CNN та класифікація зображень
Convolutions, pooling, архітектури (VGG, ResNet), transfer learning, data augmentation, fine-tuning
1Що таке операція convolution у CNN?
Що таке операція convolution у CNN?
Відповідь
Convolution — це математична операція, що застосовує фільтр (kernel) до зображення, переміщуючи цей фільтр по входу та обчислюючи скалярний добуток у кожній позиції. Це дозволяє витягувати локальні feature, такі як краї, текстури чи візерунки. На відміну від щільних мереж, де кожен нейрон з'єднаний з усіма входами, convolution використовує просторову структуру зображень, розділяючи ваги фільтра по всьому зображенню.
2Яка роль stride у шарі convolution?
Яка роль stride у шарі convolution?
Відповідь
Stride визначає розмір кроку під час переміщення фільтра по зображенню. Stride 1 переміщує фільтр на один піксель на кожному кроці, тоді як stride 2 переміщує його на 2 пікселі, зменшуючи розмір виходу. Збільшення stride дозволяє зменшити просторовий вимір feature map та обчислювальну вартість, але також може спричинити втрату інформації, якщо stride занадто великий.
3Яка мета padding у шарі convolution?
Яка мета padding у шарі convolution?
Відповідь
Padding полягає в додаванні пікселів (зазвичай нулів) навколо вхідного зображення перед застосуванням convolution. Це дозволяє контролювати розмір виходу та зберігати інформацію на краях зображення. З 'same' padding вихід має такий же розмір, як і вхід, тоді як з 'valid' (без padding) розмір зменшується. Padding також запобігає недостатньому представленню пікселів країв у feature map.
Яка різниця між Max Pooling та Average Pooling?
Що таке feature map у CNN?
+21 питань зі співбесід
Інші теми співбесід Data Science & ML
Основи Python
Об'єктно-орієнтоване програмування Python
Структури даних Python
Основи Git
Основи SQL
Основи NumPy
Основи Pandas
Jupyter & Google Colab
SQL Joins та розширені запити
Просунутий Pandas
Візуалізація з Matplotlib & Seaborn
Інтерактивні візуалізації з Plotly
Описова статистика
Інференційна статистика
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Кероване ML: Регресія
Кероване ML: Класифікація
Дерева рішень та ансамблі
Некероване ML
ML Pipelines та валідація
Часові ряди та прогнозування
Основи Deep Learning
TensorFlow & Keras
RNN та послідовності
Transformers та Attention
NLP та Hugging Face
GenAI та LangChain
MLOps та розгортання
Опануй Data Science & ML для наступної співбесіди
Отримай доступ до всіх питань, flashcards, технічних тестів, вправ code review та симуляторів співбесід.
Почни безкоштовно