Multilayer Perceptron yang Disesuaikan Halus
Multilayer Perceptron yang Disesuaikan Halus dimulai dari bobot yang dipelajari pada tugas sumber — atau kumpulan data sumber umum yang besar — dan melanjutkan pelatihan pada kumpulan data target yang lebih kecil dengan laju pembelajaran yang dikurangi. Penggunaan kembali representasi yang telah dipelajari sebelumnya ini memungkinkan MLP untuk konvergen lebih cepat dan menggeneralisasi lebih baik daripada pelatihan dari awal, terutama ketika data target berlabel langka.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/id/deep-learning/fine-tuned-multilayer-perceptron
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Jaringan Saraf Konvolusional yang Disesuaikan HalusPembelajaran Mendalam↔ bandingkan
- LSTM yang Di-fine-tunePembelajaran Mendalam↔ bandingkan
- Transformer yang Disesuaikan HalusPembelajaran Mendalam↔ bandingkan
- Multilayer Perceptron (MLP)Pembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →