Perceptron Multicamada Ajustado Finamente
Um Perceptron Multicamada (MLP) ajustado finamente começa com pesos aprendidos em uma tarefa de origem — ou em um grande conjunto de dados de propósito geral — e continua o treinamento em um conjunto de dados alvo menor com uma taxa de aprendizado reduzida. Essa reutilização de representações pré-aprendidas permite que o MLP convirja mais rapidamente e generalize melhor do que o treinamento a partir do zero, especialmente quando os dados alvo rotulados são escassos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/pt/deep-learning/fine-tuned-multilayer-perceptron
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Rede neural convolucional ajustada finamenteAprendizado profundo↔ comparar
- LSTM Ajustado FinamenteAprendizado profundo↔ comparar
- Transformer Ajustado FinamenteAprendizado profundo↔ comparar
- Perceptron Multicamada (MLP)Aprendizado profundo↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →