Layoutlm Document Classifier

🚀 用於文檔分類的LayoutLM模型卡片

本模型是多模態LayoutLM模型的微調版本，專門用於文檔分類任務，具有較高的準確性和實用性，能為文檔處理工作提供有力支持。

🚀 快速開始

使用以下代碼開始使用該模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("impira/layoutlm-document-classifier")

model = AutoModelForSequenceClassification.from_pretrained("impira/layoutlm-document-classifier")

✨ 主要特性

• 多模態適配：基於多模態的LayoutLM模型進行微調，能更好地處理文檔分類任務。
• 廣泛適用性：可用於多種文檔類型的分類。

📚 詳細文檔

模型詳情

模型描述

這是多模態LayoutLM模型針對文檔分類任務的微調版本。

• 開發者：Impira團隊
• 共享方（可選）：Hugging Face
• 模型類型：文本分類
• 語言（NLP）：英語
• 許可證：cc - by - nc - sa - 4.0
• 相關模型：layoutlm
  • 父模型：需要更多信息
• 更多信息資源：
  • 相關論文
  • 博客文章

使用方式

直接使用

文本分類

超出適用範圍的使用

該模型不應被用於故意為人們創造敵對或排斥性的環境。

偏差、風險和侷限性

大量研究已經探討了語言模型的偏差和公平性問題（例如，參見Sheng等人（2021）和Bender等人（2021））。模型生成的預測可能包含針對受保護類別、身份特徵以及敏感、社會和職業群體的令人不安和有害的刻板印象。

建議

用戶（直接用戶和下游用戶）應瞭解該模型的風險、偏差和侷限性。需要更多信息以提供進一步的建議。

訓練詳情

訓練過程

速度、大小、時間

• 注意力頭數量：12
• 隱藏層數量：12
• 詞彙表大小：30522

評估

測試數據、因素和指標

速度、大小、時間

• 注意力頭數量：12
• 隱藏層數量：12
• 詞彙表大小：30522

模型檢查

更多信息待補充。

環境影響

可以使用Lacoste等人（2019）提出的機器學習影響計算器來估算碳排放。

• 硬件類型：需要更多信息
• 使用時長：需要更多信息
• 雲服務提供商：需要更多信息
• 計算區域：需要更多信息
• 碳排放：需要更多信息

技術規格（可選）

計算基礎設施

軟件

Transformers版本：4.4.0.dev0

引用

BibTeX

更多信息待補充。

APA

更多信息待補充。

詞彙表（可選）

更多信息待補充。

更多信息（可選）

更多信息待補充。

模型卡片作者（可選）

Impira團隊與Ezi Ozoani和Hugging Face團隊合作完成。

模型卡片聯繫方式

更多信息待補充。

信息表格

常用提示信息

⚠️ 重要提示

該模型生成的預測可能包含針對受保護類別、身份特徵以及敏感、社會和職業群體的令人不安和有害的刻板印象，用戶應瞭解該模型的風險、偏差和侷限性。

💡 使用建議

目前需要更多信息以提供進一步的使用建議。