Transferinlärning med återkommande neurala nätverk
Transferinlärning med återkommande neurala nätverk (TL-RNN) återanvänder vikter som lärts av ett RNN på en stor källuppgift — såsom språkmodellering eller sekvensprediktion — och anpassar dem till en ny, ofta mindre måluppgift. Denna strategi gör det möjligt för praktiker att uppnå stark prestanda för sekvensmodellering utan behov av massiva märkta dataset.
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
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- Transfer learning. Wikipedia. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Recurrent Neural Network (TL-RNN). ScholarGate. https://scholargate.app/sv/deep-learning/transfer-learning-with-recurrent-neural-network
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.
- Finjusterat återkommande neuralt nätverkDjupinlärning↔ compare
- Gated Recurrent Unit (GRU)Djupinlärning↔ compare
- Long Short-Term Memory (LSTM)Djupinlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- Transfer Learning med LSTMDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →