Фино настройване на Трансформър
Финото настройване на Трансформър адаптира голям предварително обучен модел — като BERT, GPT или ViT — към специфична последваща задача чрез продължаване на обучението, базирано на градиенти, върху маркиран целеви набор от данни. Тази двуетапна парадигма (предварително обучение, след това фино настройване) последователно постига най-съвременни резултати в задачи от обработката на естествен език (NLP) и компютърното зрение с далеч по-малко данни, специфични за задачата, отколкото обучението от нулата.
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.
+4 още
Източници
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/bg/deep-learning/fine-tuned-transformer
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.
- Класификация, базирана на BERTДълбоко обучение↔ сравняване
- Класификация, базирана на фино настроен BERTДълбоко обучение↔ сравняване
- Фино настроена рекурентна невронна мрежаДълбоко обучение↔ сравняване
- Класификация, базирана на RoBERTaДълбоко обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →