知识卡片
预训练权重用于下游微调
将预训练编码器作为初始化,再用下游标注数据训练任务头及需要更新的编码器参数,称为微调。序列分类可读取 CLS 表示,逐词标注可对各位置分类;性能取决于任务和数据,预训练不保证在所有场景胜过随机初始化。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 自监督学习 10.1.1 BERT的使用方式 · 查看原书依据
BERT 没有办法从头开始解决情感分析问题,我们仍然需要一些标注数据,并且需要提供很多句子以及它们的正面或负面标签来训练 BERT. 在训练过程中,将BERT与这种线性变换放在一起,称为完整的情感分析模型.线性变换和 BERT都利用梯度下降来更新参数.线性变换的参数是随机初始化的,而BERT的初始参数是从学会了做填空题的BERT得来的.在训练模型时,随机初始化参数,接着利用梯度下降更新这些参数,最小化损失.
参考来源
- 位置:《深度学习详解》第10章《自监督学习》10.1.1 BERT的使用方式(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter10.xhtml`)
- 结论依据:原文说明预训练任务、模型迁移和下游用法;结论保留数据与任务条件。
- 原始内容:BERT 没有办法从头开始解决情感分析问题,我们仍然需要一些标注数据,并且需要提供很多句子以及它们的正面或负面标签来训练 BERT. 在训练过程中,将BERT与这种线性变换放在一起,称为完整的情感分析模型.线性变换和 BERT都利用梯度下降来更新参数.线性变换的参数是随机初始化的,而BERT的初始参数是从学会了做填空题的BERT得来的.在训练模型时,随机初始化参数,接着利用梯度下降更新这些参数,最小化损失.