Forum Replies Created
- Posts
Olá Mateus,
É difícil dizer sem debugar o código, mas nós não costumamos debugar implementações pessoais. As partes mais evidentes (configuração da última camada, função de custo) me parecem estar OK. Eu te recomendo rodar seu código em uma IDE que te permita debugar, assim você executa linha por linha, isso ajuda a encontrar problemas.
Olá Mateus,
O Tensorflow agora identifica automaticamente a GPU e usa quando ela está disponível, mas você precisa instalar drivers específicos para que este reconhecimento seja feito. Cada placa tem um processo diferente, se você quiser usar sua GPU o melhor caminho é procurar ajuda no Google mesmo.
Olá Vinícius,
Estes são os atributos “criados” na forma compactada, que não têm um significado concreto como na base original, onde os 3 atributos significam income, age e loan. Eles poderiam ter qualquer nome, mas o professor escolheu botar números sucessivos para cada coluna dos dados compactados.
Olá Victor,
É difícil dizer sem ter acesso ao seu ambiente, e nós nem oferecemos este tipo de serviço. Uma coisa que eu tento fazer nesses casos é criar um ambiente virtual novo e reinstalar as bibliotecas, pois pode ser que seu ambiente atual esteja corrompido.
Bem observado, Vinícius!
O certo seria ter um loop para percorrer os batches na base MNIST também, pois na aula é utilizado somente 1 batch (128 registros) em cada época, mas existem mais dados disponíveis para treinamento. O script apresentado é mais para demonstrar o funcionamento do algoritmo e da pipeline, mas certamente pode ser melhorado.
Olá Mateus,
Isto é complemento de sua outra pergunta. O erro é determinado como a soma/média dos erros individuais, então ele é o mesmo para todas as entradas.
Olá,
Não conheço nenhum código em específico, mas é fácil encontrar sugestões no Google mesmo. Esses abaixo são alguns exemplos, um inclusive utiliza outra API que parece ser bem fácil de implementar:
https://towardsdatascience.com/how-to-train-bert-for-q-a-in-any-language-63b62c780014
https://medium.datadriveninvestor.com/build-a-custom-q-a-model-using-bert-in-easy-steps-241547d6310f
https://blog.paperspace.com/how-to-train-question-answering-machine-learning-models/
https://towardsdatascience.com/bert-nlp-how-to-build-a-question-answering-bot-98b1d1594d7b
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 XOlá Jonas,
Você tem que fazer o pré-processamento dos novos dados da mesma forma que fez com os dados de treino/validação, como por exemplo montar as janelas de tempo que vai passar para o modelo, e qualquer escalonamento que tenha aplicado. Pode usar o mesmo código inclusive, só trocando os dados.
Olá Heitor,
Não há uma maneira oficial de determinar. Alguns autores fizeram propostas, como você pode ver neste link, mas de minha experiência eu digo que é difícil definir isto a priori. Via de regra, eu começo usando poucas (1 ou 2), e vou testando o impacto de colocar mais, enquanto houver ganho de desempenho. A não ser que o problema seja muito complexo, não costuma haver ganhos significativos depois de cerca de 3 camadas escondidas.
