Donut Base Encoder

🚀 Donut（基础尺寸模型，仅预训练）

Donut是一个仅经过预训练的模型。它由Geewok等人在论文无需OCR的文档理解Transformer中提出，并首次在此仓库中发布。

声明：发布Donut的团队并未为此模型撰写模型卡片，因此本模型卡片由Hugging Face团队撰写。

🚀 快速开始

本模型旨在在下游任务（如文档图像分类或文档解析）上进行微调。您可以查看模型中心，寻找针对您感兴趣的任务进行微调后的版本。

若要使用该模型，可参考包含代码示例的文档。

✨ 主要特性

Donut编码器由一个视觉编码器（Swin Transformer）组成。给定一张图像，编码器会将该图像编码为一个嵌入张量（形状为batch_size、seq_len、hidden_size）。

📚 详细文档

BibTeX引用及引用信息

@article{DBLP:journals/corr/abs-2111-15664,
  author    = {Geewook Kim and
               Teakgyu Hong and
               Moonbin Yim and
               Jinyoung Park and
               Jinyeong Yim and
               Wonseok Hwang and
               Sangdoo Yun and
               Dongyoon Han and
               Seunghyun Park},
  title     = {Donut: Document Understanding Transformer without {OCR}},
  journal   = {CoRR},
  volume    = {abs/2111.15664},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.15664},
  eprinttype = {arXiv},
  eprint    = {2111.15664},
  timestamp = {Thu, 02 Dec 2021 10:50:44 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-15664.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 许可证

本项目采用MIT许可证。