BERT-hienosäätö
BERT-hienosäätö, joka perustuu Devlinin ja kollegoiden vuonna 2019 esittelemään BERT-malliin, uudelleenkouluttaa esikoulutetun BERT-mallin pienellä merkityllä aineistolla kohdetehtävää varten, kuten luokittelua, nimettyjen entiteettien tunnistusta tai kysymys-vastausjärjestelmää. Siirtymäoppimisen avulla se saavuttaa korkean suorituskyvyn suhteellisen vähällä tehtäväkohtaisella datalla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/fi/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.
- GPT-mallin hienosäätöSyväoppiminen↔ compare
- LoRA ja PEFTSyväoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Vision TransformerSyväoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →