Finetunet Recurrent Neural Network
Et finetunet Recurrent Neural Network (RNN) starter fra en model, der er fortrænet på store korpora eller tidsseriedata, og tilpasser dens vægte til en specifik downstream-opgave gennem kontrollerede gradientopdateringer. Tilgangen reducerer dramatisk den mængde mærkede data, der er nødvendig for stærk sekvensmodelleringsydelse inden for tekstklassifikation, navngiven enhedsgenkendelse, sentimentanalyse og relaterede opgaver.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of ACL 2018, 328–339. DOI: 10.18653/v1/P18-1031 ↗
- Recurrent neural network. Wikipedia. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Recurrent Neural Network (Transfer Learning for Sequence Models). ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-recurrent-neural-network
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Fintunet LSTMDyb læring↔ sammenlign
- Fintunet TransformerDyb læring↔ sammenlign
- Gated Recurrent Unit (GRU)Dyb læring↔ sammenlign
- Long Short-Term Memory (LSTM)Dyb læring↔ sammenlign
- Recurrent Neural NetworkDyb læring↔ sammenlign
- Overførselslæring med Recurrent Neural NetworkDyb læring↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →