Трансформер з доналаштуванням
Доналаштування Трансформера адаптує велику попередньо навчену модель — таку як BERT, GPT або ViT — до конкретного подальшого завдання шляхом продовження градієнтно-орієнтованого навчання на цільовому наборі даних з мітками. Ця двохетапна парадигма (попереднє навчання, а потім доналаштування) стабільно досягає найсучасніших результатів у завданнях обробки природної мови (NLP) та комп'ютерного зору з набагато меншою кількістю специфічних для завдання даних, ніж при навчанні з нуля.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/uk/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.
- Класифікація на основі BERTГлибоке навчання↔ compare
- Класифікація на основі доналаштованого BERTГлибоке навчання↔ compare
- Доопрацьована рекурентна нейронна мережаГлибоке навчання↔ compare
- Класифікація на основі RoBERTaГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →