Transformer Ajustado Finamente
Ajustar finamente um Transformer adapta um modelo pré-treinado de grande porte — como BERT, GPT ou ViT — a uma tarefa específica de downstream, continuando o treinamento baseado em gradiente em um conjunto de dados alvo rotulado. Este paradigma de dois estágios (pré-treinar e depois ajustar finamente) consistentemente alcança resultados de ponta em tarefas de NLP e visão computacional com muito menos dados específicos da tarefa do que treinar do zero.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fontes
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/pt/deep-learning/fine-tuned-transformer
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.
- Classificação baseada em BERTAprendizado profundo↔ compare
- Classificação Fina Ajustada Baseada em BERTAprendizado profundo↔ compare
- Rede Neural Recorrente Ajustada FinamenteAprendizado profundo↔ compare
- Classificação baseada em RoBERTaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →