Feinabgestimmter Mehrschichten-Perzeptron
Ein feinabgestimmter Mehrschichten-Perzeptron (MLP) beginnt mit Gewichten, die auf einer Quellaufgabe – oder einem großen, allgemeinen Datensatz – gelernt wurden, und setzt das Training auf einem kleineren Zieldatensatz mit einer reduzierten Lernrate fort. Diese Wiederverwendung vortrainierter Repräsentationen ermöglicht es dem MLP, schneller zu konvergieren und besser zu generalisieren als ein Training von Grund auf, insbesondere wenn beschriftete Zieldaten knapp sind.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/de/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.
- Feinabgestimmtes Convolutional Neural NetworkDeep Learning↔ compare
- Fine-Tuned LSTMDeep Learning↔ compare
- Fine-Tuned TransformerDeep Learning↔ compare
- Mehrschichtiges Perzeptron (MLP)Deep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →