Finetunet Multilags Perceptron
En finetunet multilags perceptron starter fra vægte, der er lært på en kildeopgave — eller et stort generelt datasæt — og fortsætter træningen på et mindre målgruppedatasæt med en reduceret læringsrate. Genbrugen af forudlærte repræsentationer gør det muligt for MLP'en at konvergere hurtigere og generalisere bedre end træning fra bunden, især 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
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-multilayer-perceptron
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.
- Finetunet Convolutional Neural NetworkDyb læring↔ compare
- Fintunet LSTMDyb læring↔ compare
- Fintunet TransformerDyb læring↔ compare
- Multilayer Perceptron (MLP)Dyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →