language: zh tags:

• tapas
• TapasModel license: apache-2.0

TAPAS小型模型

该模型有两个可用版本。默认的最新版本对应原版Github仓库中的tapas_inter_masklm_small_reset检查点。此模型基于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，默认采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一非默认版本使用绝对位置嵌入：

• revision="no_reset"，对应tapas_inter_masklm_small

免责声明：TAPAS发布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，通过自监督方式在维基百科英文表格及关联文本的大规模语料上进行预训练。这意味着其仅使用原始表格和关联文本（无需人工标注），通过自动流程生成输入和标签。具体通过两个目标进行预训练：

• 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，要求模型预测被遮蔽部分。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与文本的双向表征。
• 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，模型习得了表格及关联文本中英语语言的内在表征，可应用于下游任务如表格问答或句子与表格内容的一致性判断。微调时通过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层。

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（如问答或序列分类）的微调。请查阅模型中心寻找相关任务的微调版本。

训练流程

预处理

文本经小写处理和WordPiece分词（词汇量30,000）。模型输入格式为：

[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，批次大小512。仅MLM预训练耗时约3天。另针对表格蕴含任务进行二次预训练，详见原版TAPAS论文及后续研究。

使用Adam优化器（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}
}