Μεταφορική Μάθηση με LSTM
Η Μεταφορική Μάθηση με LSTM είναι μια τεχνική κατά την οποία ένα δίκτυο Long Short-Term Memory προ-εκπαιδεύεται αρχικά σε ένα μεγάλο αρχικό σώμα κειμένων ή εργασία, και στη συνέχεια τα εκπαιδευμένα βάρη του μεταφέρονται και τελειοποιούνται σε μια μικρότερη εργασία-στόχο. Αυτή η προσέγγιση, που διαδόθηκε από το ULMFiT (Howard & Ruder, 2018), επιτρέπει στα μοντέλα που βασίζονται σε LSTM να επιτυγχάνουν ισχυρές επιδόσεις ακόμα και όταν τα επισημασμένα δεδομένα-στόχο είναι σπάνια.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/el/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.
- Ταξινόμηση Βασισμένη σε BERTΒαθιά Μάθηση↔ compare
- Βελτιστοποιημένη LSTMΒαθιά Μάθηση↔ compare
- Επαναλαμβανόμενη Μονάδα με Πύλες (GRU)Βαθιά Μάθηση↔ compare
- Μνήμη Μακράς Βραχείας Διάρκειας (LSTM)Βαθιά Μάθηση↔ compare
- Εκμάθηση Μεταφοράς με Επαναλαμβανόμενο Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →