Reglajul fin BERT
Reglajul fin BERT, bazat pe modelul BERT introdus de Devlin și colegii în 2019, re-antrenează un model BERT pre-antrenat pe un set mic de date etichetate pentru o sarcină țintă, cum ar fi clasificarea, recunoașterea entităților denumite sau răspunsul la întrebări. Prin învățare prin transfer, acesta atinge performanțe ridicate chiar și cu relativ puține date specifice sarcinii.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/ro/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.
- Ajustarea fină a modelelor GPTÎnvățare profundă↔ compare
- LoRA și PEFTÎnvățare profundă↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
- Vision TransformerÎnvățare profundă↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →