Přenosové učení s LSTM
Přenosové učení s LSTM je technika, při které je síť typu Long Short-Term Memory (LSTM) nejprve předtrénována na velkém zdrojovém korpusu nebo úloze a poté jsou její naučené váhy přeneseny a doladěny na menší cílové úloze. Tento přístup, popularizovaný metodou ULMFiT (Howard & Ruder, 2018), umožňuje modelům založeným na LSTM dosáhnout silného výkonu i při nedostatku označených cílových dat.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Jemně doladěné LSTMHluboké učení↔ compare
- Gated Recurrent Unit (GRU)Hluboké učení↔ compare
- Dlouhodobá krátkodobá paměť (LSTM)Hluboké učení↔ compare
- Přenosové učení s rekurentní neuronovou sítíHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →