Perceptron multicouche affiné
Un perceptron multicouche affiné part de poids appris sur une tâche source — ou un grand jeu de données généraliste — et poursuit l'entraînement sur un jeu de données cible plus petit avec un taux d'apprentissage réduit. Cette réutilisation de représentations pré-apprises permet au MLP de converger plus rapidement et de généraliser mieux que l'entraînement à partir de zéro, surtout lorsque les données cibles étiquetées sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/fr/deep-learning/fine-tuned-multilayer-perceptron
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Réseau neuronal convolutif affinéApprentissage profond↔ comparer
- LSTM affinéApprentissage profond↔ comparer
- Transformer affinéApprentissage profond↔ comparer
- Perceptron multicouche (MLP)Apprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →