Pielāgotais GRU
Pielāgotais GRU ir Gated Recurrent Unit (GRU) tīkls — iepriekš apmācīts uz liela avota datu kopuma — kas tiek pielāgots konkrētam mērķa uzdevumam vai domēnai, turpinot apmācību uz domēnai specifiskiem marķētiem datiem. Tas apvieno GRU spēju atcerēties secības ar pārsūtīšanas apmācības efektivitāti, panākot spēcīgu veiktspēju pat tad, ja marķēto mērķa datu ir maz.
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
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724-1734. link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. DOI: 10.1109/TKDE.2009.191 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/lv/deep-learning/fine-tuned-gru
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.
- Pielāgots LSTMDziļā mācīšanās↔ compare
- Precīzi noskaņots transformatorsDziļā mācīšanās↔ compare
- Gated Recurrent Unit (GRU)Dziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →