Forum Replies Created
- Posts
Olá Wesley.
Isso mesmo. Seu score, calculado com base na sua solução, consta no lado direito, e você pode ver sua posição na competição no link Jump to…
Sim Caio, o pooling serve para acentuar alguns sinais obtidos pelas camadas de convolução, e depois que eles são concatenados, todos eles são utilizados na fase de classificação.
Olá Luis,
Imagine por exemplo que você quer que a rede neural retorne “sim” ou “não” para predizer se vai chover. Se vai chover qualquer quantidade, ela tem que retornar simplesmente “sim”, se não vai chover nada ela retorna “não”. Aí seria um caso onde a step function resolve.
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.
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:
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.
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.
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.
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.
Com a função argmax:
array = output.numpy() prob = np.max(array) index = np.argmax(array) return prob, index
