--- license: mit tags: - tensorflow - keras - cnn - lstm - gan - cifar10 - mnist --- # Deep Learning Architectures — pesos (versoes reduzidas) Pesos treinados do projeto `portfolio/projects/deep-learning-architectures`, em versoes reduzidas para rodar em CPU. | Arquivo | Arquitetura | Dataset | Resultado | |---|---|---|---| | `cnn_cifar10.keras` | CNN | CIFAR-10 | val_accuracy 0.666 (5 epocas; original usa 15) | | `lstm_spam.keras` + `lstm_spam_tokenizer.pkl` | LSTM | SMS Spam Collection | val_accuracy 0.9641 | | `gan_generator.keras` / `gan_discriminator.keras` | GAN (DCGAN) | MNIST | 3 epocas (original usa 100) | | `gan_samples.png` | — | — | amostras geradas pelo generator | ## Como carregar ```python import tensorflow as tf modelo = tf.keras.models.load_model("cnn_cifar10.keras") ``` LSTM (o tokenizador e manual, pois o Keras 3 removeu `tf.keras.preprocessing`): ```python import pickle, tensorflow as tf tok = pickle.load(open("lstm_spam_tokenizer.pkl", "rb")) word2idx, maxlen = tok["word2idx"], tok["maxlen"] modelo = tf.keras.models.load_model("lstm_spam.keras") ``` ## Notas - Receitas reduzidas de proposito (menos epocas/camadas) para treinar em CPU; os notebooks originais estao em `portfolio/projects/deep-learning-architectures/notebooks`. - O Transformer (notebook 04, PT→EN) exige `tensorflow-datasets`, `tensorflow_text` e dataset web-archive: use o notebook original (Colab). Nao ha pesos aqui. - Datasets: CIFAR-10 e MNIST (Keras), SMS Spam Collection via mirror TSV do pycon-2016-tutorial.