Tapas Large Finetuned Wikisql Supervised

🚀 TAPAS大型模型在WikiSQL上的有監督微調

本模型有兩個版本可供使用。默認版本對應於原始GitHub倉庫中的 tapas_wikisql_sqa_inter_masklm_large_reset 檢查點。 該模型在掩碼語言模型（MLM）和作者稱為中間預訓練的額外步驟上進行了預訓練，然後在 SQA 和 WikiSQL 上進行了鏈式微調。它使用相對位置嵌入（即在表的每個單元格處重置位置索引）。

另一個（非默認）可用版本是：

• no_reset，對應於 tapas_wikisql_sqa_inter_masklm_large（中間預訓練，絕對位置嵌入）。

免責聲明：發佈TAPAS的團隊沒有為該模型編寫模型卡片，因此此模型卡片由Hugging Face團隊和貢獻者編寫。

✨ 主要特性

• 有兩個版本可供選擇，滿足不同場景需求。
• 經過預訓練和微調，能更好地處理表格相關任務。
• 使用相對或絕對位置嵌入，提升對錶格結構的理解。

📚 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：

• 掩碼語言建模（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。模型隨後必須預測被掩碼的單詞。這與傳統的循環神經網絡（RNN）不同，RNN通常逐個查看單詞，也與像GPT這樣的自迴歸模型不同，後者在內部掩碼未來的標記。這使得模型能夠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上創建的訓練示例的平衡數據集，額外對模型進行了預訓練。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語言的內部表示，然後可用於提取對下游任務有用的特徵，例如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單元格選擇頭和聚合頭，然後在SQA和WikiSQL上與基礎模型聯合訓練這些隨機初始化的分類頭來完成的。

預期用途和限制

您可以使用此模型回答與表格相關的問題。有關代碼示例，請參考Hugging Face網站上TAPAS的文檔。

訓練過程

預處理

文本被轉換為小寫，並使用WordPiece進行分詞，詞彙表大小為30,000。模型的輸入形式如下：

[CLS] 問題 [SEP] 扁平化表格 [SEP]

作者首先使用自動轉換腳本將WikiSQL數據集轉換為SQA的格式。

微調

該模型在32個Cloud TPU v3核心上進行了50,000步的微調，最大序列長度為512，批量大小為512。在這種設置下，微調大約需要10小時。使用的優化器是Adam，學習率為6.17164e - 5，預熱比例為0.1424。更多詳細信息請參閱論文（表11和12）。

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}
}

@article{DBLP:journals/corr/abs-1709-00103,
  author    = {Victor Zhong and
               Caiming Xiong and
               Richard Socher},
  title     = {Seq2SQL: Generating Structured Queries from Natural Language using
               Reinforcement Learning},
  journal   = {CoRR},
  volume    = {abs/1709.00103},
  year      = {2017},
  url       = {http://arxiv.org/abs/1709.00103},
  archivePrefix = {arXiv},
  eprint    = {1709.00103},
  timestamp = {Mon, 13 Aug 2018 16:48:41 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1709-00103.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本模型使用的許可證為Apache-2.0。