ScholarGate
Asistents
Machine learningDeep learning / NLP / CV

Precīzi noskaņots transformators

Transformatora precīza noskaņošana pielāgo lielu iepriekš apmācītu modeli — piemēram, BERT, GPT vai ViT — konkrētam pakārtotam uzdevumam, turpinot uz gradientiem balstītu apmācību ar iezīmētu mērķa datu kopu. Šī divpakāpju paradigma (iepriekšēja apmācība un pēc tam precīza noskaņošana) konsekventi sasniedz vismodernākos rezultātus NLP un datorredzes uzdevumos ar daudz mazāku uzdevumam specifisku datu apjomu nekā apmācība no nulles.

Atvērt MethodMindDrīzumāVideoDrīzumāLejupielādēt slaidus

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Metožu karte

Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.

+vēl 4

Avoti

  1. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link
  2. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link

Kā citēt šo lapu

ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/lv/deep-learning/fine-tuned-transformer

Kura metode?

Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.

Salīdzināt blakus

Uz to atsaucas

ScholarGateFine-Tuned Transformer (Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models)). Izgūts 2026-06-15 no https://scholargate.app/lv/deep-learning/fine-tuned-transformer · Datu kopa: https://doi.org/10.5281/zenodo.20539026