语言: 中文 标签:

• tapas
• TapasModel 许可证: apache-2.0

TAPAS 微型模型

该模型有两个可用版本。默认的最新版本对应原始GitHub仓库中的tapas_inter_masklm_tiny_reset检查点。此模型通过MLM（掩码语言建模）及作者称为中间预训练的额外步骤进行预训练，默认使用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一个非默认版本采用绝对位置嵌入：

• revision="no_reset"，对应tapas_inter_masklm_tiny

免责声明：发布TAPAS的团队未为此模型编写说明卡片，本卡片由Hugging Face团队及贡献者撰写。

模型描述

TAPAS是一种类似BERT的Transformer模型，基于维基百科英文表格数据通过自监督方式进行大规模预训练。这意味着它仅通过原始表格及相关文本进行预训练，无需人工标注（因此可利用大量公开数据），通过自动化流程生成输入和标签。具体而言，其预训练包含两个目标：

• 掩码语言建模（MLM）：将（扁平化的）表格与上下文输入后，随机遮蔽15%的词汇，模型需预测被遮蔽部分。不同于传统RNN的逐词处理或GPT类自回归模型的未来标记遮蔽，该方法使模型能学习表格及关联文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者基于数百万条合成训练样本构建平衡数据集，要求模型判断句子是否被表格内容支持或反驳。训练样本包含合成陈述与反事实陈述。

通过这种方式，模型学习了表格及相关英语文本的内部表征，可用于下游任务特征提取，如表格问答或句子与表格内容的蕴含关系判断。微调时，在预训练模型顶部添加分类头，联合训练这些随机初始化的分类头与基础模型。

预期用途与限制

原始模型可用于获取表格-问题对的隐藏表征，但主要适用于下游任务微调，如问答或序列分类。请查阅模型库寻找相关任务的微调版本。

训练流程

预处理

文本经小写化和WordPiece分词（词汇量30,000），输入格式为：

[CLS] 句子 [SEP] 扁平化表格 [SEP]

预训练

模型在32个Cloud TPU v3核心上训练1,000,000步，最大序列长度512，批量大小512。仅MLM预训练耗时约3天。此外，模型在表格蕴含任务上进行了二次预训练。详见原始TAPAS论文及后续研究。

优化器采用Adam，学习率5e-5，预热比例0.01。

BibTeX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}
}