Finjustert Multilayer Perceptron
En finjustert multilayer perceptron (MLP) starter med vekter lært på en kildeoppgave — eller et stort generelt datasett — og fortsetter treningen på et mindre målgruppedatasett med en redusert læringsrate. Gjenbruk av forhåndslærte representasjoner gjør at MLP-en konvergerer raskere og generaliserer bedre enn trening fra bunnen av, spesielt når merkede måldata er knappe.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-multilayer-perceptron
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Finetunet konvolusjonelt nevralt nettverkDyp læring↔ sammenlign
- Finjustert LSTMDyp læring↔ sammenlign
- Finetunet transformatorDyp læring↔ sammenlign
- Flerlagsperseptron (MLP)Dyp læring↔ sammenlign
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →