Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo LSTM

Arquitetura de rede neural recorrente com portas que retêm ou esquecem informação ao longo de sequências macro longas.

Visão geralGráficoMatemáticaReferências

Área do gráfico

Painel multiagente de LSTM

Área do gráfico

Problemas de previsão sequencial quando a estrutura de defasagens é longa, não linear e difícil de resumir com defasagens AR fixas. O gráfico transforma essa pergunta em um cenário ajustável, com controles suficientes para ver direção, persistência e limites sem fingir estimação em tempo real.

Metadados dos eixos
xRodadas da simulaçãotempo discreto · 0 a 100 rodadasyResultado agregadoíndice · escala normalizada pelo cenário
Parâmetros em função da dimensão oculta static chart preview showing Parâmetros em cada largura, Parâmetros restantes após o dropout, Parâmetros na largura escolhida, Observações de treino disponíveis
Retenção do gradiente por profundidade
de defasagem static chart preview showing Com a porta de esquecimento enviesada para lembrar, Sem viés na porta de esquecimento
Atualização efetiva por profundidade de
defasagem static chart preview showing Atualização que chega a esta profundidade, Piso a partir do qual vale chamar de não nulo
O tipo de série a que isto seria
aplicado static chart preview showing Série-alvo neste nível de ruído
Piso de erro e os referenciais que uma
rede precisa superar static chart preview showing Series 1
xRodadas da simulaçãotempo discreto · 0 a 100 rodadasyResultado agregadoíndice · escala normalizada pelo cenário

Resultados atuais

Parâmetros treináveis

Explicar: Parâmetros treináveis
4(dh2+dhdx+dh)+dh+14\left(d_h^2 + d_h d_x + d_h\right) + d_h + 14(dh2​+dh​dx​+dh​)+dh​+1

Compare este valor entre cenários para ver o efeito dos controles.

4385

contagem

Parâmetros efetivos por observação

Explicar: Parâmetros efetivos por observação
4(d~2+d~dx+d~)+d~+1T−L,d~=dh(1−pdrop)\frac{4\left(\tilde{d}^2 + \tilde{d} d_x + \tilde{d}\right) + \tilde{d} + 1}{T - L}, \quad \tilde{d} = d_h (1 - p_{\text{drop}})T−L4(d~2+d~dx​+d~)+d~+1​,d~=dh​(1−pdrop​)

Compare este valor entre cenários para ver o efeito dos controles.

12.62

razão

Retenção do gradiente na defasagem mais longa

Explicar: Retenção do gradiente na defasagem mais longa
∏k=1Lfk≈σ(bf)L\prod_{k=1}^{L} f_k \approx \sigma(b_f)^{L}∏k=1L​fk​≈σ(bf​)L

Compare este valor entre cenários para ver o efeito dos controles.

0.0005

proporção

Profundidade útil do gradiente

Explicar: Profundidade útil do gradiente
max⁡{k≤L:η σ(bf)k≥10−6}\max \{ k \le L : \eta \, \sigma(b_f)^{k} \ge 10^{-6} \}max{k≤L:ησ(bf​)k≥10−6}

Compare este valor entre cenários para ver o efeito dos controles.

22.00

passos

Parâmetros do modelo

32
Explicar: Dimensão oculta

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

24
Explicar: Janela de defasagens

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

0.001
Explicar: Taxa de aprendizado

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

0.2
Explicar: Taxa de dropout

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

0.5
Explicar: Nível de ruído

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC