Fine-Tuned Transformer
Das Fine-Tuning eines Transformers passt ein großes vortrainiertes Modell – wie BERT, GPT oder ViT – an eine spezifische nachgelagerte Aufgabe an, indem das gradientenbasierte Training auf einem gelabelten Zieldatensatz fortgesetzt wird. Dieses zweistufige Paradigma (Vortrainieren, dann Fine-Tuning) erzielt durchweg Spitzenleistungen bei NLP- und Computer-Vision-Aufgaben mit weitaus weniger aufgabenspezifischen Daten als das Training von Grund auf.
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.
+4 more
Quellen
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/de/deep-learning/fine-tuned-transformer
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-basierte KlassifikationDeep Learning↔ compare
- Feinabgestimmte BERT-basierte KlassifikationDeep Learning↔ compare
- Feinabgestimmtes rekurrierendes neuronales NetzDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →