Donut Base Finetuned Rvlcdip

🚀 Donut（基礎大小模型，在RVL - CDIP上微調）

Donut是一個在RVL - CDIP上微調的模型。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。

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

🚀 快速開始

本模型是在文檔圖像分類數據集RVL - CDIP上進行微調的。若需代碼示例，請參考文檔。

✨ 主要特性

Donut由一個視覺編碼器（Swin Transformer）和一個文本解碼器（BART）組成。給定一張圖像，編碼器首先將圖像編碼為一個嵌入張量（形狀為batch_size, seq_len, hidden_size），然後解碼器在編碼器編碼的條件下自迴歸地生成文本。

📚 詳細文檔

BibTeX引用和引用信息

@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。