文档摘要

4.1 三种施工模式：特征提取、层冻结与全量微调 本节摘要：施工模式的选择由两个变量决定——目标数据量与源目标领域距离。特征提取（冻结全部、只训新头）适合数据极少的相似任务；层冻结微调（冻结浅层、训深层加新头）适合数据中等的常规场景；全量微调（全部可训、小学习率）适合数据充足或领域差异大的场景。本节给出决策矩阵与各模式的完整代码形态，并用参数量与预期增益的对照表收尾。 会员。《4.1 三种施工模式：特征提取、层冻结与全量微调》收录于灏天文库文集《迁移学习与Fine-tuning实战》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/509-%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E4%B8%8Efine-tuning%E5%AE%9E%E6%88%98

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流