TAPAS基础模型在WikiSQL上进行微调（以监督方式）

这个模型有两个可用版本。默认版本对应于 original Github repository 的tapas_wikisql_sqa_inter_masklm_base_reset检查点。此模型在MLM上进行了预训练和作者称之为中间预训练的额外步骤，然后通过 SQA 和 WikiSQL 的链式微调。它使用相对位置嵌入（即在表的每个单元格中重置位置索引）。

另一个（非默认）可用的版本是：

• no_reset，对应于tapas_wikisql_sqa_inter_masklm_base（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模型卡片，因此此模型卡片是由Hugging Face团队和贡献者编写的。

模型描述

TAPAS是预训练的BERT-like transformers模型，以自我监督的方式在大量英文维基百科数据上进行训练。这意味着它只是在原始表格和相关文本上进行了预训练，没有以任何方式进行人工标注（这就是它可以使用大量公开可用数据的原因），并使用自动化过程从这些文本中生成输入和标签。更准确地说，它通过两个目标进行了预训练：

• 屏蔽语言建模（MLM）：将（扁平化的）表格和相关上下文带入，模型随机屏蔽输入中15％的单词，然后将整个（部分屏蔽的）序列输入模型。然后，模型必须预测被屏蔽的单词。这与传统的递归神经网络（RNN）不同，传统的RNN通常只能看到一个接一个的单词，或者与GPT等自回归模型内部屏蔽未来标记的方法不同。它使得模型能够学习表格和相关文本的双向表示。
• 中间预训练：为了鼓励对表格进行数值推理，作者还通过创建平衡的数据集，包含数百万个根据句法创建的训练样本，对模型进行了额外的预训练。在这里，模型必须预测（分类）句子是否由表格的内容支持或反驳。训练样本基于合成和反事实的陈述创建。

这样，模型学习了用于表格和相关文本的英语的内部表示，可以用于提取有用于下游任务的特征，例如回答关于表格的问题，或确定句子是否由表格的内容所支持或反驳。微调是通过在预训练模型之上添加一个单元格选择头和聚合头，并与基础模型一起随机初始化这些分类头进行联合训练，在SQA和WikiSQL上进行的。

预期的用途和限制

您可以使用此模型来回答与表格相关的问题。

有关代码示例，请参阅HuggingFace网站上TAPAS的文档。

训练步骤

预处理

文本被转换为小写并使用WordPiece进行分词，词汇大小为30,000。模型的输入形式如下：

[CLS] Question [SEP] Flattened table [SEP]

作者首先使用自动转换脚本将WikiSQL数据集转换为SQA格式。

微调

模型在32个Cloud TPU v3核心上进行了50,000步的微调，最大序列长度为512，批量大小为512。在此设置下，微调大约需要10个小时。使用Adam优化器，学习率为6.17164e-5，热身比率为0.1424。详情请参阅 paper （表11和表12）。

BibTeX条目和引用信息

@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}
}