یادگیری انتقالی با LSTM
یادگیری انتقالی با LSTM تکنیکی است که در آن یک شبکه حافظه طولانی کوتاهمدت (Long Short-Term Memory) ابتدا بر روی یک مجموعه داده بزرگ منبع یا وظیفه پیشآموزش داده میشود، و سپس وزنهای آموختهشده آن به یک وظیفه هدف کوچکتر منتقل و تنظیم دقیق (fine-tuned) میشوند. این رویکرد که توسط ULMFiT (Howard & Ruder, 2018) محبوبیت یافت، به مدلهای مبتنی بر LSTM اجازه میدهد تا حتی زمانی که دادههای هدف برچسبدار کمیاب هستند، به عملکرد قوی دست یابند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/fa/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.
- طبقهبندی مبتنی بر بِرْتیادگیری عمیق↔ compare
- LSTM تنظیمشدهیادگیری عمیق↔ compare
- واحد تکرارشونده گیتدار (GRU)یادگیری عمیق↔ compare
- حافظه طولانی کوتاهمدت (LSTM)یادگیری عمیق↔ compare
- یادگیری انتقالی با شبکه عصبی بازگشتییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →