Forum Replies Created
- Posts
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.
Olá André,
Devido à quantidade de alunos, nosso tempo de resposta na maioria dos casos é até 24 horas.
Respondi sua dúvida no outro tópico.
Olá André,
Executei o código do Colab disponibilizado no curso e não tive nenhum erro.
De nossa experiência, nesses casos geralmente o aluno esqueceu de rodar alguma célula anterior, ou modificou o código. Também é possível que você tenha tentado ler a base de dados no ambiente Python antes que o upload finalizasse.
Para o primeiro caso, te recomendo fazer uma cópia nova do notebook da aula e rodar desde o início. Para o segundo, verifique que a “rodinha” que aparece durante o upload sumiu antes de carregar os dados no ambiente Python.
Heitor, de novo eu sugiro tentar usar as LLMs, elas têm sido muito úteis para esse tipo de dúvida, eu coloquei sua pergunta no Gemini e ele respondeu assim: https://g.co/gemini/share/5a84b419b9da
Olá Heitor,
Desculpa, mas pela quantidade de alunos que atendemos, não temos como oferecer suporte para implementações pessoais, focamos apenas nos códigos apresentados em aula.
Uma sugestão: coloque seu código em uma LLM, como o ChatGPT ou o Gemini, e peça para eles te orientarem. Eu uso bastante no dia-a-dia, e geralmente as LLMs ajudam bastante.
