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
›
Трансформатор: пажња у једном пасусу
quiz
90 / 104
🇷🇸
SR
▼
↗
Подели
⋯
Више
+100 XP
📋
Zadatak
📖
Teorija
🤖
AI Pomoć
Zadatak
🌐 shown in EN
📝 **Питање:** Кључна предност у односу на РНН? 📋 Изаберите тачан одговор. 💡 **Савет:** Поново прочитајте горњу теорију ако нисте сигурни.
🎯 Kviz
Pitanje
📝 **Питање:** Кључна предност у односу на РНН? 📋 Изаберите тачан одговор. 💡 **Савет:** Поново прочитајте горњу теорију ако нисте сигурни.
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
💬 Diskusija
Budi prvi — postavi pitanje ili podeli savet.
Prijavi se
da bi se pridružio diskusiji. Čitanje je besplatno.
Učitavanje diskusije…