Donut（基准尺寸模型，仅预训练）

Donut模型仅预训练。它是由Geewok等人在 OCR-free Document Understanding Transformer 论文中提出，并于 this repository 首次发布。

免责声明：发布Donut的团队并未为该模型撰写模型卡片，因此该模型卡片是由Hugging Face团队编写的。

模型描述

Donut由一个视觉编码器（Swin Transformer）和一个文本解码器（BART）组成。给定一张图片，编码器首先将图像编码为嵌入张量（形状为batch_size、seq_len、hidden_size），然后解码器根据编码器的编码自回归地生成文本。

拟合使用情况和限制

这个模型旨在在下游任务上进行微调，如文档图像分类或文档解析。查看 model hub 以寻找您感兴趣的任务上微调的版本。

如何使用

我们参考 documentation ，其中包含代码示例。

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}
}