Transfer Learning dengan LSTM
Transfer Learning dengan LSTM ialah satu teknik di mana rangkaian Long Short-Term Memory (LSTM) mula-mulanya dilatih terlebih dahulu (pre-trained) pada korpus sumber atau tugasan yang besar, dan kemudian pemberat (weights) yang dipelajari ditransfer dan dilaraskan halus (fine-tuned) pada tugasan sasaran yang lebih kecil. Pendekatan ini, yang dipopularkan oleh ULMFiT (Howard & Ruder, 2018), membolehkan model berasaskan LSTM mencapai prestasi yang kukuh walaupun 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
- Howard, J. & Ruder, S. (2018). Universal Language Model Fine-Tuning for Text Classification. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (ACL), 328–339. DOI: 10.18653/v1/P18-1031 ↗
- Transfer learning. Wikipedia. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/ms/deep-learning/transfer-learning-with-lstm
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
- LSTM yang Ditalar HalusPembelajaran Mendalam↔ compare
- Gated Recurrent Unit (GRU)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Pembelajaran Pemindahan dengan Rangkaian Saraf BerulangPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →