Finomhangolt többrétegű perceptron
A finomhangolt többrétegű perceptron (MLP) egy forrásfeladaton – vagy egy nagyméretű, általános célú adathalmazon – tanult súlyokkal indul, és egy kisebb céladat-halmazon, csökkentett tanulási rátával folytatja a képzést. Az előzetesen tanult reprezentációk újrafelhasználása lehetővé teszi az MLP számára, hogy gyorsabban konvergáljon és jobban általánosítson, mint az alapokról induló képzés, különösen akkor, ha kevés a címkézett céladat.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/hu/deep-learning/fine-tuned-multilayer-perceptron
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Finomhangolt konvolúciós neurális hálózatMélytanulás↔ összehasonlítás
- Finomhangolt LSTMMélytanulás↔ összehasonlítás
- Finomhangolt TransformerMélytanulás↔ összehasonlítás
- Multilayer Perceptron (MLP)Mélytanulás↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →