Fino podešeni Transformer
Fino podešavanje Transformera prilagođava veliki pred-obučen model — kao što su BERT, GPT ili ViT — specifičnom ciljnom zadatku nastavljanjem obuke temeljene na gradijentu na označenom ciljnom skupu podataka. Ova dvostupanjska paradigma (pred-obuka pa fino podešavanje) dosljedno postiže najsuvremenije rezultate u zadacima obrade prirodnog jezika i računalnog vida s daleko manje podataka specifičnih za zadatak nego obuka od nule.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Izvori
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/hr/deep-learning/fine-tuned-transformer
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-tem klasifikacijaDuboko učenje↔ compare
- Fino podešena klasifikacija temeljena na BERT-uDuboko učenje↔ compare
- Ugođeni rekurentni neuronski sklopDuboko učenje↔ compare
- Klasifikacija temeljena na RoBERTa-iDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →