طبقهبندی مبتنی بر بِرْت
طبقهبندی مبتنی بر بِرْت مدل "بازنماییهای رمزگذار دوطرفه ترانسفورمر" (Bidirectional Encoder Representations from Transformers) گوگل را بر روی یک مجموعه داده متنی برچسبدار تنظیم دقیق (fine-tune) میکند و سرِ از پیش آموزشدیده عمومی را با یک لایه طبقهبندی ویژه وظیفه جایگزین مینماید. این روش از زمینه دوطرفه عمیق صدها میلیون پارامتر از پیش آموزشدیده برای دستیابی به دقت پیشرفته در وظایف طبقهبندی متن کوتاه و متوسط با مقادیر نسبتاً اندک داده برچسبدار بهره میبرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+60 more
منابع
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to Fine-Tune BERT for Text Classification? In China National Conference on Chinese Computational Linguistics (CCL 2019), Lecture Notes in Computer Science, vol 11856, pp. 194–206. Springer. DOI: 10.1007/978-3-030-32381-3_16 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Bidirectional Encoder Representations from Transformers for Text Classification. ScholarGate. https://scholargate.app/fa/deep-learning/bert-based-classification
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.
- حافظه طولانی کوتاهمدت (LSTM)یادگیری عمیق↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
- طبقهبندی مبتنی بر RoBERTaیادگیری عمیق↔ compare
- تعبیههای جملهیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →