Багатошаровий перцептрон з доналаштуванням
Багатошаровий перцептрон (MLP) з доналаштуванням починає роботу з ваг, отриманих під час навчання на вихідному завданні — або на великому загальному наборі даних — і продовжує навчання на меншому цільовому наборі даних зі зменшеною швидкістю навчання. Таке повторне використання попередньо вивчених представлень дозволяє MLP швидше збігатися та краще узагальнювати, ніж навчання з нуля, особливо коли мічених цільових даних обмаль.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/uk/deep-learning/fine-tuned-multilayer-perceptron
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Тонке налаштування згорткової нейронної мережі (CNN)Глибоке навчання↔ порівняти
- Fine-Tuned LSTMГлибоке навчання↔ порівняти
- Трансформер з доналаштуваннямГлибоке навчання↔ порівняти
- Багатошаровий перцептрон (БШП)Глибоке навчання↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →