language: zh tags:

• tapex
• 表格问答 license: mit

TAPEX（大尺寸模型）

TAPEX由Qian Liu、Bei Chen、Jiaqi Guo、Morteza Ziyadi、Zeqi Lin、Weizhu Chen和Jian-Guang Lou在论文TAPEX: 通过神经SQL执行器学习实现表格预训练中提出。原始代码库可在此处找到。

模型描述

TAPEX（Table Pre-training via Execution）是一种概念简单且实证效果强大的预训练方法，旨在赋予现有模型表格推理能力。TAPEX通过在一个合成语料库上学习神经SQL执行器来实现表格预训练，该语料库通过自动合成可执行的SQL查询获得。

TAPEX基于BART架构，这是一种具有双向（类似BERT）编码器和自回归（类似GPT）解码器的Transformer编码器-解码器（序列到序列）模型。

预期用途

您可以使用原始模型来模拟神经SQL执行，即使用TAPEX在给定表格上执行SQL查询。然而，该模型主要用于在有监督的数据集上进行微调。目前，TAPEX可以微调以处理表格问答任务和表格事实验证任务。请参阅模型中心以查找您感兴趣任务的微调版本。

如何使用

以下是如何在transformers中使用此模型：

from transformers import TapexTokenizer, BartForConditionalGeneration
import pandas as pd

tokenizer = TapexTokenizer.from_pretrained("microsoft/tapex-large-sql-execution")
model = BartForConditionalGeneration.from_pretrained("microsoft/tapex-large-sql-execution")

data = {
    "year": [1896, 1900, 1904, 2004, 2008, 2012],
    "city": ["athens", "paris", "st. louis", "athens", "beijing", "london"]
}
table = pd.DataFrame.from_dict(data)

# tapex接受不区分大小写的输入，因为它在不区分大小写的语料库上进行了预训练
query = "select year where city = beijing"
encoding = tokenizer(table=table, query=query, return_tensors="pt")

outputs = model.generate(**encoding)

print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# ['2008']

如何微调

⚠️ 此模型检查点仅用于模拟神经SQL执行（即使用TAPEX在给定表格上执行SQL查询），您不能使用此模型对下游任务进行微调。可用于微调的模型位于此处。

之所以将两种用途的模型分开，是因为BART large存在一个已知问题，我们建议读者查看此评论以获取更多详情。

BibTeX条目和引用信息

@inproceedings{
    liu2022tapex,
    title={{TAPEX}: 通过神经SQL执行器学习实现表格预训练},
    author={Qian Liu and Bei Chen and Jiaqi Guo and Morteza Ziyadi and Zeqi Lin and Weizhu Chen and Jian-Guang Lou},
    booktitle={International Conference on Learning Representations},
    year={2022},
    url={https://openreview.net/forum?id=O50443AsCP}
}