BERT-finjustering
BERT-finjustering, som bygger på BERT-modellen som introducerades av Devlin och kollegor 2019, återtränar en förtränad BERT-modell på en liten märkt datamängd för en måluppgift såsom klassificering, namngiven entitetsigenkänning eller frågesvar. Genom överföringsinlärning uppnås hög prestanda även med relativt lite uppgiftsspecifik data.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Fine-Tuning of Pre-trained BERT (Bidirectional Encoder Representations from Transformers). ScholarGate. https://scholargate.app/sv/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.
- Finjustering av GPTDjupinlärning↔ compare
- LoRA och PEFTDjupinlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →