Olá, pessoal!
Quero compartilhar com a comunidade um notebook que preparei. Ele foi baseado no artigo da Alura [Primeiros passos com PyTorch] e expande a ideia para um pipeline de treino completo, com ênfase em reprodutibilidade (controle de “sementes”) e boas práticas no loop de treinamento.
- Notebook: https://github.com/carlosvblessa/pln-deep-learning/blob/main/06-PytorchTutorialSementes.ipynb
- Artigo base da Alura: https://www.alura.com.br/artigos/primeiros-passos-com-pytorch
O que você vai ver no notebook
- Como fixar sementes (Python, NumPy e PyTorch) e ativar configurações determinísticas para reduzir variações entre execuções.
- Estrutura mínima de Dataset e DataLoader.
- Um modelo MLP simples em
torch.nn(camadas densas), comReLUeDropout. - Função de perda (
CrossEntropyLoss) e otimizador (Adam). - Loops de treino e validação com cálculo de acurácia por época.
- Registro de métricas (loss/accuracy) e gráficos para acompanhar a evolução.
- Como salvar e carregar pesos com
torch.save/torch.load. - Pontos de extensão: early stopping, scheduler de learning rate, regularização L2, matriz de confusão, e organização em módulos.
Créditos & referências
- Alura — Primeiros passos com PyTorch (artigo que inspirou o projeto).
- Documentação oficial do PyTorch.
Espero que ajude de alguma forma.
