finetune中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於創新訓練和循環生成的中文故事生成

為了解決finetune中文的問題，作者陳融陞 這樣論述：

自然語言處理已經有多方面的應用，在深度學習領域有不錯的發展，近年來常以Transformer、BERT與GPT語言模型作為相關研究之基礎，但是著重於中文故事或者小說的文本生成之研究是少之又少。本研究專注於讓語言模型學習具有文本的結構性以及兼顧用詞的變化性，由使用者輸入起始語句，讓機器循環生成語句以達到機器寫作故事文本的目的。在此使用金庸作家的小說作為訓練語料，利用舊有的SG-Net與SG-GAN模型結合FastText詞轉向量之技術建立出新的文本生成模型，分別為New SG-Net與New SG-GAN，保持能夠在中文資料集中學習並且具有趨近真實的生成序列。另外使用BERT框架建立出BERT

-Finetune與BERT-Pretrain模型，可以用於增加訓練的資料量和比較生成結果的差異。本研究方法提出創新的輸入語句使模型學習具有結構性的文本生成任務，並且將FP-Growth結合模糊匹配用於循環生成使其輸入語句有組合依據和變化性。依據本研究之文本生成任務，設計相關的驗證方法用以合理地評估機器創作文本的品質，由實驗結果可知所有模型皆能完成對於詞性結構的任務學習，生成模型可以完成期望的語句與上下文結構，而創新訓練與循環生成的機制可以保證生成語句的穩定性和可變性。創新建立的New SG-GAN在所有模型中表現最為出色，不管是在泛化能力，還是文本結構的匹配程度與連貫度上，進而表示基本語義和

語法上有更進一步的提升。

基於深度強化學習之自動停車

為了解決finetune中文的問題，作者王銘譽 這樣論述：

本論文基於強化學習方法 (Reinforcement Learning) 來實現自動停車，根據數位化之停車場資訊及車輛位置可自動規劃出最佳停車路徑。傳統之路徑規劃領域大多容易陷入局部最佳解，較適用於矩距離任務，在環境較複雜之情況下，長距離路徑規劃往往需要龐大計算量。本研究利用強化學習之特性來規劃自動停車的路徑，無需環境模型之狀態方程式，因此可以大量地降低設計控制器所須人力與時間成本，並利用其自我學習特性，規劃出比人類更優秀之停車路徑。研究貢獻主要分為兩個部分，1.設計環境模型之獎勵函數 (Reward Function) 使車輛可以到達目標停車格而不會通過違規區域。2.設計類神經網路架構及調

整超參數提高訓練成功率，達到最佳之自動停車結果。