LiLT

什么是新的

[2022/10] LILT已添加到这里的HuggingFace/Transformers。

[2022/03]初始模型和代码发布。

LILT（ACL 2022）

这是ACL 2022论文的官方Pytorch实施：“ LILT：一种简单而有效的语言独立的布局变压器，用于结构化文档的理解”。 [官方] [arxiv]

LILT已在单一语言（英语）的视觉文档上进行了预先训练，并且可以直接对其他语言进行微调，并具有相应的现成单语/多语言预训练的预训练的文本模型。我们希望这项工作的公众可用性可以帮助记录情报研究。

安装

对于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 .

或检查detectron2/pytorch版本并相应地修改命令行。

数据集

在此存储库中，我们为FUNSD和XFUND提供了微调代码。

您可以从此处下载我们的预处理数据（〜1.2GB） ，然后将未拉链的xfund&funsd/放在LiLT/下。

可用的检查点

模型	语言	尺寸	下载
lilt-roberta-en-base	en	293MB	OneDrive
lilt-infoxlm-base	mul	846MB	OneDrive
lilt-only-base	没有任何	21MB	OneDrive

或生成自己的检查点（可选）

如果您想将预先训练的LILT与其他语言的Roberta相结合，请下载lilt-only-base ，并使用gen_weight_roberta_like.py生成自己的预训练检查点。

例如，将lilt-only-base与英语roberta-base相结合：

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

或lilt-only-base与microsoft/infoxlm-base结合在一起：

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

微调

FUNSD的语义实体识别

 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

XFund上的语言特定（例如，ZH）语义实体识别

 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

XFUND上的语言特定（例如，ZH）的关系提取

 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

Xfund上的多任务语义实体识别

 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

XFUND上的多任务关系提取

 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

结果

FUNSD的语义实体识别

XFUND上的语言特定微调

Xfund上的跨语性零射传输

Xfund上的多任务微调

承认

存储库从Unilm/Layoutlmft受益匪浅。非常感谢他们的出色工作。

引用

如果我们的论文有助于您的研究，请在您的出版物中引用：

 @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",
}

反馈

非常欢迎建议和讨论。请通过发送电子邮件至[email protected]与作者联系。