Finjustert GRU
En finjustert GRU tilpasser en Gated Recurrent Unit-nettverk — forhåndstrent på et stort kildedatasett — til en spesifikk måltallsoppgave eller domene ved å fortsette treningen på domenespesifikke merkede data. Dette kombinerer den sekvensielle minnekapasiteten til GRUer med effektivitetsgevinsten fra transfer learning, og oppnår sterk ytelse selv når merkede måldata er knappe.
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
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724-1734. link ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. DOI: 10.1109/TKDE.2009.191 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Gated Recurrent Unit Network. ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-gru
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.
- Finjustert LSTMDyp læring↔ compare
- Finetunet transformatorDyp læring↔ compare
- Gated Recurrent Unit (GRU)Dyp læring↔ compare
- Langtidskorttidsminne (LSTM)Dyp læring↔ compare
- Residuelle nevrale nettverkDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →