Pusuzraudzīts GRU
Pusuzraudzīts GRU (Gated Recurrent Unit) arhitektūru pielieto gadījumos, kad marķēta ir tikai neliela daļa secīgo datu. Vispirms veicot iepriekšēju apmācību vai kopīgu apmācību ar bagātīgiem nemarķētiem secību datiem — izmantojot valodu modelēšanu, automātisko kodēšanu vai konsistences regularizāciju — un pēc tam precizējot ar marķētiem piemēriem, modelis izmanto visu korpusu, lai apgūtu bagātīgākas secību reprezentācijas, nekā tas būtu iespējams tikai ar uzraudzītu apmācību.
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
- Dai, A. M., & Le, Q. V. (2015). Semi-supervised Sequence Learning. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
- 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. EMNLP 2014. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Gated Recurrent Unit. ScholarGate. https://scholargate.app/lv/deep-learning/semi-supervised-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.
- Gated Recurrent Unit (GRU)Dziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Pašuzraudzītā GRUDziļā mācīšanās↔ compare
- Pusiau paškontrolēta LSTM (Semi-supervised LSTM)Dziļā mācīšanās↔ compare
- Pusuzraudzīts transformatorsDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →