TensorFlow & Keras
Sequential API, Functional API, layers, callbacks, checkpoints, TensorBoard, salvataggio del modello
1Qual è la principale differenza tra Sequential API e Functional API di Keras?
Qual è la principale differenza tra Sequential API e Functional API di Keras?
Risposta
La Sequential API permette di creare modelli layer per layer in modo lineare, dove ogni layer ha esattamente un input e un output. La Functional API offre maggiore flessibilità abilitando architetture complesse: input multipli, output multipli, residual connections e grafi di layer condivisi. Usa Sequential per architetture semplici e Functional per casi più avanzati.
2Come creare un modello Sequential con un layer Dense da 64 neuroni seguito da un layer di output da 10 neuroni?
Come creare un modello Sequential con un layer Dense da 64 neuroni seguito da un layer di output da 10 neuroni?
Risposta
Il metodo standard consiste nell'istanziare tf.keras.Sequential() e poi utilizzare model.add() per aggiungere i layer uno per uno, oppure passare una lista di layer direttamente al costruttore. Ogni layer Dense prende il numero di units come parametro, e il primo layer richiede di specificare input_shape per definire la forma dei dati di input.
3Qual è il ruolo della funzione di attivazione 'softmax' in un layer di output?
Qual è il ruolo della funzione di attivazione 'softmax' in un layer di output?
Risposta
La funzione softmax trasforma i logits (output grezzi) in probabilità che sommano a 1, il che è ideale per la classificazione multi-classe. Ogni output rappresenta la probabilità di appartenere a una classe. È tipicamente utilizzata con la loss categorical_crossentropy per label one-hot o sparse_categorical_crossentropy per label interi.
Come definire un modello con la Functional API avente due input distinti?
Quale callback usare per fermare l'addestramento quando la validation loss non migliora più?
+19 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis