# 遷移學習

這是一個已發佈在Hugging Face Hub上的transformers模型，具體信息待補充。

基於Hugging Face Transformers庫的預訓練模型

該模型是一個基於transformers庫的模型，具體功能和用途需要進一步的信息來確定。

該模型是一個基於Transformers庫的模型，具體用途和功能需要進一步信息確認。

基於DistilBERT的輕量級文本分類模型，用於位置分類任務

該模型是一個基於transformers庫的模型，具體功能未明確說明

該模型是一個基於transformers庫的模型，具體功能和用途需要進一步信息確認。

在Food101數據集上微調的EfficientNetB4圖像分類模型，支持101種食物類別識別

Hugging Face Transformers庫提供的預訓練模型，可用於各種NLP任務

該模型是一個基於Transformers架構的模型，具體用途和功能需要進一步信息確認。

Hugging Face Transformers 庫提供的預訓練模型，支持多種自然語言處理任務

該模型是基於Audio Spectrogram Transformer (AST)架構的音頻分類模型，在Audioset數據集上預訓練後，又在GTZAN音樂流派分類數據集上進行了微調。

該模型是一個基於transformers庫的模型，具體用途和功能需要進一步的信息來確定。

Hugging Face提供的預訓練Transformer模型，支持多種NLP任務

該模型是一個基於Transformers架構的預訓練模型，具體用途和功能需要進一步信息確認。

這是一個基於AutoTrain訓練的貓狗圖像分類模型，用於區分圖像中的貓和狗。

基於ResNet-50架構微調的圖像分類模型，專門用於區分貓和狗的圖像，準確率達96.88%。

基於Google Vision Transformer (ViT)架構微調的植物識別模型，在評估集上達到80.96%的準確率

基於MobileNetV2架構的植物病害圖像分類模型，在圖像分類任務上達到97.77%的準確率

該模型是基於AST架構在GTZAN音樂分類數據集上微調的音頻分類模型，準確率達89%

該模型是基於 Audio Spectrogram Transformer (AST) 在 GTZAN 音樂分類數據集上微調的版本，用於音頻分類任務，準確率達到 88%。

該模型是基於microsoft/resnet-50在未知數據集上微調的版本，主要用於圖像分類任務，在評估集上取得了84.86%的準確率。

這是一個在Food-101數據集上微調的視覺Transformer模型，用於食物圖像分類任務。

Geneformer是基於大規模單細胞轉錄組數據預訓練的Transformer模型，專為網絡生物學數據稀缺場景設計，能實現上下文感知的預測。

TabuLa-8B是針對表格數據進行預測（分類和分箱迴歸）的基礎模型，基於Meta Llama 3構建。

該模型是基於Google的ViT-base-patch16-224在圖像文件夾數據集上微調的圖像分類模型，驗證集準確率達89.21%。

該模型是託管在Hugging Face Hub上的transformers模型，具體功能和用途需進一步補充信息

該模型卡片信息不完整，無法提供具體介紹

基於EfficientNet-B0架構的圖像特徵提取模型，主要用於天文學圖像分析

基於Google Vision Transformer (ViT)架構微調的圖像分類模型，用於區分AI生成圖像與真實圖像

該模型是一個基於Transformers庫的模型，具體功能和用途需要進一步信息確認。

基於Swin Transformer架構的腦瘤檢測模型，在圖像分類任務上達到98.04%的準確率

該模型是一個託管在Hugging Face Hub上的transformers模型，具體功能和用途需要進一步補充信息。

基於Google Vision Transformer (ViT)微調的手語分類模型，準確率達80.56%

基於SpeechT5架構的語音處理模型，針對中文（臺灣）語音進行了微調

基於Google Vision Transformer架構的圖像分類模型，專為內容審核任務微調，在測試集上達到90.43%準確率

這是一個基於AST(Audio Spectrogram Transformer)架構的音頻分類模型，在GTZAN音樂流派分類數據集上進行了微調。

基於ResNet-50微調的圖像分類模型，在地標識別任務上達到96.45%的準確率