Tapas Tiny Finetuned Wtq

🚀 TAPAS微型模型在WikiTable Questions (WTQ) 上微调

该模型有两个可用版本。默认版本对应于原始GitHub仓库中的 tapas_wtq_wikisql_sqa_inter_masklm_tiny_reset 检查点。 此模型在MLM和作者称为中间预训练的额外步骤上进行了预训练，然后在 SQA、WikiSQL 上进行链式微调，最后在 WTQ 上微调。它使用相对位置嵌入（即在表格的每个单元格处重置位置索引）。

另一个（非默认）可用版本是：

• no_reset，对应于 tapas_wtq_wikisql_sqa_inter_masklm_tiny（中间预训练，绝对位置嵌入）。

免责声明：发布TAPAS的团队没有为此模型编写模型卡片，因此此模型卡片由Hugging Face团队和贡献者编写。

🚀 快速开始

你可以使用此模型回答与表格相关的问题。代码示例请参考Hugging Face网站上TAPAS的文档。

✨ 主要特性

• 基于自监督学习，在大量英文维基百科数据上预训练，学习表格和相关文本的内部表示。
• 经过中间预训练，鼓励在表格上进行数值推理。
• 可通过微调用于下游任务，如表格问答。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

文档未提供代码示例，故跳过此章节。

📚 详细文档

结果

模型描述

TAPAS是一个类似BERT的Transformer模型，以自监督方式在大量英文维基百科数据语料库上进行预训练。 这意味着它仅在原始表格和相关文本上进行预训练，没有人工进行任何标注（这就是为什么它可以使用大量公开可用数据），并通过自动过程从这些文本中生成输入和标签。更准确地说，它以两个目标进行预训练：

• 掩码语言模型（MLM）：给定一个（扁平化的）表格和相关上下文，模型随机掩码输入中15%的单词，然后将整个（部分掩码的）序列输入模型。模型必须预测被掩码的单词。这与通常逐个处理单词的传统循环神经网络（RNN）不同，也与像GPT这样内部掩码未来标记的自回归模型不同。它允许模型学习表格和相关文本的双向表示。
• 中间预训练：为了鼓励在表格上进行数值推理，作者通过创建数百万个语法生成的训练示例的平衡数据集，额外对模型进行预训练。在这里，模型必须预测（分类）一个句子是否由表格内容支持或反驳。训练示例基于合成语句和反事实语句创建。

通过这种方式，模型学习了表格和相关文本中使用的英语语言的内部表示，然后可用于提取对下游任务有用的特征，如下回答关于表格的问题，或确定一个句子是否由表格内容蕴含或反驳。微调是通过在预训练模型之上添加单元格选择头和聚合头，然后在SQa、WikiSQL和最终的WTQ上联合训练这些随机初始化的分类头和基础模型来完成的。

预期用途和局限性

你可以使用此模型回答与表格相关的问题。

训练过程

预处理

文本使用WordPiece进行小写处理和分词，词汇表大小为30,000。模型的输入形式如下：

[CLS] Question [SEP] Flattened table [SEP]

作者首先使用自动转换脚本将WTQ数据集转换为SQA的格式。

微调

模型在32个Cloud TPU v3核心上进行了50,000步的微调，最大序列长度为512，批量大小为512。在这种设置下，微调大约需要10小时。使用的优化器是Adam，学习率为1.93581e - 5，预热比例为0.128960。添加了归纳偏置，使模型仅选择同一列的单元格。这反映在 TapasConfig 的 select_one_column 参数中。更多详细信息请参阅论文（表11和12）。

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/PasupatL15,
  author    = {Panupong Pasupat and
               Percy Liang},
  title     = {Compositional Semantic Parsing on Semi-Structured Tables},
  journal   = {CoRR},
  volume    = {abs/1508.00305},
  year      = {2015},
  url       = {http://arxiv.org/abs/1508.00305},
  archivePrefix = {arXiv},
  eprint    = {1508.00305},
  timestamp = {Mon, 13 Aug 2018 16:47:37 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/PasupatL15.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

🔧 技术细节

文档中关于技术细节的描述较为详细，已在上述详细文档中体现，故不再单独列出此章节。

📄 许可证

本模型使用的许可证为 apache-2.0。