Transformer yang Ditalar Halus
Menalar halus Transformer bermaksud menyesuaikan model pra-latih berskala besar — seperti BERT, GPT, atau ViT — kepada tugasan hiliran tertentu dengan meneruskan latihan berasaskan kecerunan pada set data sasaran berlabel. Paradigma dua peringkat ini (pra-latih kemudian nalar halus) secara konsisten mencapai keputusan terkini merentasi tugasan NLP dan visi komputer dengan data khusus tugasan yang jauh lebih sedikit berbanding latihan dari awal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sumber
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/ms/deep-learning/fine-tuned-transformer
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.
- Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan BERT yang Ditala HalusPembelajaran Mendalam↔ compare
- Rangkaian Neural Berulang yang Ditalar HalusPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan RoBERTaPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →