🚀 Donut（基础大小模型，在ZhTrainTicket上微调）

Donut是一个在ZhTrainTicket数据集上进行微调的模型。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。

需要说明的是，发布Donut的团队并未为此模型撰写模型卡片，本模型卡片由Hugging Face团队编写。

🚀 快速开始

本模型是在文档解析数据集ZhTrainTicket上微调得到的。若需查看包含代码示例的详细内容，请参考 文档。

✨ 主要特性

Donut由一个视觉编码器（Swin Transformer）和一个文本解码器（BART）组成。给定一张图像，编码器首先将图像编码为一个嵌入张量（形状为batch_size, seq_len, hidden_size），然后解码器在编码器编码结果的条件下自回归地生成文本。

📚 详细文档

预期用途和局限性

该模型在文档解析数据集ZhTrainTicket上进行了微调。

BibTeX引用和引用信息

@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

本模型采用MIT许可证。