TensorFlow & Keras
Sequential API, Functional API, layers, callbacks, checkpoints, TensorBoard, model opslaan
1Wat is het belangrijkste verschil tussen Keras Sequential API en Functional API?
Wat is het belangrijkste verschil tussen Keras Sequential API en Functional API?
Antwoord
De Sequential API stelt je in staat modellen laag voor laag op een lineaire manier te bouwen, waarbij elke layer precies één input en één output heeft. De Functional API biedt meer flexibiliteit door complexe architecturen mogelijk te maken: meerdere inputs, meerdere outputs, residual connections en gedeelde layer-grafen. Gebruik Sequential voor eenvoudige architecturen en Functional voor meer geavanceerde gevallen.
2Hoe maak je een Sequential model met een Dense layer van 64 neuronen gevolgd door een output layer van 10 neuronen?
Hoe maak je een Sequential model met een Dense layer van 64 neuronen gevolgd door een output layer van 10 neuronen?
Antwoord
De standaardmethode is om tf.keras.Sequential() te instantiëren en vervolgens model.add() te gebruiken om layers één voor één toe te voegen, of een lijst van layers direct aan de constructor door te geven. Elke Dense layer neemt het aantal units als parameter, en de eerste layer vereist het specificeren van input_shape om de vorm van invoergegevens te definiëren.
3Wat is de rol van de 'softmax' activatiefunctie in een output layer?
Wat is de rol van de 'softmax' activatiefunctie in een output layer?
Antwoord
De softmax-functie transformeert logits (ruwe outputs) naar kansen die sommeren tot 1, wat ideaal is voor multi-class classificatie. Elke output vertegenwoordigt de kans op het behoren tot een klasse. Het wordt typisch gebruikt met categorical_crossentropy loss voor one-hot labels of sparse_categorical_crossentropy voor integer labels.
Hoe definieer je een model met de Functional API dat twee verschillende inputs heeft?
Welke callback te gebruiken om training te stoppen wanneer validation loss niet meer verbetert?
+19 gespreksvragen
Andere Data Science & ML-sollicitatieonderwerpen
Python-basisbeginselen
Python Objectgeoriënteerd Programmeren
Python-datastructuren
Git-Fundamenten
SQL-basisbeginselen
NumPy-grondbeginselen
Pandas-basis
Jupyter & Google Colab
SQL Joins & geavanceerde queries
Geavanceerd Pandas
Visualisatie met Matplotlib & Seaborn
Interactieve visualisaties met Plotly
Beschrijvende statistiek
Inferentiële statistiek
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Supervised ML: Regressie
Supervised ML: Classificatie
Beslissingsbomen & Ensembles
Ongesuperviseerd ML
ML Pipelines & Validatie
Tijdreeksen & Voorspelling
Fundamenten van Deep Learning
CNN en beeldclassificatie
RNN & Reeksen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps en Deployment
Beheers Data Science & ML voor je volgende gesprek
Krijg toegang tot alle vragen, flashcards, technische tests, code review-oefeningen en gespreksimulatoren.
Begin gratis