Ajustament BERT
L'ajustament BERT, basant-se en el model BERT introduït per Devlin i col·laboradors el 2019, reentrena un model BERT preexistent en un petit conjunt de dades etiquetades per a una tasca objectiu com ara classificació, reconeixement d'entitats anomenades o resposta a preguntes. Mitjançant l'aprenentatge per transferència, assoleix un alt rendiment fins i tot amb dades relativament poques específiques de la tasca.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y. & Huang, X. (2019). How to Fine-Tune BERT for Text Classification. CCL. DOI: 10.1007/978-3-030-32381-3_16 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/ca/deep-learning/bert-finetuning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Ajustament fi de GPTAprenentatge profund↔ compare
- LoRA i PEFTAprenentatge profund↔ compare
- Random ForestAprenentatge automàtic↔ compare
- Vision TransformerAprenentatge profund↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →