تنظیم دقیق BERT
تنظیم دقیق BERT، که بر اساس مدل BERT معرفی شده توسط Devlin و همکاران در سال ۲۰۱۹ بنا شده است، یک مدل از پیش آموزش دیده BERT را بر روی مجموعه داده برچسبدار کوچکی برای یک وظیفه هدف مانند طبقهبندی، تشخیص موجودیت نامگذاری شده، یا پاسخ به پرسش، مجدداً آموزش میدهد. از طریق یادگیری انتقالی، حتی با دادههای نسبتاً کمی مختص وظیفه، به عملکرد بالایی دست مییابد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/fa/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.
- تنظیم دقیق GPTیادگیری عمیق↔ compare
- لورا و PEFTیادگیری عمیق↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- ترنسفورمر بینایییادگیری عمیق↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →