LiLT Download - LiLT Source Code Download

LiLT

Anderer Quellcode

1.0.0

Herunterladen

Was ist neu

[2022/10] Lilt wurde hier zu? Huggingface/Transformers hinzugefügt.

[2022/03] Erstmodell und Codefreigabe.

Lilt (ACL 2022)

Dies ist die offizielle Pytorch-Implementierung des ACL 2022-Papiers: "Lilt: Ein einfacher, aber effektiver sprachunabhängiger Layout-Transformator für strukturiertes Dokumentverständnis". [offiziell] [Arxiv]

Rahmen

Lilt wird in den visuellreichen Dokumenten einer einzelnen Sprache (Englisch) vorgeschrieben und kann direkt in anderen Sprachen mit den entsprechenden monolinguellen/mehrsprachigen vorgeschriebenen Textmodellen fein abgestimmt werden. Wir hoffen, dass die öffentliche Verfügbarkeit dieser Arbeit dazu beitragen kann, Intelligenzforschungen zu dokumentieren.

Installation

Für CUDA 11.x:

conda create -n liltfinetune python=3.7
conda activate liltfinetune
conda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=11.0 -c pytorch
python -m pip install detectron2==0.5 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu110/torch1.7/index.html
git clone https://github.com/jpWang/LiLT
cd LiLT
pip install -r requirements.txt
pip install -e .

Oder überprüfen Sie die DETECTRON2/PYTORCH -Versionen und ändern Sie die Befehlszeilen entsprechend.

Datensätze

In diesem Repository bieten wir die Feinabstimmungscodes für Funsd und XFund.

Sie können unsere vorverarbeiteten Daten (~ 1,2 GB) von hier herunterladen und den entpackten xfund&funsd/ unter LiLT/ einsetzen.

Verfügbare Kontrollpunkte

Modell	Sprache	Größe	Herunterladen
`lilt-roberta-en-base`	En	293MB	OneDrive
`lilt-infoxlm-base`	Mul	846MB	OneDrive
`lilt-only-base`	Keiner	21 MB	OneDrive

Oder generieren Sie Ihren eigenen Kontrollpunkt (optional)

Wenn Sie die vorgeborene Lilde mit Roberta einer anderen Sprache kombinieren möchten, laden Sie bitte lilt-only-base herunter und verwenden Sie gen_weight_roberta_like.py , um Ihren eigenen vorgeborenen Kontrollpunkt zu generieren.

Kombinieren Sie beispielsweise lilt-only-base mit englischer roberta-base :

mkdir roberta-en-base
wget https://huggingface.co/roberta-base/resolve/main/config.json -O roberta-en-base/config.json
wget https://huggingface.co/roberta-base/resolve/main/pytorch_model.bin -O roberta-en-base/pytorch_model.bin
python gen_weight_roberta_like.py 
     --lilt lilt-only-base/pytorch_model.bin 
     --text roberta-en-base/pytorch_model.bin 
     --config roberta-en-base/config.json 
     --out lilt-roberta-en-base

Oder kombinieren Sie lilt-only-base mit microsoft/infoxlm-base :

mkdir infoxlm-base
wget https://huggingface.co/microsoft/infoxlm-base/resolve/main/config.json -O infoxlm-base/config.json
wget https://huggingface.co/microsoft/infoxlm-base/resolve/main/pytorch_model.bin -O infoxlm-base/pytorch_model.bin
python gen_weight_roberta_like.py 
     --lilt lilt-only-base/pytorch_model.bin 
     --text infoxlm-base/pytorch_model.bin 
     --config infoxlm-base/config.json 
     --out lilt-infoxlm-base

Feinabstimmung

Semantische Entitätserkennung auf Funsd

 CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 examples/run_funsd.py 
        --model_name_or_path lilt-roberta-en-base 
        --tokenizer_name roberta-base 
        --output_dir ser_funsd_lilt-roberta-en-base 
        --do_train 
        --do_predict 
        --max_steps 2000 
        --per_device_train_batch_size 8 
        --warmup_ratio 0.1 
        --fp16

Sprachspezifische (z. B. ZH) Semantische Entitätserkennung auf XFund

 CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 examples/run_xfun_ser.py 
        --model_name_or_path lilt-infoxlm-base 
        --tokenizer_name xlm-roberta-base 
        --output_dir ls_ser_xfund_zh_lilt-infoxlm-base 
        --do_train 
        --do_eval 
        --lang zh 
        --max_steps 2000 
        --per_device_train_batch_size 16 
        --warmup_ratio 0.1 
        --fp16

Sprachspezifische (z.

 CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 examples/run_xfun_re.py 
        --model_name_or_path lilt-infoxlm-base 
        --tokenizer_name xlm-roberta-base 
        --output_dir ls_re_xfund_zh_lilt-infoxlm-base 
        --do_train 
        --do_eval 
        --lang zh 
        --max_steps 5000 
        --per_device_train_batch_size 8 
        --learning_rate  6.25e-6 
        --warmup_ratio 0.1 
        --fp16

Multi-Task-Erkennung der semantischen Entität auf XFund

 CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 examples/run_xfun_ser.py 
        --model_name_or_path lilt-infoxlm-base 
        --tokenizer_name xlm-roberta-base 
        --output_dir mt_ser_xfund_all_lilt-infoxlm-base 
        --do_train 
        --additional_langs all 
        --max_steps 16000 
        --per_device_train_batch_size 16 
        --warmup_ratio 0.1 
        --fp16

Multi-Task-Beziehungsextraktion auf XFund

 CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 examples/run_xfun_re.py 
        --model_name_or_path lilt-infoxlm-base 
        --tokenizer_name xlm-roberta-base 
        --output_dir mt_re_xfund_all_lilt-infoxlm-base 
        --do_train 
        --additional_langs all 
        --max_steps 40000 
        --per_device_train_batch_size 8 
        --learning_rate  6.25e-6 
        --warmup_ratio 0.1 
        --fp16

Ergebnisse

Semantische Entitätserkennung auf Funsd

funsd

Sprachspezifische Feinabstimmung auf XFund

ls_xfund

Kreuzsprachiger Zero-Shot-Übertragung auf XFund

cl_xfund

Multitasking-Feinabstimmung auf XFund

Mt_xfund

Anerkennen

Das Repository profitiert stark von Unilm/Layoutlmft. Vielen Dank für ihre hervorragende Arbeit.

Zitat

Wenn unser Papier Ihre Recherche hilft, zitieren Sie es bitte in Ihrer Veröffentlichung (en):

 @inproceedings{wang-etal-2022-lilt,
    title = "{L}i{LT}: A Simple yet Effective Language-Independent Layout Transformer for Structured Document Understanding",
    author={Wang, Jiapeng and Jin, Lianwen and Ding, Kai},
    booktitle = "Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)",
    month = may,
    year = "2022",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2022.acl-long.534",
    doi = "10.18653/v1/2022.acl-long.534",
    pages = "7747--7757",
}