language: zh tags:

• tapas
• TapasModel license: apache-2.0

TAPAS迷你模型

该模型提供两个可用版本。默认的最新版本对应原版GitHub仓库中的tapas_inter_masklm_mini_reset检查点。此模型经过MLM（掩码语言建模）及作者称为"中间预训练"的额外步骤预训练，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_mini

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是基于Transformer架构的BERT类模型，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预训练。其预训练过程完全基于原始表格数据自动生成输入和标签，无需人工标注。核心预训练目标包括：

• 掩码语言建模(MLM)：将（扁平化处理的）表格及上下文文本中15%的词汇随机掩码后，模型需预测被掩码词汇。与传统RNN逐词处理或GPT类自回归模型不同，该方法使模型能学习表格与文本的双向关联表征。
• 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进行二次预训练。模型需判断语句是否被表格内容支持或反驳，这些样本包含合成陈述与反事实陈述。

通过上述预训练，模型可捕获表格及相关文本的深层语义特征，适用于下游任务如表格问答或语句蕴涵判断。实际应用时需在预训练模型基础上添加分类头并进行联合微调。

适用场景与限制

原始模型可用于获取表格-问题对的隐藏表征，但主要用途是经过下游任务（如问答或序列分类）微调。请查阅模型中心寻找相关任务的微调版本。

训练流程

数据预处理

文本经小写处理和WordPiece分词（词表大小30,000），输入格式为：

[CLS] 句子 [SEP] 扁平化表格 [SEP]

预训练配置

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，后续增加了表格蕴涵任务的预训练。详见原始TAPAS论文及后续研究。采用Adam优化器（学习率5e-5，预热比例0.01）。

文献引用

@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}
}