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
›
Transformátor: pozornost v jednom odstavci
quiz
90 / 104
🇨🇿
CS
▼
↗
Sdílet
⋯
Více
+100 XP
📋
Úkol
📖
Teorie
🤖
Pomoc AI
Úkol
🌐 shown in EN
📝 **Otázka:** Klíčová výhoda oproti RNN? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
🎯 Kvíz
Otázka
📝 **Otázka:** Klíčová výhoda oproti RNN? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
A
Smaller parameter counts — attention layers share weights across positions, so a transformer needs fewer params than an RNN.
B
Parallelism + O(1) connection between any two tokens. RNN was sequential and forgot long-range info.
C
Better gradient flow — softmax outputs bounded values, so attention layers avoid the vanishing-gradient issue of LSTMs entirely.
D
Cheaper inference per token — attention's KV-cache lets you skip recomputing earlier states the way an RNN had to.
Odpovědět
💬 Diskuze
Buď první — polož otázku nebo se podělej o tip.
Přihlas se
abys se zapojil do diskuze. Čtení je zdarma.
Načítání diskuze…