🚀 TAPAS迷你模型在WikiTable Questions (WTQ) 上微调
本模型可使用的版本有两个。默认版本对应于原始GitHub仓库中的 tapas_wtq_wikisql_sqa_inter_masklm_mini_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 上进行微调。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)可使用的版本是:
no_reset
,对应于 tapas_wtq_wikisql_sqa_inter_masklm_mini
(中间预训练,绝对位置嵌入)。
免责声明:发布TAPAS的团队未为此模型撰写模型卡片,因此本模型卡片由Hugging Face团队及贡献者撰写。
📊 结果
📖 模型描述
TAPAS是一个类似BERT的Transformer模型,以自监督的方式在来自维基百科的大量英语数据语料库上进行预训练。
这意味着它仅在原始表格及相关文本上进行预训练,没有人工以任何方式对其进行标注(这就是为什么它可以使用大量公开可用的数据),并通过自动过程从这些文本中生成输入和标签。更确切地说,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)表格及相关上下文,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。接着,模型必须预测被掩码的单词。这与通常逐个查看单词的传统循环神经网络(RNN)不同,也与像GPT这样在内部掩码未来标记的自回归模型不同。它使模型能够学习表格及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,对模型进行了额外的预训练。在这里,模型必须预测(分类)一个句子是否得到表格内容的支持或反驳。训练示例基于合成语句和反事实语句创建。
通过这种方式,模型学习了表格及相关文本中使用的英语的内部表示,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所蕴含或反驳。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来完成的,然后在SQa、WikiSQL上联合训练这些随机初始化的分类头和基础模型,最后在WTQ上进行训练。
📌 预期用途与限制
你可以使用此模型回答与表格相关的问题。
有关代码示例,请参考HuggingFace网站上TAPAS的文档。
🏋️ 训练过程
⚙️ 预处理
文本使用WordPiece进行小写处理和分词,词汇量大小为30,000。模型的输入形式如下:
[CLS] 问题 [SEP] 扁平化表格 [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
该模型在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,热身比例为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)。
📚 BibTeX条目和引用信息
@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/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}
}
📄 许可证
本模型使用的许可证为Apache-2.0。