[Cesar Augusto dos Santos Rocha]

Possuo um notebook (i7 11ª Geração 16 Ram com uma GPU interna Nvidia Geforce MX450) e quando executo o código

device = “cuda:0” if torch.cuda.is_available() else “cpu”

o device retorna cpu.

Portanto, não consigo executar os códigos localmente.

Como fazer para utilizar a GPU do notebook?

Será para rodar em GPU, a Placa tem que ser uma Geforce RX…?

Neste caso, uma EGPU pode ser uma solução?

[Cesar Augusto dos Santos Rocha]

Olá .

Qual a lição deste curso para criar a base de dados em json a partir de qualquer outro documento?

[Cesar Augusto dos Santos Rocha]

Obrigado Gabriel, melhorou muito o tempo de processamento.

Pesquisando um pouco mais, encontrei uma biblioteca pickle, nativa do python, e fiz uma comparação entre as duas bibliotecas

 

Usando o código sugerido, usando a biblioteca base64, obtivemos:

Tempo de execução para cadastrar 10 img usando base64: 0.221020 segundos

Tempo de execucao para carregar e transformar em array 10 img usando base64: 0.020040 segundos

Tamanho do arquivo armazenado em disco: 710 KB

 

Usando o mesmo código, e utilizando a biblioteca pickle, obtivemos:

Tempo de execucao para cadastrar 10 img usando pickle: 0.093708 segundos

Tempo de execucao para carregar 10 img usando pickle: 0.000915 segundos (já que não é necessário a conversão

Tamanho do arquivo armazenado em disco: 9.002 KB

 

Qual das duas é a mais recomendada

[Cesar Augusto dos Santos Rocha]

Oi Dalton,

Veja se consegue tirar uma dúvida.

Quando da classificação, sempre retorna uma array onde a soma das predições chega a 100%. Correto?

No caso de um som que que não esteja classificado pelo modelo e que será objeto da predição, como fornecer um resultado informando que o objeto não está contido na base?

Deu para entender a dúvida?

[Cesar Augusto dos Santos Rocha]

Obrigado Dalton,

Funcionou perfeitamente.

 

[Cesar Augusto dos Santos Rocha]

Olá Danton,

Vou descrever um pouco mais o dataset e o problema para melhor entendimento.

Com base neste capitulo, construi um programa para armazenar as vozes de diversas pessoas e armazenei no dataset

dataset: voz

Estrutura -> id: dt_cadastro: nm_usuario: mfccs20: mfccs40: mfccs_scale_features

Minha questão é, Como faço para identificar “Reconhecer” uma voz, caso as informações estejam no dataset?

 

[Cesar Augusto dos Santos Rocha]

Olá pessoal.

Estou com o mesmo erro apresentado por Jerri, sei que a versão do curso é mais antiga.

Atualmente estou na versão 3.4.4.

Não existe um comando ou função que possa substituir o código

modelo = spacy.blank(‘pt’)

categorias = modelo.create_pipe(‘textcat’)
categorias.add_label(‘ALEGRIA’)
categorias.add_label(‘MEDO’)
modelo.add_pipe(categorias )

Estou pesquisando no site oficial da spaCY e ainda não encotrei a solução.

Seria de grande valia se a IA_Experts nos indique como possamos corrigir os erros decorrentes de atualização dos pacotes.

Que é muito frequente, e sempre temos que deixar nossas aplicações com as versões mais atualizadas possíveis.

 

O erro é:

—————————————————————————

—————————————————————————
ValueError Traceback (most recent call last)
~\AppData\Local\Temp\ipykernel_21724\574983386.py in <module>
2 modelo = spacy.blank(‘pt’)
3 categorias = modelo.create_pipe(‘textcat’)
—-> 4 modelo.add_pipe(categorias, last=True)
5 categorias.add_label(“ALEGRIA”)
6 categorias.add_label(“MEDO”)

~\Anaconda3\lib\site-packages\spacy\language.py in add_pipe(self, factory_name, name, before, after, first, last, source, config, raw_config, validate)
777 bad_val = repr(factory_name)
778 err = Errors.E966.format(component=bad_val, name=name)
–> 779 raise ValueError(err)
780 name = name if name is not None else factory_name
781 if name in self.component_names:

ValueError: [E966] nlp.add_pipe now takes the string name of the registered component factory, not a callable component. Expected string, but got <spacy.pipeline.textcat.TextCategorizer object at 0x000001D7899C3D00> (name: ‘None’).

– If you created your component with nlp.create_pipe('name'): remove nlp.create_pipe and call nlp.add_pipe('name') instead.

– If you passed in a component like TextCategorizer(): call nlp.add_pipe with the string name instead, e.g. nlp.add_pipe('textcat').

– If you’re using a custom component: Add the decorator @Language.component (for function components) or @Language.factory (for class components / factories) to your custom component and assign it a name, e.g. @Language.component('your_name'). You can then run nlp.add_pipe('your_name') to add it to the pipeline.

[Autor]

Posts