Rangkaian Neural Berulang yang Ditalar Halus
Rangkaian Neural Berulang (RNN) yang Ditalar Halus bermula daripada model yang telah dilatih awal pada korpus besar atau data siri masa dan menyesuaikan beratnya kepada tugasan hiliran tertentu melalui kemas kini kecerunan terkawal. Pendekatan ini secara dramatik mengurangkan data berlabel yang diperlukan untuk prestasi pemodelan jujukan yang kukuh dalam klasifikasi teks, pengecaman entiti bernama, analisis sentimen, dan tugasan berkaitan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
Sumber
- Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of ACL 2018, 328–339. DOI: 10.18653/v1/P18-1031 ↗
- Recurrent neural network. Wikipedia. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Recurrent Neural Network (Transfer Learning for Sequence Models). ScholarGate. https://scholargate.app/ms/deep-learning/fine-tuned-recurrent-neural-network
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- LSTM yang Ditalar HalusPembelajaran Mendalam↔ banding
- Transformer yang Ditalar HalusPembelajaran Mendalam↔ banding
- Gated Recurrent Unit (GRU)Pembelajaran Mendalam↔ banding
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ banding
- Jaringan Saraf BerulangPembelajaran Mendalam↔ banding
- Pembelajaran Pemindahan dengan Rangkaian Saraf BerulangPembelajaran Mendalam↔ banding
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →