Forum Replies Created
- Posts
Olá Samuel,
Nós estamos preparando uma atualização desse curso, por enquanto você pode mudar todos os parâmetros relacionados ao modelo para o nome
model__<parametro>. Exemplo:model__batch_size. Veja que são 2 underlines.Olá Jaime,
Se você clicar no link que termina com esse resíduo, vai ver que retorna uma mensagem de erro dizendo que ela não existe. Esta URL está incorreta.
André, o erro significa que o Pandas não está encontrando uma linha com o índice
[0]. Verifique comdataset.head()se a primeira linha tem índice 0.Também observe que este código é para o Pandas v2.0, então cheque sua versão.
Olá Alan,
Nós não temos nenhum material sobre esse assunto específico, vai precisar pesquisar na documentação: https://developers.facebook.com/docs/marketing-api/guides/lead-ads/
Eu testei sem congelar as camadas e o modelo em poucas épocas já estava acima de 80%. Meu último resultado é o que consta no notebook anexado à aula.
Olá Vinícius,
Você precisa fazer downgrade do Python para versão 3.6 ou anterior. No Colab isso é mais complicado, mas em execução local eu sempre uso o conda pra isso:
conda create -n python36 python=3.6Isso vai criar um ambiente chamado
python36com esta versão do Python. Aí você pode ativar o ambiente e instalar o TF1.x lá.Te oriento a seguir o notebook, porque não sei se foi só essa linha alterada. O código inválido está sempre marcado como comentário (
#em Python), seguido do novo código, conforme abaixo (retirado do notebook):#gol_df = data.DataReader(name = 'GOLL4.SA', data_source='yahoo', start='2015-01-01') gol_df = yf.download("GOLL4.SA", start='2015-01-01')Essa deve ser a versão do Python, você precisa checar as versões das bibliotecas. Basicamente, as bibliotecas são aquelas importadas no início do notebook (com o comando
import).Júlio, lembrei que recentemente eu fiz esta atualização no código:
for layer in base_model.layers[:-10]: # layers.trainable = False layer.trainable = False # correção MAI-2024Isto para ficar de acordo com a aula gravada, congelando as últimas camadas do modelo. Entretanto, como na aula o código estava errado, o professor não congelou essas camadas, o que provavelmente explica os resultados melhores neste estudo de caso. Congelar essas camadas é geralmente uma opção do desenvolvedor; isso geralmente agiliza o treinamento, mas pode ter alguma perda de performance. Removendo esta parte do código, você pode encontrar resultados melhores. Aproveitei a oportunidade e adicionei essa observação no código da aula.
Eu respondi na sua outra pergunta, André:
Veja que esta linha que está dando problema está marcada com um comentário no notebook anexado à aula, acredito que o professor optou por usar a biblioteca
yfinanceporque a bibliotecapandas-datareadernão está mais recebendo atualizações desde 2021. Se você se basear no código do notebook, não deve ter problemas.Ah sim, veja que esta linha que está dando problema está marcada com um comentário no notebook anexado à aula, acredito que o professor optou por usar a biblioteca
yfinanceporque a bibliotecapandas-datareadernão está mais recebendo atualizações desde 2021. Se você se basear no código do notebook, não deve ter problemas.Olá Júlio,
Nem sempre aumentar o número de épocas ajuda, pois pode ocorrer o fenômeno de overfitting. Geralmente, quando a arquitetura da rede e os dados são os mesmos, as maiores diferenças nos resultados se devem à inicialização da rede, mas como ela é inicializada com valores aleatórios, você precisa tentar várias vezes até que ela inicialize com os valores que entregam os melhores resultados.
