- Este tópico contém 3 respostas, 2 vozes e foi atualizado pela última vez 1 ano, 2 meses atrás por
.
Visualizando 4 posts - 1 até 4 (de 4 do total)
- Posts
Olá, poderia exemplificar como ficaria a classe classificador_torch na situação em que se deseja analisar o número de camadas ocultas ideal? No vídeo, o professor fala sobre definir o recebimento de um parâmetro a mais pela classe e fazer um for no init para fazer essa avaliação, mas fiquei meio perdido como seria essa construção.
Olá Vinícius,
Você pode fazer algo assim:
class classificador_torch(nn.Module): def __init__(self, activation, neurons, n_hidden_layers, initializer): super().__init__() self.input_layer = nn.Linear(30, neurons) initializer(self.input_layer.weight) self.hidden_layers = [nn.Linear(neurons, neurons) for _ in range(n_hidden_layers)] for layer in self.hidden_layers: initializer(layer.weight) self.activation = activation self.output_layer = nn.Linear(neurons, 1) def forward(self, X): X = self.input_layer(X) X = self.activation(X) for layer in self.hidden_layers: X = layer(X) X = self.activation(X) X = self.output_layer(X) return XFiquei com uma dúvida em um trecho do código: no for _ in range(5), no lugar desse 5 não era pra estar o n_hidden_layers?
Visualizando 4 posts - 1 até 4 (de 4 do total)
- Você deve fazer login para responder a este tópico.