Transferindlæring med LSTM
Transferindlæring med LSTM er en teknik, hvor et Long Short-Term Memory-netværk først forhåndstrænes på et stort kildekorpus eller en stor kildeopgave, hvorefter dets indlærte vægte overføres og finjusteres til en mindre målopgave. Denne tilgang, populariseret af ULMFiT (Howard & Ruder, 2018), gør det muligt for LSTM-baserede modeller at opnå stærk ydeevne, selv når mærkede mål-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 ↗
- Transfer learning. Wikipedia. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/da/deep-learning/transfer-learning-with-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
- Fintunet LSTMDyb læring↔ compare
- Gated Recurrent Unit (GRU)Dyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
- Overførselslæring med Recurrent Neural NetworkDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →