ترنسفورمر تنظیمشده
تنظیم دقیق یک ترنسفورمر، یک مدل از پیش آموزشدیده بزرگ - مانند BERT، GPT یا ViT - را با ادامه آموزش مبتنی بر گرادیان بر روی یک مجموعه داده هدف برچسبدار، برای یک وظیفه خاص پاییندستی تطبیق میدهد. این پارادایم دو مرحلهای (پیشآموزش سپس تنظیم دقیق) به طور مداوم نتایج پیشرفتهای را در وظایف پردازش زبان طبیعی و بینایی کامپیوتر با دادههای کمتر مخصوص وظیفه نسبت به آموزش از ابتدا به دست میآورد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/fa/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.
- طبقهبندی مبتنی بر بِرْتیادگیری عمیق↔ compare
- طبقهبندی مبتنی بر BERT تنظیمشده دقیقیادگیری عمیق↔ compare
- شبکه عصبی بازگشتی تنظیمشدهیادگیری عمیق↔ compare
- طبقهبندی مبتنی بر RoBERTaیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →