Transfer Learning met LSTM
Transfer Learning met LSTM is een techniek waarbij een Long Short-Term Memory-netwerk eerst wordt voorgeladen op een grote broncorpus of -taak, en vervolgens worden de geleerde gewichten overgedragen en verfijnd op een kleinere doeltaak. Deze aanpak, gepopulariseerd door ULMFiT (Howard & Ruder, 2018), stelt LSTM-gebaseerde modellen in staat om sterke prestaties te behalen, zelfs wanneer gelabelde doondata schaars is.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/nl/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.
- BERT-gebaseerde ClassificatieDeep learning↔ compare
- Fijngestemde LSTMDeep learning↔ compare
- Gated Recurrent Unit (GRU)Deep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Transfer Learning met Recurrent Neural NetworkDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →