O objetivo inicial do exercício era simples: transformar a GRU em uma GRU com duas camadas e ajustar a passagem da memória interna para a camada linear. A alteração conceitual principal foi trocar o uso de hidden.squeeze() por hidden[-1], pois agora a memória da GRU tem dimensão (2, B, F), e precisei usar apenas a memória da última camada.
A atividade ficou mais trabalhosa porque o notebook original dependia de uma API antiga do torchtext, que não funciona mais no Colab atual. Por isso, a preparação dos dados foi reescrita com PyTorch puro, mantendo o foco da aula: padding, packing, GRU e classificação de sequências.
Segue o link com computador: Código
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!