🚀 TAPEX (基础规模模型)

TAPEX是一种用于表格推理的预训练模型，通过学习神经SQL执行器来赋予现有模型表格推理能力，能有效处理表格问答任务。

🚀 快速开始

TAPEX（通过执行进行表格预训练）由Qian Liu、Bei Chen、Jiaqi Guo、Morteza Ziyadi、Zeqi Lin、Weizhu Chen、Jian - Guang Lou在论文 TAPEX: Table Pre-training via Learning a Neural SQL Executor 中提出。原代码仓库可在 这里 找到。

✨ 主要特性

• TAPEX是一种概念简单且在实践中效果强大的预训练方法，能赋予现有模型表格推理技能。它通过在合成语料库上学习神经SQL执行器来实现表格预训练，该语料库是通过自动合成可执行的SQL查询获得的。
• 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 - 编码器（seq2seq）模型。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import TapexTokenizer, BartForConditionalGeneration
import pandas as pd

tokenizer = TapexTokenizer.from_pretrained("microsoft/tapex-base-finetuned-wikisql")
model = BartForConditionalGeneration.from_pretrained("microsoft/tapex-base-finetuned-wikisql")

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

# tapex accepts uncased input since it is pre-trained on the uncased corpus
query = "In which year did beijing host the Olympic Games?"
encoding = tokenizer(table=table, query=query, return_tensors="pt")

outputs = model.generate(**encoding)

print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# [' 2008.0']

高级用法

文档未提及高级用法代码示例，故跳过此部分。

📚 详细文档

预期用途

可以使用该模型处理相对简单的表格问答问题。以下是一些可解决的问题示例（对应表格未展示）：

评估方法

评估脚本可在 这里 找到。

引用信息

@inproceedings{
    liu2022tapex,
    title={{TAPEX}: Table Pre-training via Learning a Neural {SQL} Executor},
    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}
}

🔧 技术细节

TAPEX（Table Pre - training via Execution）基于BART架构，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 - 编码器（seq2seq）模型。此模型是在 WikiSQL 数据集上微调的tapex - base模型。

📄 许可证

本项目采用MIT许可证。