TensorFlow & Keras
Sequential API, Functional API, Layers, Callbacks, Checkpoints, TensorBoard, Model Saving
1Was ist der Hauptunterschied zwischen der Keras Sequential API und der Functional API?
Was ist der Hauptunterschied zwischen der Keras Sequential API und der Functional API?
Antwort
Die Sequential API ermöglicht das Erstellen von Modellen Layer für Layer auf lineare Weise, wobei jedes Layer genau einen Input und einen Output hat. Die Functional API bietet mehr Flexibilität, indem sie komplexe Architekturen ermöglicht: mehrere Inputs, mehrere Outputs, Residual Connections und geteilte Layer-Graphen. Verwende Sequential für einfache Architekturen und Functional für fortgeschrittenere Fälle.
2Wie erstellt man ein Sequential-Modell mit einem Dense Layer mit 64 Neuronen, gefolgt von einem Output Layer mit 10 Neuronen?
Wie erstellt man ein Sequential-Modell mit einem Dense Layer mit 64 Neuronen, gefolgt von einem Output Layer mit 10 Neuronen?
Antwort
Die Standardmethode besteht darin, tf.keras.Sequential() zu instanziieren und dann model.add() zu verwenden, um Layer einzeln hinzuzufügen, oder eine Liste von Layern direkt an den Konstruktor zu übergeben. Jedes Dense Layer nimmt die Anzahl der Units als Parameter, und das erste Layer benötigt die Angabe von input_shape, um die Form der Eingabedaten zu definieren.
3Welche Rolle spielt die 'softmax'-Aktivierungsfunktion in einem Output Layer?
Welche Rolle spielt die 'softmax'-Aktivierungsfunktion in einem Output Layer?
Antwort
Die softmax-Funktion transformiert Logits (rohe Outputs) in Wahrscheinlichkeiten, die sich zu 1 summieren, was ideal für Multi-Class-Klassifikation ist. Jeder Output repräsentiert die Wahrscheinlichkeit der Zugehörigkeit zu einer Klasse. Sie wird typischerweise mit categorical_crossentropy Loss für One-Hot-Labels oder sparse_categorical_crossentropy für Integer-Labels verwendet.
Wie definiert man ein Modell mit der Functional API, das zwei verschiedene Inputs hat?
Welcher Callback wird verwendet, um das Training zu stoppen, wenn sich die Validation Loss nicht mehr verbessert?
+19 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
CNN und Bildklassifizierung
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