Přejít k hlavnímu obsahu
🔒 Režim náhledu. Prvních patnáct lekcí Foundations je zdarma; tato je Pro. Spusťte 7denní trial pro odemčení editoru, AI nápověd a zbytku kurzu. Karta vyžadována, zrušte kdykoli v Dashboard.
Spustit 7denní trial →
⚡
← Kurzy
›
Data Science Applied
›
Modul 6 · Hluboké učení + MLOps
›
Backpropagation: aplikováno řetězové pravidlo
quiz
86 / 104
🇨🇿
CS
▼
↗
Sdílet
⋯
Více
+100 XP
📋
Úkol
📖
Teorie
🤖
Pomoc AI
Úkol
🌐 shown in EN
📝 **Otázka:** Proč je autodiff tak velký problém? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
🎯 Kvíz
Otázka
📝 **Otázka:** Proč je autodiff tak velký problém? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
A
Reverse-mode autodiff uses less GPU memory than the forward pass since gradients are stored as int8.
B
Computes ∂loss/∂w automatically — no manual derivation per layer. Lets you swap architectures freely.
C
Autodiff is the only way to compute second-order derivatives required for the Adam optimizer's update rule.
D
It replaces symbolic differentiation, which is slower because SymPy must simplify every algebraic expression.
Odpovědět
💬 Diskuze
Buď první — polož otázku nebo se podělej o tip.
Přihlas se
abys se zapojil do diskuze. Čtení je zdarma.
Načítání diskuze…