Pārneses mācīšanās ar LSTM
Pārneses mācīšanās ar LSTM ir metode, kurā garas īstermiņa atmiņas tīkls (LSTM) vispirms tiek iepriekš apmācīts uz liela avota korpusa vai uzdevuma, un pēc tam tā apgūtie svari tiek pārnesti un precizēti mazākā mērķa uzdevumā. Šī pieeja, ko popularizēja ULMFiT (Howard & Ruder, 2018), ļauj uz LSTM balstītiem modeļiem sasniegt augstu veiktspēju pat tad, ja marķētu 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
- 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 ↗
- Transfer learning. Wikipedia. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/lv/deep-learning/transfer-learning-with-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
- Pielāgots LSTMDziļā mācīšanās↔ compare
- Gated Recurrent Unit (GRU)Dziļā mācīšanās↔ compare
- Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūraDziļā mācīšanās↔ compare
- Pārneses mācīšanās ar rekurento neironu tīkluDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →