Fine-Tuning BERT
Penalaan halus BERT, yang dibina berdasarkan model BERT yang diperkenalkan oleh Devlin dan rakan-rakan pada tahun 2019, melatih semula model BERT yang telah dilatih awal pada set data berlabel kecil untuk tugasan sasaran seperti klasifikasi, pengecaman entiti bernama, atau menjawab soalan. Melalui pembelajaran pemindahan, ia mencapai prestasi tinggi walaupun dengan data khusus tugasan yang agak sedikit.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y. & Huang, X. (2019). How to Fine-Tune BERT for Text Classification. CCL. DOI: 10.1007/978-3-030-32381-3_16 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/ms/deep-learning/bert-finetuning
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.
- Penalaan Halus GPTPembelajaran Mendalam↔ compare
- LoRA dan PEFTPembelajaran Mendalam↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Transformer VisiPembelajaran Mendalam↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →