Дообученная LSTM
Дообученная LSTM адаптирует предварительно обученную на большом корпусе сеть долговременной краткосрочной памяти (Long Short-Term Memory) к конкретной последующей задаче — такой как классификация текста, анализ настроений или разметка последовательностей — путём продолжения обучения на размеченных данных, специфичных для задачи. Этот подход, популяризированный фреймворком ULMFiT, достигает высокой производительности даже при дефиците размеченных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Howard, J., & Ruder, S. (2018). Universal Language Model Fine-tuning for Text Classification. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (ACL), 328–339. DOI: 10.18653/v1/P18-1031 ↗
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Fine-Tuned Long Short-Term Memory Network. ScholarGate. https://scholargate.app/ru/deep-learning/fine-tuned-lstm
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.
- Классификация на основе BERTГлубокое обучение↔ compare
- Дообученная GRUГлубокое обучение↔ compare
- Дообученная рекуррентная нейронная сетьГлубокое обучение↔ compare
- Дообученный ТрансформерГлубокое обучение↔ compare
- Долговременная краткосрочная память (LSTM)Глубокое обучение↔ compare
- Трансферное обучение с использованием LSTMГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →