CNN i klasyfikacja obrazów
Convolutions, pooling, architektury (VGG, ResNet), transfer learning, data augmentation, fine-tuning
1Czym jest operacja convolution w CNN?
Czym jest operacja convolution w CNN?
Odpowiedź
Convolution to operacja matematyczna, która stosuje filtr (kernel) na obrazie, przesuwając ten filtr po wejściu i obliczając iloczyn skalarny w każdej pozycji. Pozwala to wyodrębnić lokalne feature, takie jak krawędzie, tekstury lub wzorce. W przeciwieństwie do sieci dense, gdzie każdy neuron jest połączony ze wszystkimi wejściami, convolution wykorzystuje strukturę przestrzenną obrazów, dzieląc wagi filtra w całym obrazie.
2Jaka jest rola stride w warstwie convolution?
Jaka jest rola stride w warstwie convolution?
Odpowiedź
Stride definiuje rozmiar kroku podczas przesuwania filtra po obrazie. Stride 1 przesuwa filtr o jeden piksel w każdym kroku, podczas gdy stride 2 przesuwa go o 2 piksele, zmniejszając w ten sposób rozmiar wyjścia. Zwiększenie stride pozwala zmniejszyć wymiar przestrzenny feature map i koszt obliczeniowy, ale może również powodować utratę informacji, jeśli stride jest zbyt duży.
3Jaki jest cel paddingu w warstwie convolution?
Jaki jest cel paddingu w warstwie convolution?
Odpowiedź
Padding polega na dodaniu pikseli (zwykle zer) wokół obrazu wejściowego przed zastosowaniem convolution. Pozwala to kontrolować rozmiar wyjścia i zachować informacje na krawędziach obrazu. Z paddingiem 'same' wyjście ma taki sam rozmiar jak wejście, podczas gdy z 'valid' (bez paddingu) rozmiar maleje. Padding zapobiega również niedoreprezentowaniu pikseli krawędziowych w feature map.
Jaka jest różnica między Max Pooling a Average Pooling?
Czym jest feature map w CNN?
+21 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Podstawy Pandas
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Wizualizacja z Matplotlib & Seaborn
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Statystyka inferencyjna
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Regresja
Uczenie nadzorowane: Klasyfikacja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
Podstawy Deep Learning
TensorFlow & Keras
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo