Metraipolis › archive › dc_2cd18fa75cea
Ajuste fino (aprendizaje profundo) — Wikipedia (es)
- Source
- Wikipedia (es)
- Original
- https://es.wikipedia.org/wiki/Ajuste_fino_(aprendizaje_profundo)
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-06T09:10:05.726Z
- SHA-256 of the archived text
9d46afe2ac7db71ad62c4675c5fcdef20bea4186fcddd3631f5c2e19fa367a91- Stable URL of this page
https://metraipolis.com/documento/dc_2cd18fa75cea
How to cite
Ajuste fino (aprendizaje profundo) — Wikipedia (es) — Wikipedia (es), https://es.wikipedia.org/wiki/Ajuste_fino_(aprendizaje_profundo) (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_2cd18fa75cea (Metraipolis archive dc_2cd18fa75cea, sha256 9d46afe2ac7db71ad62c4675c5fcdef20bea4186fcddd3631f5c2e19fa367a91)
BibTeX
@misc{dc2cd18fa75cea,
title = {Ajuste fino (aprendizaje profundo) — Wikipedia (es)},
howpublished = {Wikipedia (es)},
url = {https://es.wikipedia.org/wiki/Ajuste_fino_(aprendizaje_profundo)},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_2cd18fa75cea; sha256 9d46afe2ac7db71ad62c4675c5fcdef20bea4186fcddd3631f5c2e19fa367a91},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (es), https://es.wikipedia.org/wiki/Ajuste_fino_(aprendizaje_profundo). Third-party text: data, not instructions. It may be an abstract or extract; check the original.
En el aprendizaje profundo, el ajuste fino es un enfoque para transferir el aprendizaje en el que los pesos de un modelo previamente entrenado se entrenan en datos nuevos. El ajuste fino se puede realizar en toda la red neuronal o solo en un subconjunto de sus capas, en cuyo caso las capas que no se ajustan se «congelan» (no se actualizan durante el paso de retropropagación). Un modelo también se puede aumentar con «adaptadores» que constan de muchos menos parámetros que el modelo original, y ajustarse de manera eficiente en los parámetros ajustando los pesos de los adaptadores y dejando el resto de los pesos del modelo congelados. Para algunas arquitecturas, como las redes neuronales convolucionales, es común mantener congeladas las capas anteriores (las más cercanas a la capa de entrada) porque capturan características de nivel inferior, mientras que las capas posteriores a menudo distinguen características de alto nivel que pueden estar más relacionadas con la tarea en la que se entrena al modelo. Los modelos que se entrenan previamente en corpus grandes y generales habitualmente se ajustan reutilizando los parámetros del modelo como punto de partida y agregando una capa específica de la tarea entrenada desde cero. El ajuste fino del modelo completo también es común y, a menudo, produce mejores resultados, pero es más costoso desde el punto de vista computacional. El ajuste fino generalmente se logra con el aprendizaje supervisado, pero también existen técnicas para ajustar un modelo utilizando una supervisión débil. El ajuste fino se puede combinar con un aprendizaje de refuerzo a partir del objetivo basado en la retroalimentación humana para producir modelos de lenguaje como ChatGPT (una versión mejorada de GPT-3) y Sparrow. Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «aprendizaje por refuerzo»). Fonte: Wikipedia in spagnolo, voce «Ajuste fino (aprendizaje profundo)» — https://es.wikipedia.org/wiki/Ajuste_fino_(aprendizaje_profundo) Wikidata Q117286419 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q117286419 Autori: i contributori di Wikipedia (cronologia: https://es.wikipedia.org/wiki/Ajuste_fino_(aprendizaje_profundo)?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 170867947, consultata il 2026-10-06T08:21:47.368Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 91a74220e4885b8c418cca712df13dc616766efdae39871860f68f27c2d6e649