Transfer Learning med LSTM
Transfer Learning med LSTM är en teknik där ett Long Short-Term Memory-nätverk först förtränas på ett stort källkorpus eller en uppgift, och sedan överförs dess inlärda vikter och finjusteras på en mindre målgrupp. Detta tillvägagångssätt, populariserat av ULMFiT (Howard & Ruder, 2018), gör det möjligt för LSTM-baserade modeller att uppnå stark prestanda även när märkt måldata är knapp.
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
- 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 ↗
- Transfer learning. Wikipedia. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Long Short-Term Memory Networks. ScholarGate. https://scholargate.app/sv/deep-learning/transfer-learning-with-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.
- BERT-baserad klassificeringDjupinlärning↔ compare
- Finjusterad LSTMDjupinlärning↔ compare
- Gated Recurrent Unit (GRU)Djupinlärning↔ compare
- Long Short-Term Memory (LSTM)Djupinlärning↔ compare
- Transferinlärning med återkommande neurala nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →