto
imagem, texto,
áudio…
áudio…
entrada
Extrator de Representação
CNN, Transformer,
RNN…
RNN…
parte 1
MLP
classificador
ou regressor
ou regressor
parte 2
Predição
classe, valor,
…
…
saída
🔄
Treinamento fim-a-fim via Backpropagation + Descida de Gradiente
📥 Dado Bruto
Imagem, texto, áudio…
A rede recebe o dado sem feature engineering manual.
A rede recebe o dado sem feature engineering manual.
🧠 Extrator de Representação
CNN (imagens), Transformer (texto/áudio)… Converte o dado bruto em um vetor de features compacto e rico.
📊 MLP Final
Recebe o vetor de features e realiza a tarefa: classificação, regressão, detecção…
🔄
Treinamento fim-a-fim (End-to-End)
O gradiente do erro flui de ponta a ponta — do MLP final até a primeira camada do extrator. Ambas as partes aprendem juntas, via backpropagation + descida de gradiente, sem nenhuma intervenção manual.
A ideia central: aprender a representação certa é o que torna o MLP final capaz de resolver tarefas difíceis. Para imagens, essa representação é aprendida por uma CNN — tema desta aula.