Multilayer Perceptron yang Ditalar Halus
Multilayer Perceptron (MLP) yang ditalar halus bermula dengan pemberat yang dipelajari pada tugasan sumber — atau set data tujuan umum yang besar — dan meneruskan latihan pada set data sasaran yang lebih kecil dengan kadar pembelajaran yang dikurangkan. Penggunaan semula perwakilan yang telah dipelajari ini membolehkan MLP menumpu dengan lebih pantas dan menggeneralisasi dengan lebih baik berbanding latihan dari awal, terutamanya 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
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/ms/deep-learning/fine-tuned-multilayer-perceptron
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.
- Fine-Tuned Convolutional Neural NetworkPembelajaran Mendalam↔ compare
- LSTM yang Ditalar HalusPembelajaran Mendalam↔ compare
- Transformer yang Ditalar HalusPembelajaran Mendalam↔ compare
- Multilayer Perceptron (MLP)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →