Finjusteret GRU
Finjusteret GRU tilpasser et Gated Recurrent Unit (GRU) netværk – fortrænet på et stort kildedatasæt – til en specifik måltaske eller domæne ved at fortsætte træningen på domænespecifikke mærkede data. Dette kombinerer GRU'ers sekventielle hukommelseskapacitet med effektivitetsgevinster fra transfer learning, hvilket opnår stærk ydeevne, selv når mærkede måldata er knappe.
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
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724-1734. link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. DOI: 10.1109/TKDE.2009.191 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-gru
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.
- Fintunet LSTMDyb læring↔ compare
- Fintunet TransformerDyb læring↔ compare
- Gated Recurrent Unit (GRU)Dyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →