Finjusterad LSTM
Finjusterad LSTM anpassar ett förtränat Long Short-Term Memory-nätverk (LSTM) på ett stort textkorpus till en specifik nedströmsuppgift – såsom textklassificering, sentimentanalys eller sekvensmärkning – genom att fortsätta träningen på uppgiftsspecifika märkta data. Detta tillvägagångssätt, som populariserades av ULMFiT-ramverket, uppnår stark prestanda även när märkta data är knappa.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Fine-Tuned Long Short-Term Memory Network. ScholarGate. https://scholargate.app/sv/deep-learning/fine-tuned-lstm
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- BERT-baserad klassificeringDjupinlärning↔ jämför
- Finjusterad GRUDjupinlärning↔ jämför
- Finjusterat återkommande neuralt nätverkDjupinlärning↔ jämför
- Fintrimmad transformatorDjupinlärning↔ jämför
- Long Short-Term Memory (LSTM)Djupinlärning↔ jämför
- Transfer Learning med LSTMDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →