Donut（基于预训练的标准尺寸模型）

Donut模型仅进行了预训练。它是由Geewok等人在 OCR-free Document Understanding Transformer 论文中介绍并首次发布于 this repository 。

声明：发布Donut的团队没有为这个模型编写模型卡片，所以这个模型卡片是由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。给定一张图像，编码器首先将图像编码成嵌入向量（形状为batch_size，seq_len，hidden_size）的张量，然后解码器在编码器的编码的条件下自回归生成文本。

预期用途和局限性

该模型旨在在下游任务上进行微调，如文档图片分类或文档解析。请参阅 model hub 以查找您感兴趣的任务上进行微调的版本。

我们参考了 documentation 中的代码示例。

BibTeX条目和引文信息

@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}
}