Tapex Base Finetuned Wtq

🚀 TAPEX (基礎規模模型)

TAPEX是一種預訓練方法，通過學習神經SQL執行器，賦予現有模型“表格推理”能力，在表格問答等任務中表現出色。

🚀 快速開始

TAPEX（通過執行進行表格預訓練）由Qian Liu、Bei Chen、Jiaqi Guo、Morteza Ziyadi、Zeqi Lin、Weizhu Chen、Jian - Guang Lou在論文 TAPEX: Table Pre-training via Learning a Neural SQL Executor 中提出。原始代碼倉庫可在 這裡 找到。

✨ 主要特性

TAPEX（Table Pre - training via Execution）是一種概念簡單且經驗證有效的預訓練方法，能讓現有模型具備表格推理技能。TAPEX通過在合成語料庫上學習神經SQL執行器來實現表格預訓練，該語料庫通過自動合成可執行的SQL查詢獲得。

TAPEX基於BART架構，這是一種Transformer編碼器 - 解碼器（seq2seq）模型，具有雙向（類似BERT）編碼器和自迴歸（類似GPT）解碼器。

此模型是在 WikiTableQuestions 數據集上微調的tapex - base模型。

📚 詳細文檔

預期用途

你可以使用該模型進行複雜問題的表格問答。以下是一些可解決的問題示例（對應表格未展示）：

使用方法

以下是如何在transformers庫中使用此模型：

from transformers import TapexTokenizer, BartForConditionalGeneration
import pandas as pd

tokenizer = TapexTokenizer.from_pretrained("microsoft/tapex-base-finetuned-wtq")
model = BartForConditionalGeneration.from_pretrained("microsoft/tapex-base-finetuned-wtq")

data = {
    "year": [1896, 1900, 1904, 2004, 2008, 2012],
    "city": ["athens", "paris", "st. louis", "athens", "beijing", "london"]
}
table = pd.DataFrame.from_dict(data)

# tapex接受無大小寫區分的輸入，因為它是在無大小寫區分的語料庫上預訓練的
query = "In which year did beijing host the Olympic Games?"
encoding = tokenizer(table=table, query=query, return_tensors="pt")

outputs = model.generate(**encoding)

print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# [' 2008.0']

評估方法

請在 這裡 找到評估腳本。

BibTeX引用和引用信息

@inproceedings{
    liu2022tapex,
    title={{TAPEX}: Table Pre-training via Learning a Neural {SQL} Executor},
    author={Qian Liu and Bei Chen and Jiaqi Guo and Morteza Ziyadi and Zeqi Lin and Weizhu Chen and Jian-Guang Lou},
    booktitle={International Conference on Learning Representations},
    year={2022},
    url={https://openreview.net/forum?id=O50443AsCP}
}

📄 許可證

本項目採用MIT許可證。