Tapas Base

🚀 TAPAS基礎模型

TAPAS基礎模型有兩個版本可供使用，它能學習表格及相關文本中英語語言的內部表示，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，或確定句子是否由表格內容支持或反駁。

🚀 快速開始

此模型有兩個可用版本。最新版本（即默認版本）對應於原始GitHub倉庫中的tapas_inter_masklm_base_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這一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"，對應於tapas_inter_masklm_base。

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

✨ 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語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），並通過一個自動過程從這些文本中生成輸入和標籤。更確切地說，它通過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。接著，模型必須預測被掩蓋的單詞。這與傳統的循環神經網絡（RNN）不同，RNN通常逐個處理單詞，也與像GPT這樣的自迴歸模型不同，GPT會在內部掩蓋未來的標記。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：為了鼓勵在表格上進行數值推理，作者通過創建一個由數百萬個句法生成的訓練示例組成的平衡數據集，對模型進行了額外的預訓練。在此過程中，模型必須預測（分類）一個句子是否由表格內容支持或反駁。訓練示例是基於合成以及反事實陳述創建的。

通過這種方式，模型學習了表格和相關文本中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，如下游任務如回答關於表格的問題，或確定句子是否由表格內容支持或反駁。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。

預期用途和限制

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。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

文檔未提及代碼示例，故跳過此章節。

📚 詳細文檔

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，僅進行MLM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}
}

🔧 技術細節

文檔未提及足夠的技術實現細節，故跳過此章節。

📄 許可證

此模型使用的許可證為Apache-2.0。