Фино настроен GRU
Фино настроен GRU адаптира мрежа с гейтирани рекурентни единици (GRU) — предварително обучена върху голям изходен набор от данни — към специфична целева задача или домейн чрез продължаване на обучението върху маркирани данни, специфични за домейна. Това комбинира капацитета за последователна памет на GRU с ползите от трансферното обучение, постигайки силно представяне дори когато маркираните целеви данни са оскъдни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724-1734. link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. DOI: 10.1109/TKDE.2009.191 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Fine-Tuned Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/bg/deep-learning/fine-tuned-gru
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Фино настроен LSTMДълбоко обучение↔ сравняване
- Фино настройване на ТрансформърДълбоко обучение↔ сравняване
- Вентилна рекурентна единица (GRU)Дълбоко обучение↔ сравняване
- Дългосрочна краткосрочна памет (LSTM)Дълбоко обучение↔ сравняване
- Рекурентна невронна мрежаДълбоко обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →