Fintunet LSTM
Fintunet LSTM tilpasser et Long Short-Term Memory-netværk, der er forhåndstrænet på et stort korpus, til en specifik downstream-opgave – såsom tekstklassifikation, sentimentanalyse eller sekvensmærkning – ved at fortsætte træningen på opgavespecifikke mærkede data. Denne tilgang, der blev populariseret af ULMFiT-rammeværket, opnår stærk ydeevne, selv når mærkede data 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
- 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 ↗
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Long Short-Term Memory Network. ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-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.
- BERT-baseret klassifikationDyb læring↔ compare
- Finjusteret GRUDyb læring↔ compare
- Finetunet Recurrent Neural NetworkDyb læring↔ compare
- Fintunet TransformerDyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
- Transferindlæring med LSTMDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →