TensorFlow & Keras
Sequential API, Functional API, layers, callbacks, checkpoints, TensorBoard, การบันทึก model
1ความแตกต่างหลักระหว่าง Keras Sequential API และ Functional API คืออะไร?
ความแตกต่างหลักระหว่าง Keras Sequential API และ Functional API คืออะไร?
คำตอบ
Sequential API ช่วยให้สร้างโมเดลทีละ layer ในลักษณะเชิงเส้น โดยแต่ละ layer มีหนึ่ง input และหนึ่ง output Functional API ให้ความยืดหยุ่นมากกว่าด้วยการรองรับสถาปัตยกรรมที่ซับซ้อน: หลาย input หลาย output, residual connections และ shared layer graphs ใช้ Sequential สำหรับสถาปัตยกรรมที่เรียบง่ายและ Functional สำหรับกรณีที่ซับซ้อนกว่า
2จะสร้าง Sequential model ที่มี Dense layer 64 neuron ตามด้วย output layer 10 neuron ได้อย่างไร?
จะสร้าง Sequential model ที่มี Dense layer 64 neuron ตามด้วย output layer 10 neuron ได้อย่างไร?
คำตอบ
วิธีมาตรฐานคือการสร้าง instance ของ tf.keras.Sequential() แล้วใช้ model.add() เพื่อเพิ่ม layer ทีละตัว หรือส่ง list ของ layer ไปยัง constructor โดยตรง แต่ละ Dense layer รับจำนวน units เป็นพารามิเตอร์ และ layer แรกต้องระบุ input_shape เพื่อกำหนดรูปร่างของข้อมูลอินพุต
3บทบาทของฟังก์ชันการเปิดใช้งาน 'softmax' ใน output layer คืออะไร?
บทบาทของฟังก์ชันการเปิดใช้งาน 'softmax' ใน output layer คืออะไร?
คำตอบ
ฟังก์ชัน softmax แปลง logits (เอาต์พุตดิบ) เป็นความน่าจะเป็นที่รวมกันได้ 1 ซึ่งเหมาะสำหรับการจำแนกประเภทหลายคลาส แต่ละเอาต์พุตแสดงถึงความน่าจะเป็นที่จะอยู่ในคลาสนั้น โดยทั่วไปใช้กับ categorical_crossentropy loss สำหรับ label แบบ one-hot หรือ sparse_categorical_crossentropy สำหรับ label แบบจำนวนเต็ม
จะกำหนด model ด้วย Functional API ที่มีสอง input ที่แตกต่างกันได้อย่างไร?
ใช้ callback ใดเพื่อหยุดการฝึกสอนเมื่อ validation loss ไม่ดีขึ้นอีกต่อไป?
+19 คำถามสัมภาษณ์
หัวข้อสัมภาษณ์ Data Science & ML อื่นๆ
พื้นฐาน Python
การเขียนโปรแกรมเชิงวัตถุด้วย Python
โครงสร้างข้อมูล Python
พื้นฐาน Git
พื้นฐาน SQL
พื้นฐาน NumPy
พื้นฐาน Pandas
Jupyter & Google Colab
SQL Joins และคิวรีขั้นสูง
Pandas ขั้นสูง
การแสดงผลข้อมูลด้วย Matplotlib & Seaborn
การแสดงผลแบบโต้ตอบด้วย Plotly
สถิติเชิงพรรณนา
สถิติเชิงอนุมาน
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML แบบมีผู้สอน: การถดถอย
ML แบบมีผู้สอน: การจำแนกประเภท
Decision Trees และ Ensembles
Unsupervised ML
ML Pipelines และการตรวจสอบ
Time Series และการพยากรณ์
พื้นฐาน Deep Learning
CNN และการจำแนกภาพ
RNN และซีเควนซ์
Transformers และ Attention
NLP และ Hugging Face
GenAI และ LangChain
MLOps และการ Deploy
เชี่ยวชาญ Data Science & ML สำหรับการสัมภาษณ์ครั้งถัดไป
เข้าถึงคำถามทั้งหมด flashcards แบบทดสอบเทคนิค แบบฝึกหัด code review และตัวจำลองสัมภาษณ์
เริ่มใช้ฟรี