การปรับจูนทรานส์ฟอร์มเมอร์ (Fine-Tuned Transformer)
การปรับจูนทรานส์ฟอร์มเมอร์เป็นการปรับโมเดลขนาดใหญ่ที่ได้รับการฝึกฝนล่วงหน้า (pre-trained model) เช่น BERT, GPT, หรือ ViT ให้เหมาะกับงานเฉพาะด้าน (downstream task) โดยการฝึกฝนแบบต่อเนื่องด้วยการไล่ระดับสี (gradient-based training) บนชุดข้อมูลเป้าหมายที่มีป้ายกำกับ (labelled target dataset) กระบวนทัศน์แบบสองขั้นตอน (ฝึกฝนล่วงหน้าแล้วปรับจูน) นี้ให้ผลลัพธ์ระดับสูงสุด (state-of-the-art) อย่างสม่ำเสมอในงานด้านการประมวลผลภาษาธรรมชาติ (NLP) และคอมพิวเตอร์วิทัศน์ (computer vision) โดยใช้ข้อมูลเฉพาะสำหรับงานนั้นน้อยกว่าการฝึกฝนตั้งแต่ต้นมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
แหล่งอ้างอิง
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/th/deep-learning/fine-tuned-transformer
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.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ BERT ที่ปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- เครือข่ายประสาทเทียมแบบวนซ้ำที่ปรับละเอียด (Fine-Tuned Recurrent Neural Network)การเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ RoBERTaการเรียนรู้เชิงลึก↔ compare