BERT Fine-Tuning
BERT fine-tuning, balstīta uz BERT modeli, ko 2019. gadā ieviesa Devlins un kolēģi, atkārtoti apmāca iepriekš apmācītu BERT modeli uz neliela marķēta datu kopuma konkrētam uzdevumam, piemēram, klasifikācijai, nosaukto entitāšu atpazīšanai vai jautājumu atbildēšanai. Izmantojot pārsūtīšanas apmācību, tā sasniedz augstu veiktspēju pat ar salīdzinoši maz datiem, kas specifiski uzdevumam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y. & Huang, X. (2019). How to Fine-Tune BERT for Text Classification. CCL. DOI: 10.1007/978-3-030-32381-3_16 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/lv/deep-learning/bert-finetuning
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.
- GPT smalkoregulēšanaDziļā mācīšanās↔ compare
- LoRA un PEFTDziļā mācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Vision TransformerDziļā mācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →