BERT finjustering
BERT finjustering, som bygger på BERT-modellen introdusert av Devlin og kolleger i 2019, re-trener en forhåndstrent BERT-modell på et lite merket datasett for en målrettet oppgave som klassifisering, navngitt enhetsgjenkjenning eller spørsmål-svar. Gjennom overføringslæring oppnår den høy ytelse selv med relativt lite oppgavespesifikke data.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y. & Huang, X. (2019). How to Fine-Tune BERT for Text Classification. CCL. DOI: 10.1007/978-3-030-32381-3_16 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/no/deep-learning/bert-finetuning
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.
- GPT finjusteringDyp læring↔ compare
- LoRA og PEFTDyp læring↔ compare
- Random ForestMaskinlæring↔ compare
- Vision TransformerDyp læring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →