Finjusterad Multilayer Perceptron
En finjusterad Multilayer Perceptron (MLP) utgår från vikter som lärts in på en källuppgift – eller en stor allmän datamängd – och fortsätter träningen på en mindre måldatamängd med en reducerad inlärningshastighet. Detta återanvändande av förinlärda representationer gör att MLP:n konvergerar snabbare och generaliserar bättre än träning från grunden, särskilt när märkta måldata 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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/sv/deep-learning/fine-tuned-multilayer-perceptron
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.
- Finjusterad faltningsnät (CNN)Djupinlärning↔ jämför
- Finjusterad LSTMDjupinlärning↔ jämför
- Fintrimmad transformatorDjupinlärning↔ jämför
- Multilayer Perceptron (MLP)Djupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →