语言: 中文
标签:

• tapas
• TapasModel
  许可证: apache-2.0

TAPAS大型模型

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_large_reset检查点。该模型通过MLM（掩码语言建模）及作者称为"中间预训练"的附加步骤进行预训练，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_large

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，通过自监督方式在海量英文维基百科表格及关联文本上预训练而成。其预训练过程完全基于原始数据，无需人工标注，通过自动化流程生成输入与标签。核心预训练目标包括：

• 掩码语言建模(MLM)：将（扁平化处理的）表格与上下文文本中15%的词汇随机掩码，要求模型预测被掩词汇。不同于传统RNN的逐词处理或GPT类模型的自回归掩码，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，作者构建了数百万平衡训练样本的合成数据集，要求模型判断陈述是否被表格内容支持/反驳，涵盖合成陈述与反事实陈述。

通过这种预训练，模型掌握了表格及相关英语文本的内在表征，可支持下游任务如表格问答或陈述验证。实际应用时需在预训练模型顶部添加分类头并进行联合微调。

应用场景与限制

原始模型可用于获取表格-问题对的隐藏表征，但主要用途是微调于下游任务（如问答或序列分类）。参见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（词表量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二次预训练。详见原始TAPAS论文与后续研究。

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}
}