Question 1

Jaka jest główna różnica między Keras Sequential API a Functional API?

Accepted Answer

Sequential API pozwala tworzyć modele warstwa po warstwie w sposób liniowy, gdzie każdy layer ma dokładnie jedno wejście i jedno wyjście. Functional API oferuje większą elastyczność, umożliwiając tworzenie modeli o złożonych architekturach: wiele wejść, wiele wyjść, residual connections oraz współdzielone grafy warstw. Używaj Sequential dla prostych architektur i Functional dla bardziej zaawansowanych przypadków.

Question 2

Jak utworzyć model Sequential z warstwą Dense o 64 neuronach, po której następuje warstwa wyjściowa o 10 neuronach?

Accepted Answer

Standardową metodą jest utworzenie instancji tf.keras.Sequential() i następnie użycie model.add() do dodawania warstw jedna po drugiej lub przekazanie listy warstw bezpośrednio do konstruktora. Każda warstwa Dense przyjmuje liczbę units jako parametr, a pierwsza warstwa wymaga określenia input_shape, aby zdefiniować kształt danych wejściowych.

Question 3

Jaka jest rola funkcji aktywacji 'softmax' w warstwie wyjściowej?

Accepted Answer

Funkcja softmax przekształca logits (surowe wyjścia) w prawdopodobieństwa sumujące się do 1, co jest idealne dla klasyfikacji wieloklasowej. Każde wyjście reprezentuje prawdopodobieństwo przynależności do klasy. Jest zwykle używana z loss categorical_crossentropy dla etykiet one-hot lub sparse_categorical_crossentropy dla etykiet całkowitych.

TensorFlow & Keras

Jaka jest główna różnica między Keras Sequential API a Functional API?

Odpowiedź

Jak utworzyć model Sequential z warstwą Dense o 64 neuronach, po której następuje warstwa wyjściowa o 10 neuronach?

Odpowiedź

Jaka jest rola funkcji aktywacji 'softmax' w warstwie wyjściowej?

Odpowiedź

Jak zdefiniować model za pomocą Functional API z dwoma odrębnymi wejściami?

Którego callbacka użyć, aby zatrzymać trenowanie, gdy validation loss przestaje się poprawiać?

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

CNN i klasyfikacja obrazów

RNN i Sekwencje

Transformers i Attention

NLP i Hugging Face

GenAI i LangChain

MLOps i Wdrożenie

Opanuj Data Science & ML na następną rozmowę