Ajuste fino de BERT
El ajuste fino de BERT, basándose en el modelo BERT introducido por Devlin y sus colegas en 2019, reentrena un modelo BERT preentrenado en un pequeño conjunto de datos etiquetados para una tarea objetivo como clasificación, reconocimiento de entidades nombradas o respuesta a preguntas. Mediante el aprendizaje por transferencia, alcanza un alto rendimiento incluso con relativamente pocos datos específicos de la tarea.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/es/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.
- Ajuste fino de GPTAprendizaje profundo↔ compare
- LoRA y PEFTAprendizaje profundo↔ compare
- Random ForestAprendizaje automático↔ compare
- Vision TransformerAprendizaje profundo↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →