یادگیری انتقالی با شبکه عصبی بازگشتی
یادگیری انتقالی با شبکه عصبی بازگشتی (TL-RNN) وزنهای آموختهشده توسط یک شبکه عصبی بازگشتی (RNN) را در یک وظیفه منبع بزرگ — مانند مدلسازی زبان یا پیشبینی توالی — مجدداً استفاده میکند و آنها را با یک وظیفه هدف جدید و اغلب کوچکتر تطبیق میدهد. این استراتژی به متخصصان امکان میدهد تا بدون نیاز به مجموعه دادههای برچسبگذاریشده عظیم، عملکرد قوی در مدلسازی توالی به دست آورند.
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
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- Transfer learning. Wikipedia. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Recurrent Neural Network (TL-RNN). ScholarGate. https://scholargate.app/fa/deep-learning/transfer-learning-with-recurrent-neural-network
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.
- شبکه عصبی بازگشتی تنظیمشدهیادگیری عمیق↔ compare
- واحد تکرارشونده گیتدار (GRU)یادگیری عمیق↔ compare
- حافظه طولانی کوتاهمدت (LSTM)یادگیری عمیق↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
- یادگیری انتقالی با LSTMیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →