Прескочи на главни садржај
🔒 Режим прегледа. Првих петнаест Foundations лекција је бесплатно; ова је Pro. Покрените 7-дневни trial да откључате едитор, AI савете и остатак курса. Картица је обавезна, можете отказати у било ком тренутку у Dashboard.
Покрени 7-дневни trial →
⚡
← Kursevi
›
Data Science Applied
›
Модул 6 · Дубоко учење + МЛОпс
›
Пропагација уназад: примењено правило ланца
quiz
86 / 104
🇷🇸
SR
▼
↗
Подели
⋯
Више
+100 XP
📋
Zadatak
📖
Teorija
🤖
AI Pomoć
Zadatak
🌐 shown in EN
📝 **Питање:** Зашто је аутодифф велика ствар? 📋 Изаберите тачан одговор. 💡 **Савет:** Поново прочитајте горњу теорију ако нисте сигурни.
🎯 Kviz
Pitanje
📝 **Питање:** Зашто је аутодифф велика ствар? 📋 Изаберите тачан одговор. 💡 **Савет:** Поново прочитајте горњу теорију ако нисте сигурни.
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
💬 Diskusija
Budi prvi — postavi pitanje ili podeli savet.
Prijavi se
da bi se pridružio diskusiji. Čitanje je besplatno.
Učitavanje diskusije…