Aprenentatge per transferència amb LSTM
L'aprenentatge per transferència amb LSTM és una tècnica en la qual una xarxa de memòria a llarg termini (Long Short-Term Memory) es pre-entrena primer en un gran corpus o tasca font, i després els seus pesos apresos es transfereixen i s'ajusten finament en una tasca objectiu més petita. Aquest enfocament, popularitzat per ULMFiT (Howard & Ruder, 2018), permet que els models basats en LSTM assoleixin un rendiment sòlid fins i tot quan les dades objectiu etiquetades són escasses.
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
- Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (ACL), 328–339. DOI: 10.18653/v1/P18-1031 ↗
- Transfer learning. Wikipedia. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/ca/deep-learning/transfer-learning-with-lstm
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.
- Classificació basada en BERTAprenentatge profund↔ compare
- LSTM afinadaAprenentatge profund↔ compare
- Unitat recurrent amb portes (GRU)Aprenentatge profund↔ compare
- Long Short-Term Memory (LSTM)Aprenentatge profund↔ compare
- Aprenentatge per transferència amb xarxa neuronal recurrentAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →