Tapas Base

🚀 TAPAS基础模型

TAPAS基础模型有两个版本可供使用，它能学习表格及相关文本中英语语言的内部表示，可用于提取对下游任务有用的特征，例如回答关于表格的问题，或确定句子是否由表格内容支持或反驳。

🚀 快速开始

此模型有两个可用版本。最新版本（即默认版本）对应于原始GitHub仓库中的tapas_inter_masklm_base_reset检查点。该模型在掩码语言模型（MLM）和作者所称的中间预训练这一额外步骤上进行了预训练。它默认使用相对位置嵌入（即在表格的每个单元格处重置位置索引）。

另一个（非默认）可用版本是使用绝对位置嵌入的版本：

• revision="no_reset"，对应于tapas_inter_masklm_base。

声明：发布TAPAS的团队并未为此模型编写模型卡片，因此本模型卡片由Hugging Face团队及其贡献者编写。

✨ 主要特性

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和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），并通过一个自动过程从这些文本中生成输入和标签。更确切地说，它通过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，模型随机掩盖输入中15%的单词，然后将整个（部分掩码的）序列输入模型。接着，模型必须预测被掩盖的单词。这与传统的循环神经网络（RNN）不同，RNN通常逐个处理单词，也与像GPT这样的自回归模型不同，GPT会在内部掩盖未来的标记。这使得模型能够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，作者通过创建一个由数百万个句法生成的训练示例组成的平衡数据集，对模型进行了额外的预训练。在此过程中，模型必须预测（分类）一个句子是否由表格内容支持或反驳。训练示例是基于合成以及反事实陈述创建的。

通过这种方式，模型学习了表格和相关文本中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，如下游任务如回答关于表格的问题，或确定句子是否由表格内容支持或反驳。微调是通过在预训练模型之上添加一个或多个分类头，然后在下游任务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。

预期用途和限制

你可以使用原始模型来获取关于表格 - 问题对的隐藏表示，但它主要用于在下游任务（如问答或序列分类）上进行微调。请参阅模型中心，查找针对你感兴趣的任务进行微调的版本。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

文档未提及代码示例，故跳过此章节。

📚 详细文档

训练过程

预处理

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

[CLS] 句子 [SEP] 扁平化表格 [SEP]

预训练

该模型在32个Cloud TPU v3核心上进行了1,000,000步的预训练，最大序列长度为512，批量大小为512。在这种设置下，仅进行MLM预训练大约需要3天。此外，该模型还在第二个任务（表格蕴含）上进行了进一步的预训练。更多详细信息请参阅原始TAPAS 论文和后续论文。

使用的优化器是Adam，学习率为5e - 5，热身比例为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}
}

🔧 技术细节

文档未提及足够的技术实现细节，故跳过此章节。

📄 许可证

此模型使用的许可证为Apache-2.0。