Preskoči na glavni sadržaj
🔒 Način pregleda. Prvih petnaest Foundations lekcija je besplatno; ova je Pro. Pokrenite 7-dnevni trial da otključate editor, AI savjete i ostatak programa. Kartica obavezna, otkažite bilo kada u Dashboard.
Pokreni 7-dnevni trial →
⚡
← Kolegiji
›
Data Science Applied
›
Modul 6 · Duboko učenje + MLOps
›
Širenje unatrag: primijenjeno lančano pravilo
quiz
86 / 104
🇭🇷
HR
▼
↗
Podijeli
⋯
Više
+100 XP
📋
Zadatak
📖
Teorija
🤖
AI Pomoć
Zadatak
🌐 shown in EN
📝 **Pitanje:** Zašto je autodiff velika stvar? 📋 Odaberite pravi odgovor. 💡 **Savjet:** Ponovno pročitajte gornju teoriju ako niste sigurni.
🎯 Kviz
Pitanje
📝 **Pitanje:** Zašto je autodiff velika stvar? 📋 Odaberite pravi odgovor. 💡 **Savjet:** Ponovno pročitajte gornju teoriju ako niste sigurni.
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.
Odgovori
💬 Rasprava
Budi prvi — postavi pitanje ili podijeli savjet.
Prijavi se
kako bi se pridružio raspravi. Čitanje je besplatno.
Učitavanje rasprave…