🚀 TAPAS小模型
TAPAS小模型有兩個可用版本,能幫助用戶從表格數據中提取信息,適用於問答、序列分類等下游任務。
✨ 主要特性
- 該模型有兩個可用版本,默認版本對應原始GitHub倉庫中的
tapas_inter_masklm_small_reset
檢查點。
- 模型在MLM和作者稱為中間預訓練的額外步驟上進行了預訓練,默認使用相對位置嵌入(即在表格的每個單元格處重置位置索引)。
- 另一個非默認版本使用絕對位置嵌入,
revision="no_reset"
對應 tapas_inter_masklm_small
。
📚 詳細文檔
模型描述
TAPAS是一個類似BERT的Transformer模型,以自監督的方式在來自維基百科的大量英文數據語料庫上進行預訓練。這意味著它僅在原始表格和相關文本上進行預訓練,沒有人工以任何方式對其進行標註(這就是為什麼它可以使用大量公開可用的數據),並通過自動過程從這些文本中生成輸入和標籤。更準確地說,它以兩個目標進行預訓練:
- 掩碼語言模型(MLM):給定一個(扁平化的)表格和相關上下文,模型隨機掩蓋輸入中15%的單詞,然後將整個(部分掩碼的)序列輸入模型。模型隨後需要預測被掩蓋的單詞。這與通常逐個查看單詞的傳統循環神經網絡(RNN)不同,也與像GPT這樣在內部掩蓋未來標記的自迴歸模型不同。它允許模型學習表格和相關文本的雙向表示。
- 中間預訓練:為了鼓勵在表格上進行數值推理,作者通過創建數百萬個語法生成的訓練示例的平衡數據集,對模型進行了額外的預訓練。在這裡,模型必須預測(分類)一個句子是否得到表格內容的支持或反駁。訓練示例基於合成語句和反事實語句創建。
通過這種方式,模型學習了表格和相關文本中使用的英語的內部表示,然後可用於提取對下游任務有用的特徵,如下回答關於表格的問題,或確定一個句子是否被表格內容所蘊含或反駁。微調是通過在預訓練模型之上添加一個或多個分類頭,然後在下游任務上聯合訓練這些隨機初始化的分類頭和基礎模型來完成的。
預期用途與限制
你可以使用原始模型來獲取關於表格 - 問題對的隱藏表示,但它主要用於在下游任務(如問答或序列分類)上進行微調。請參閱模型中心,查找針對你感興趣的任務進行微調的版本。
訓練過程
預處理
文本使用WordPiece進行小寫處理和分詞,詞彙表大小為30,000。模型的輸入形式如下:
[CLS] 句子 [SEP] 扁平化表格 [SEP]
預訓練
模型在32個Cloud TPU v3核心上進行了1,000,000步的預訓練,最大序列長度為512,批量大小為512。在這種設置下,僅在MLM上進行預訓練大約需要3天。此外,模型還在第二個任務(表格蘊含)上進行了進一步的預訓練。更多詳細信息請參閱原始TAPAS 論文 和 後續論文。
使用的優化器是Adam,學習率為5e-5,預熱比例為0.01。
BibTeX引用和引用信息
@misc{herzig2020tapas,
title={TAPAS: Weakly Supervised Table Parsing via Pre-training},
author={Jonathan Herzig and Paweł Krzysztof Nowak and Thomas Müller and Francesco Piccinno and Julian Martin Eisenschlos},
year={2020},
eprint={2004.02349},
archivePrefix={arXiv},
primaryClass={cs.IR}
}
@misc{eisenschlos2020understanding,
title={Understanding tables with intermediate pre-training},
author={Julian Martin Eisenschlos and Syrine Krichene and Thomas Müller},
year={2020},
eprint={2010.00571},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
📄 許可證
本模型使用的是Apache 2.0許可證。
⚠️ 重要提示
發佈TAPAS的團隊沒有為該模型編寫模型卡片,此模型卡片由Hugging Face團隊和貢獻者編寫。