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
›
Transformator: pozornost u jednom paragrafu
quiz
90 / 104
🇭🇷
HR
▼
↗
Podijeli
⋯
Više
+100 XP
📋
Zadatak
📖
Teorija
🤖
AI Pomoć
Zadatak
🌐 shown in EN
📝 **Pitanje:** Ključna prednost u odnosu na RNN? 📋 Odaberite pravi odgovor. 💡 **Savjet:** Ponovno pročitajte gornju teoriju ako niste sigurni.
🎯 Kviz
Pitanje
📝 **Pitanje:** Ključna prednost u odnosu na RNN? 📋 Odaberite pravi odgovor. 💡 **Savjet:** Ponovno pročitajte gornju teoriju ako niste sigurni.
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.
Odgovori
💬 Rasprava
Budi prvi — postavi pitanje ili podijeli savjet.
Prijavi se
kako bi se pridružio raspravi. Čitanje je besplatno.
Učitavanje rasprave…