TAPEX (基础模型)

TAPEX是由Qian Liu、Bei Chen、Jiaqi Guo、Morteza Ziyadi、Zeqi Lin、Weizhu Chen、Jian-Guang Lou在 TAPEX: Table Pre-training via Learning a Neural SQL Executor 提出的。原始仓库可以在 here 找到。

模型描述

TAPEX（通过执行进行表格预训练）是一种概念简单且经验证有效的预训练方法，用于赋予现有模型表格推理能力。TAPEX通过学习一个神经SQL执行器来实现表格预训练，该执行器通过自动合成可执行的SQL查询从而获得一个合成语料库。

TAPEX基于BART架构，即具有双向(类似BERT)编码器和自回归(类似GPT)解码器的变压器编码器-解码器(seq2seq)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来执行给定表格上的SQL查询。然而，该模型主要用于在监督数据集上进行微调。目前，TAPEX可以进行微调以应对表格问答任务和表格事实验证任务。请查看 model hub 以寻找您感兴趣的任务的微调版本。

如何使用

以下是在transformers中使用该模型的方法：

from transformers import TapexTokenizer, BartForConditionalGeneration
import pandas as pd

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

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 = "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']

如何进行微调

请查找微调脚本 here 。

BibTeX条目和引用信息

@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}
}