language: zh tags:

• tapas license: apache-2.0 datasets:
• wikisql

基于WikiSQL进行监督式微调的TAPAS大型模型

该模型有两个可用版本。默认版本对应原GitHub仓库中的tapas_wikisql_sqa_inter_masklm_large_reset检查点。此模型先经过MLM及作者称为"中间预训练"的额外步骤预训练，随后在SQA和WikiSQL上以链式方式进行微调。其采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一非默认可选版本为：

• no_reset，对应tapas_wikisql_sqa_inter_masklm_large（中间预训练，绝对位置嵌入）。

免责声明：发布TAPAS的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语料库上进行预训练。这意味着它仅基于原始表格及关联文本进行预训练，无需人工标注（因此可利用大量公开数据），通过自动流程从文本生成输入与标签。具体而言，其预训练包含两个目标：

• 掩码语言建模（MLM）：将（扁平化的）表格及相关上下文输入后，随机遮蔽15%的词汇，模型需预测被遮蔽词汇。与传统RNN逐词处理或GPT类自回归模型不同，此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，作者通过合成数百万平衡训练样本进行额外预训练。模型需判断句子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。

通过这种方式，模型学习了表格及相关英文文本的内在表征，可用于下游任务特征提取，如表格问答或句子与表格内容的蕴涵判断。微调时在预训练模型顶部添加单元格选择头与聚合头，联合训练这些随机初始化的分类头与基础模型。

应用场景与限制

该模型适用于基于表格的问答任务。代码示例请参阅HuggingFace官网的TAPAS文档。

训练流程

预处理

文本经小写化处理，并使用30,000词表的WordPiece分词。模型输入格式为：

[CLS] 问题 [SEP] 扁平化表格 [SEP]

作者首先通过自动转换脚本将WikiSQL数据集转为SQA格式。

微调

模型在32个Cloud TPU v3核心上微调50,000步，最大序列长度512，批量大小512。此配置下微调耗时约10小时，采用Adam优化器（学习率6.17164e-5，预热比例0.1424）。详见论文表11-12。

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}
}

@article{DBLP:journals/corr/abs-1709-00103,
  author    = {Victor Zhong and
               Caiming Xiong and
               Richard Socher},
  title     = {Seq2SQL: Generating Structured Queries from Natural Language using
               Reinforcement Learning},
  journal   = {CoRR},
  volume    = {abs/1709.00103},
  year      = {2017},
  url       = {http://arxiv.org/abs/1709.00103},
  archivePrefix = {arXiv},
  eprint    = {1709.00103},
  timestamp = {Mon, 13 Aug 2018 16:48:41 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1709-00103.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}