Transzfer Tanulás LSTM-mel
A Transzfer Tanulás LSTM-mel egy olyan technika, amely során egy Long Short-Term Memory (LSTM) hálózatot először egy nagy forráskorpuszon vagy feladaton előképzünk, majd a tanult súlyokat átvisszük és finomhangoljuk egy kisebb célfeladaton. Ez az ULMFiT (Howard & Ruder, 2018) által népszerűsített megközelítés lehetővé teszi az LSTM-alapú modellek számára, hogy még akkor is erős teljesítményt érjenek el, ha a címkézett céladat kevés.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/hu/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-alapú osztályozásMélytanulás↔ compare
- Finomhangolt LSTMMélytanulás↔ compare
- Gated Recurrent Unit (GRU)Mélytanulás↔ compare
- Long Short-Term Memory (LSTM)Mélytanulás↔ compare
- Transzfer Tanulás Rekurrens Neurális HálózattalMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →