Siirto-oppiminen LSTM:llä
Siirto-oppiminen LSTM:llä (Long Short-Term Memory) on tekniikka, jossa ensin esikoulutetaan pitkä lyhytkestoinen muistiverkko suurella lähdekorpuksella tai tehtävällä, ja sitten sen opitut painot siirretään ja hienosäädetään pienempään kohdetehtävään. Tämä lähestymistapa, jonka ULMFiT (Howard & Ruder, 2018) popularisoi, mahdollistaa LSTM-pohjaisten mallien saavuttaa vahva suorituskyky, vaikka merkittyä kohdedataa olisi vähän.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/fi/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.
- BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Hienosäädetty LSTMSyväoppiminen↔ compare
- Gated Recurrent Unit (GRU)Syväoppiminen↔ compare
- Pitkä lyhytkestoinen muisti (LSTM)Syväoppiminen↔ compare
- Siirto-oppiminen toistuvalla neuroverkollaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →