Перейти до основного вмісту
🔒 Режим прев'ю. Перші 15 уроків Foundations — безкоштовні; цей — Pro. Запусти 7-денний trial щоб відкрити редактор, AI-підказки і решту курсу. Потрібна картка, скасування в Dashboard у будь-який момент.
Почати 7-денний trial →
⚡
← Курси
›
Data Science Applied
›
Модуль 6 · Глибоке навчання + MLOps
›
Трансформер: увага одним абзацом
quiz
90 / 104
🇺🇦
UA
▼
↗
Поділитись
⋯
Ще
+100 XP
📋
Завдання
📖
Теорія
🤖
AI Допомога
Завдання
🌐 shown in EN
📝 **Питання:** Ключова перевага перед RNN? 📋 Виберіть правильну відповідь. 💡 **Підказка:** Перечитайте наведену вище теорію, якщо не впевнені.
🎯 Тест
Питання
📝 **Питання:** Ключова перевага перед RNN? 📋 Виберіть правильну відповідь. 💡 **Підказка:** Перечитайте наведену вище теорію, якщо не впевнені.
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.
Відповісти
💬 Обговорення
Будьте першим — поставте запитання або поділіться порадою.
Увійдіть
щоб приєднатися до обговорення. Читання безкоштовне.
Завантаження обговорення…