Machine learningDeep learning / NLP / CV

Transformer afinat

Afinar un Transformer adapta un gran model pre-entrenat — com BERT, GPT o ViT — a una tasca específica d'abast inferior mitjançant la continuació de l'entrenament basat en gradients sobre un conjunt de dades objectiu etiquetat. Aquest paradigma de dues etapes (pre-entrenament i posterior afinació) aconsegueix de manera constant resultats d'avantguarda en tasques de PLN i visió per computador amb molta menys dades específiques de la tasca que entrenant des de zero.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

+4 more

Fonts

  1. 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
  2. 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

Com citar aquesta pàgina

ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/ca/deep-learning/fine-tuned-transformer

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.

Compare side by side

Citat per

ScholarGateFine-Tuned Transformer (Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models)). Recuperat el 2026-06-15 de https://scholargate.app/ca/deep-learning/fine-tuned-transformer · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026