CNN und Bildklassifizierung
Convolutions, Pooling, Architekturen (VGG, ResNet), Transfer Learning, Data Augmentation, Fine-Tuning
1Was ist eine Convolution-Operation in einem CNN?
Was ist eine Convolution-Operation in einem CNN?
Antwort
Eine Convolution ist eine mathematische Operation, die einen Filter (Kernel) auf ein Bild anwendet, indem dieser Filter über den Input geschoben und an jeder Position das Skalarprodukt berechnet wird. Dies ermöglicht das Extrahieren lokaler Features wie Kanten, Texturen oder Muster. Im Gegensatz zu Dense Networks, bei denen jedes Neuron mit allen Inputs verbunden ist, nutzt die Convolution die räumliche Struktur von Bildern, indem sie Filtergewichte über das gesamte Bild teilt.
2Welche Rolle spielt der Stride in einer Convolution-Schicht?
Welche Rolle spielt der Stride in einer Convolution-Schicht?
Antwort
Der Stride definiert die Schrittweite, wenn der Filter über das Bild bewegt wird. Ein Stride von 1 bewegt den Filter um einen Pixel pro Schritt, während ein Stride von 2 ihn um 2 Pixel bewegt, wodurch die Ausgabegröße reduziert wird. Das Erhöhen des Strides ermöglicht es, die räumliche Dimension der Feature Map und die Rechenkosten zu reduzieren, kann jedoch auch zu Informationsverlust führen, wenn der Stride zu groß ist.
3Was ist der Zweck von Padding in einer Convolution-Schicht?
Was ist der Zweck von Padding in einer Convolution-Schicht?
Antwort
Padding besteht darin, Pixel (normalerweise Nullen) um das Eingabebild herum hinzuzufügen, bevor die Convolution angewendet wird. Dies ermöglicht die Kontrolle der Ausgabegröße und die Bewahrung von Informationen an den Bildkanten. Mit 'same' Padding hat die Ausgabe die gleiche Größe wie die Eingabe, während mit 'valid' (kein Padding) die Größe abnimmt. Padding verhindert auch, dass Randpixel in Feature Maps unterrepräsentiert sind.
Was ist der Unterschied zwischen Max Pooling und Average Pooling?
Was ist eine Feature Map in einem CNN?
+21 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
NumPy-Grundlagen
Pandas-Grundlagen
Jupyter & Google Colab
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Interaktive Visualisierungen mit Plotly
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Regression
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
Grundlagen des Deep Learning
TensorFlow & Keras
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps und Deployment
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten