GRU yang Ditalar Halus
GRU yang Ditalar Halus menyesuaikan rangkaian Gated Recurrent Unit — yang telah dilatih awal pada set data sumber yang besar — kepada tugas atau domain sasaran tertentu dengan meneruskan latihan pada data berlabel khusus domain. Ini menggabungkan kapasiti memori berurutan GRU dengan penjimatan kecekapan pembelajaran pemindahan, mencapai prestasi yang kukuh walaupun apabila data sasaran berlabel adalah terhad.
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
- 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. In Proceedings of EMNLP 2014, pp. 1724-1734. link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. DOI: 10.1109/TKDE.2009.191 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/ms/deep-learning/fine-tuned-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.
- LSTM yang Ditalar HalusPembelajaran Mendalam↔ compare
- Transformer yang Ditalar HalusPembelajaran Mendalam↔ compare
- Gated Recurrent Unit (GRU)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf BerulangPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →