BERT Finjustering
BERT finjustering, baseret på BERT-modellen introduceret af Devlin og kolleger i 2019, genoptræner en forudtrænet BERT-model på et lille mærket datasæt til en målopgave såsom klassifikation, navngiven enhedsgenkendelse eller spørgsmål-svar. Gennem transfer learning opnår den høj ydeevne selv med relativt lidt opgavespecifik data.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/da/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.
- GPT FinjusteringDyb læring↔ compare
- LoRA og PEFTDyb læring↔ compare
- Random ForestMaskinlæring↔ compare
- Vision TransformerDyb læring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →