Prejsť na hlavný obsah
🔒 Režim náhľadu. Prvých pätnásť lekcií Foundations je zadarmo; táto je Pro. Spustite 7-dňový trial pre odomknutie editora, AI nápovied a zvyšku kurzu. Karta vyžadovaná, zrušte kedykoľvek v Dashboard.
Spustiť 7-dňový trial →
⚡
← Kurzy
›
Data Science Applied
›
Modul 6 · Hlboké učenie + MLOps
›
Backpropagation: aplikované reťazové pravidlo
quiz
86 / 104
🇸🇰
SK
▼
↗
Zdieľať
⋯
Viac
+100 XP
📋
Úloha
📖
Teória
🤖
Pomoc AI
Úloha
🌐 shown in EN
📝 **Otázka:** Prečo je autodiff veľký problém? 📋 Vyberte správnu odpoveď. 💡 **Tip:** Ak si nie ste istí, prečítajte si znova teóriu vyššie.
🎯 Kvíz
Otázka
📝 **Otázka:** Prečo je autodiff veľký problém? 📋 Vyberte správnu odpoveď. 💡 **Tip:** Ak si nie ste istí, prečítajte si znova teóriu vyššie.
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.
Odpovedať
💬 Diskusia
Buď prvý — polož otázku alebo sa podeľ o tip.
Prihlás sa
aby si sa zapojil do diskusie. Čítanie je zadarmo.
Načítava sa diskusia…