Pielāgots daudzslāņu perceptrons
Pielāgots daudzslāņu perceptrons (MLP) sākas ar svariem, kas iemācīti avota uzdevumā — vai lielā vispārīgas nozīmes datu kopā — un turpina apmācību mazākā mērķa datu kopā ar samazinātu mācīšanās ātrumu. Šī iepriekš iemācīto attēlojumu atkārtota izmantošana ļauj MLP ātrāk konverģēt un labāk vispārināties nekā apmācība no nulles, īpaši, ja apzīmētu mērķa datu ir maz.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/lv/deep-learning/fine-tuned-multilayer-perceptron
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Fine-Tuned konvolucionālais neironu tīklsDziļā mācīšanās↔ salīdzināt
- Pielāgots LSTMDziļā mācīšanās↔ salīdzināt
- Precīzi noskaņots transformatorsDziļā mācīšanās↔ salīdzināt
- Daudzslāņu perceptrons (MLP)Dziļā mācīšanās↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →