Дообученная многослойная перцептронная сеть
Дообученная многослойная перцептронная сеть (MLP) начинает с весов, полученных на исходной задаче — или на большом общецелевом наборе данных — и продолжает обучение на меньшем целевом наборе данных с пониженной скоростью обучения. Повторное использование предварительно обученных представлений позволяет MLP быстрее сходиться и лучше обобщаться, чем при обучении с нуля, особенно когда размеченных целевых данных мало.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/ru/deep-learning/fine-tuned-multilayer-perceptron
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Дообученная (fine-tuned) свёрточная нейронная сетьГлубокое обучение↔ сравнить
- Дообученная LSTMГлубокое обучение↔ сравнить
- Дообученный ТрансформерГлубокое обучение↔ сравнить
- Многослойный перцептрон (MLP)Глубокое обучение↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →