BERT-Feinabstimmung
Die BERT-Feinabstimmung, aufbauend auf dem 2019 von Devlin und Kollegen eingeführten BERT-Modell, trainiert ein vortrainiertes BERT-Modell auf einem kleinen gelabelten Datensatz für eine Zielaufgabe wie Klassifikation, Named-Entity Recognition oder Question Answering neu. Durch Transferlernen erreicht sie auch mit relativ wenig aufgabenspezifischen Daten eine hohe Leistung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y. & Huang, X. (2019). How to Fine-Tune BERT for Text Classification. CCL. DOI: 10.1007/978-3-030-32381-3_16 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/de/deep-learning/bert-finetuning
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.
- GPT-FeinabstimmungDeep Learning↔ compare
- LoRA und PEFTDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Vision TransformerDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →