Ajustement fin de BERT
L'ajustement fin de BERT, s'appuyant sur le modèle BERT introduit par Devlin et ses collègues en 2019, réentraîne un modèle BERT pré-entraîné sur un petit jeu de données étiqueté pour une tâche cible telle que la classification, la reconnaissance d'entités nommées ou la réponse aux questions. Grâce à l'apprentissage par transfert, il atteint des performances élevées même avec relativement peu de données spécifiques à la tâche.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/fr/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.
- Ajustement fin de GPTApprentissage profond↔ compare
- LoRA et PEFTApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Vision TransformerApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →