Pielāgots LSTM
Pielāgots LSTM pielāgo iepriekš apmācītu lielo tekstu korpusu Long Short-Term Memory tīklu konkrētam pakārtotajam uzdevumam — piemēram, teksta klasifikācijai, sentimenta analīzei vai secības marķēšanai — turpinot apmācību uz uzdevumam specifiskiem marķētiem datiem. Popularizēta ar ULMFiT sistēmu, šī pieeja sasniedz spēcīgu veiktspēju pat tad, ja marķēto 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
- 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 ↗
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Long Short-Term Memory Network. ScholarGate. https://scholargate.app/lv/deep-learning/fine-tuned-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 klasifikācijaDziļā mācīšanās↔ compare
- Pielāgotais GRUDziļā mācīšanās↔ compare
- Pielāgots rekurentais neironu tīklsDziļā mācīšanās↔ compare
- Precīzi noskaņots transformatorsDziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Pārneses mācīšanās ar LSTMDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →