[Denny Ceccon]

Não, em todos. Na verdade quando as redes neurais fazem classificação, elas tratam como regressão até a última etapa, e só no final transformam a predição em uma classe.

[Denny Ceccon]

Você também precisaria treinar o mesmo modelo com o dataset rotulado com o assunto.

[Denny Ceccon]

Oi Caio,

Não, são dois processos separados.

[Denny Ceccon]

Oi Caio,

Imagine que você está fazendo uma regressão linear com somente um atributo. Sem o bias, esta regressão deve necessariamente passar pela origem, ou seja, o ponto (0, 0), mas nem sempre isso é desejável. O bias serve para “deslocar a origem” para outro ponto de y, e assim produzir uma regressão mais adequada. Como na figura abaixo:

 

[Denny Ceccon]

Olá Fabio,

Quanto mais específico o dataset pra seu problema de interesse, melhor costuma ser o desempenho. Você pode testar com este dataset e verificar se está satisfeito com os resultados antes de tentar com outro.

[Denny Ceccon]

Oi Caio,

Infelizmente não existe uma resposta pronta para essa pergunta, pois depende muito das características do problema e se o modelo escolhido é de fato adequado para ele, o que é muito difícil de dizer com certeza. O que se costuma falar muito em machine learning é na ideia do trade-off, em algumas situações nós temos que encontrar um equilíbrio entre, por exemplo, o desvio padrão e a acurácia. Se o desvio está muito “alto”, vale a pena aplicar dropout para reduzir a probabilidade de overfitting, mas assim a gente pode sacrificar um pouco da acurácia. A solução final vai depender de uma série de fatores como a experiência do desenvolvedor e a área de aplicação da IA.

[Denny Ceccon]

Não precisa fazer downgrade, a versão 2.8.0 ainda está funcional.

[Denny Ceccon]

Olá Aislan,

Eu tentei rodar o notebook do Colab com a versão 2.8.0 do Tensorflow mesmo (a que é atualmente instalada por padrão no Colab) e não teve problemas. Você só deve fazer o downgrade se tiver problemas com a versão atual.

[Denny Ceccon]

Olá Luis,

A biblioteca skorch que usamos para fazer validação cruzada no curso suporta o uso de GPUs, como é documentado aqui. Mesmo assim, é possível implementar a validação cruzada de forma mais manual, criando os folds explicitamente, e aproveitar o suporte a GPUs que o próprio PyTorch já tem.

[Denny Ceccon]

Com a função argmax:

array = output.numpy()
prob = np.max(array)
index = np.argmax(array)
return prob, index

[Denny Ceccon]

array = output.numpy()
array = np.max(array)
return array

[Denny Ceccon]

Olá Aislan,

Este tensor já contém as probabilidades para cada uma das classes. Observe que o valor no index 6 é igual a 0.999, que equivale a 99.9%. Todos os outros são tão baixos que na prática equivalem a zero.

Se você quiser formatar melhor, pode converser este tensor para numpy array com array = tensor.numpy(), e depois extrair o valor máximo com np.max(array).

[Denny Ceccon]

Olá Micael,

Para prever mais de uma categoria, além de ajustar o parâmetro NB_CLASSES, você precisa transformar seus rótulos usando o LabelEncoder do Sklearn:

from sklearn.preprocessing import LabelEncoder
encoder = LabelEncoder()
data_labels = encoder.fit_transform(data_labels.reshape(-1, 1))

Aliás, dá pra fazer isto também com duas categorias, ao invés de fazer a transformação manualmente como o professor fez.

O interessante de usar este método é que dá pra recuperar os rótulos originais no final, usando o método inverse_transform do encoder:

def get_prediction(sentence):
    tokens = encode_sentence(sentence)
    inputs = tf.expand_dims(tokens, 0)
    output = Dcnn(inputs, training=False).numpy()
    output = np.argmax(output, -1)
    category = encoder.inverse_transform(output)
    return category

[Denny Ceccon]

Se você usar sigmoide, então cada neurônio que tiver valor o acima de 0.5 indica presença da categoria. Por exemplo, se neurônio_mamífero = 0.6, neurônio_aquático = 0.7 e neurônio_escamoso = 0.4, então o registro é mamífero e também aquático, mas não tem escamas.

Quando o problema só admite uma classe, nós usamos softmax, que aí sim o valor maior indica a presença da única classe permitida.

[Denny Ceccon]

Até consegue, pois você pode por exemplo colocar três neurônios na camada de saída, todos ativados com sigmoide. Neste caso, a rede neural vai determinar se o registro pertence a cada uma das classes, independentemente. É assim que trabalhamos com problemas multi-classe, por exemplo quando um animal pode ser mamífero e aquático ao mesmo tempo. Mas se as classes forem exclusivas, por exemplo mamífero ou réptil ou peixe. a ativação mais adequada é softmax, que limita a resposta a somente uma categoria.

[Author]

Posts