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
›
Transformátor: pozornosť v jednom odseku
quiz
90 / 104
🇸🇰
SK
▼
↗
Zdieľať
⋯
Viac
+100 XP
📋
Úloha
📖
Teória
🤖
Pomoc AI
Úloha
🌐 shown in EN
📝 **Otázka:** Kľúčová výhoda oproti RNN? 📋 Vyberte správnu odpoveď. 💡 **Tip:** Ak si nie ste istí, prečítajte si znova teóriu vyššie.
🎯 Kvíz
Otázka
📝 **Otázka:** Kľúčová výhoda oproti RNN? 📋 Vyberte správnu odpoveď. 💡 **Tip:** Ak si nie ste istí, prečítajte si znova teóriu vyššie.
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.
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…