Respostas no Fórum
- Posts
Olá Eduardo,
Os valores sublinhados vieram da tabela de valores padronizados, depois você deve fazer a subtração por coluna. O cálculo da esquerda estou pedindo para o professor revisar porque acredito estar errado, mas o da direita, 1,07 – (-0,90) = 1,97, e -0,54 – (-0,60) = 0,06. Aí é só elevar ao quadrado, somar, e tirar a raiz.
Olá Luiz,
É possível, mas não é muito simples. Os modelos têm tantos neurônios na camada de saída quantas classes originais, ou seja, para adicionar ou excluir movimentos, você precisa adicionar ou remover neurônios (e suas conexões), mas não dá pra fazer isso sem desestruturar todo o conhecimento da rede.
Uma possibilidade é trocar a última camada inteira e treinar somente esta camada com dados rotulados contendo suas classes de interesse, esta técnica se chama transfer learning. Se você quiser dar uma olhada como funciona, eu lembro que falamos de transfer learning em nosso curso de PyTorch.
O forward vai da camada de entrada até as 2 camadas de saída, cada uma dessas vai ter uma loss, aí você soma as duas antes de fazer o backpropagation.
Aqui tem um exemplo simples: https://g.co/gemini/share/82b869bbf334
Olá Leandro,
Você pode criar duas redes neurais independentes, uma para cada classe, ou você pode criar duas camadas de saída, cada uma com o número de neurônios igual ao número de categorias de cada classe. A ativação deve ser softmax e, neste caso, o custo
lossé obtido pela soma do custo para as duas classes.Eduardo, coloque uns prints dos erros, porque aqui deu certo, aí eu não tenho como saber qual é o problema.
Jonathan me desculpe mas eu precisaria estudar este caso mais a fundo e nós não temos como oferecer esse tipo de suporte personalizado. Minha sugestão é procurar por implementações similares na internet mesmo, é assim que eu busco ajuda para meus próprios projetos. Também vale a pena tentar usar as LLMs (ChatGPT, Gemini), elas já me ajudaram várias vezes.
Daniel, tenta seguir essas instruções: https://facebook.github.io/prophet/docs/installation.html#installation-in-python
Se eu entendi bem o problema, me parece ser bastante similar ao caso do viajante, one as cidades são os pontos do bonde e as arestas são os trilhos.
Jonathan, aí precisaria estudar melhor o problema, mas seguem algumas ideias:
Modificação da função de custo: Atribua um custo infinito às arestas que representam trilhos com bondes quebrados ou em manutenção, ou utilize uma função de custo que considere o tempo de espera estimado para reparo ou o impacto na operação da linha de bonde, por exemplo, o custo é uma função do tempo de espera estimado.
Remoção temporária de arestas: Remova temporariamente do grafo as arestas que representam trilhos com restrições. O algoritmo vai ignorar automaticamente esses caminhos indisponíveis, buscando alternativas viáveis. As arestas podem ser reinseridas no grafo quando as restrições forem removidas.
Implementação de regras de priorização: Utilize heurísticas que considerem a probabilidade de restrições em diferentes trilhos, direcionando a busca para caminhos mais confiáveis, por exemplo, o custo tem um fator que é calculado em função da probabilidade de manutenção na linha.É só botar um custo adicional nos trechos com algum impedimento, assim você penaliza aquele caminho.
Olá Jonathan,
A distância fornece a base para quantificar o custo de cada movimento entre as cidades. O algoritmo prioriza caminhos com menor custo total, guiando a busca pelo trajeto mais curto. Heurísticas eficientes, como a distância euclidiana, aproximam o valor real do caminho restante, direcionando a busca para os caminhos mais promissores.
