Donut（基于CORD协议训练的基本尺寸模型）

Donut模型基于CORD协议进行了微调。它是由Geewok等人在 OCR-free Document Understanding Transformer 论文中介绍并于 this repository 首次发布的。

免责声明：发布Donut模型的团队未为此模型编写模型卡片，因此该模型卡片由Hugging Face团队编写。

模型描述

Donut由视觉编码器（Swin Transformer）和文本解码器（BART）组成。给定一张图片，编码器首先将图片编码为嵌入张量（形状为batch_size，seq_len，hidden_size），然后解码器在编码器的编码的条件下自回归地生成文本。

预期用途和限制

该模型是在CORD（一个文档解析数据集）上进行微调的。

我们参考了包含代码示例的 documentation 。

BibTeX条目和引用信息

@article{DBLP:journals/corr/abs-2111-15664,
  author    = {Geewook Kim and
               Teakgyu Hong and
               Moonbin Yim and
               Jinyoung Park and
               Jinyeong Yim and
               Wonseok Hwang and
               Sangdoo Yun and
               Dongyoon Han and
               Seunghyun Park},
  title     = {Donut: Document Understanding Transformer without {OCR}},
  journal   = {CoRR},
  volume    = {abs/2111.15664},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.15664},
  eprinttype = {arXiv},
  eprint    = {2111.15664},
  timestamp = {Thu, 02 Dec 2021 10:50:44 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-15664.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}