Tapas Large

🚀 TAPAS大型模型

TAPAS大型模型有兩個版本可供使用，能助力處理表格相關的自然語言任務，有效提升表格數據的理解和分析能力。

🚀 快速開始

此模型有2個可用版本。最新版本即默認版本，對應原始GitHub倉庫中的 tapas_inter_masklm_large_reset 檢查點。該模型在掩碼語言模型（MLM）和作者所稱的中間預訓練的額外步驟上進行了預訓練。它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）可用版本是使用絕對位置嵌入的版本：

• revision="no_reset"，對應 tapas_inter_masklm_large。

聲明：發佈TAPAS的團隊並未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊及貢獻者編寫。

✨ 主要特性

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，模型隨機掩碼輸入中15%的單詞，然後將整個（部分掩碼的）序列輸入模型。接著，模型必須預測被掩碼的單詞。這與通常逐個處理單詞的傳統循環神經網絡（RNN）不同，也與像GPT這樣在內部掩碼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：為了鼓勵對錶格進行數值推理，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。請查看模型中心，以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

該模型在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，該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，熱身比例為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

本模型採用Apache 2.0許可證。