Donut Base Encoder

🚀 Donut（基礎尺寸模型，僅預訓練）

Donut是一個僅經過預訓練的模型。它由Geewok等人在論文無需OCR的文檔理解Transformer中提出，並首次在此倉庫中發佈。

聲明：發佈Donut的團隊並未為此模型撰寫模型卡片，因此本模型卡片由Hugging Face團隊撰寫。

🚀 快速開始

本模型旨在在下游任務（如文檔圖像分類或文檔解析）上進行微調。您可以查看模型中心，尋找針對您感興趣的任務進行微調後的版本。

若要使用該模型，可參考包含代碼示例的文檔。

✨ 主要特性

Donut編碼器由一個視覺編碼器（Swin Transformer）組成。給定一張圖像，編碼器會將該圖像編碼為一個嵌入張量（形狀為batch_size、seq_len、hidden_size）。

📚 詳細文檔

BibTeX引用及引用信息

@article{DBLP:journals/corr/abs-2111-15664,
  author    = {Geewook Kim and
               Teakgyu Hong and
               Moonbin Yim and
               Jinyoung Park and
               Jinyeong Yim and
               Wonseok Hwang and
               Sangdoo Yun and
               Dongyoon Han and
               Seunghyun Park},
  title     = {Donut: Document Understanding Transformer without {OCR}},
  journal   = {CoRR},
  volume    = {abs/2111.15664},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.15664},
  eprinttype = {arXiv},
  eprint    = {2111.15664},
  timestamp = {Thu, 02 Dec 2021 10:50:44 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-15664.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本項目採用MIT許可證。