Donut（基础尺寸模型，在ZhTrainTicket上微调）

Donut模型在ZhTrainTicket上进行了微调。它首次在Geewok等人的论文 OCR-free Document Understanding Transformer 中提出，并于 this repository 首次发布。

免责声明：发布Donut模型的团队未为该模型编写模型卡，因此此模型卡由Hugging Face团队编写。

模型描述

Donut包括一个视觉编码器（Swin Transformer）和一个文本解码器（BART）。给定一个图像，编码器首先将图像编码为嵌入向量张量（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生成文本。

预期用途和限制

此模型在ZhTrainTicket上进行了微调，该数据集用于文档解析。

我们参考 documentation 中的代码示例。

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}
}