1: 识别文档中文字以及准确的对这些文字排序是必须的一步骤
采用 OCR技术识别文字以及对应的图像坐标信息，光栅扫描以生成输入序列按照从左到右，从上到下的顺序；但是以上方法针对复杂的结构就会出现问题；因此文章使用了Document-Parase方法来解析文档使用的是Layot-Parser工具箱：
···https://github.com/Layout-Parser/layout-parser
基于OCR识别的文字以及对应的坐标，first 识别文档的元素（paragraphs，lists，tables，fugures）然后使用特殊的算法识别所在不同文档元素的字符之间的逻辑关系，从而获得准确的阅读顺序；
Text Embedding.：与正常的bert输入一致不再叙述
Visual Embedding:
不仔细深究，其实也比较简单，就是把图像resize到224 通过Faseter-Rcnn转化为一个feature-map特征=[W,H,256],实际代码可以使用resnet模型替代，实际代码W==H=7,最终通过flatten以及映射层转化为与text相同维度，然后增加一维positon以及token type embedding
position embedding就是模型最终输出的feature-map（7*7）对应的位置信息，源代码细看
Layout Embedding.
这是本篇的核心之一，对于每一个字符 增加其对应得坐标信息，转化为对应的embedding加入到字符特征中去，坐标全部转到【0，1000】中去；这个容易理解，但目前有疑问不懂得是visual对应的bbox信息获取，令人费解，谁懂可以在评论告诉我，谢谢；
具体实现如下步骤：
首先以1000为间隔，获取image_feature_pool_shape[1]=7个数列表，
tmp= [0 , 1000, 2000, 3000, 4000, 5000, 6000, 7000]然偶整除获得7的倍数获得结果为：
[0 , 142 , 285 , 428 , 571 , 714 , 857 , 1000]从结果来看，7个x坐标恰巧落在0--1000范围内，所以猜测这样缩放feature-map 7*7 坐标到0-1000范围内，与字符坐标对应。同理visual_bbox_y的取值范围为[0 , 142 , 285 , 428 , 571 , 714 , 857 , 1000]，最终通过各种变换把7*7的feature-map坐标映射到0-1000范围内visual_bbox.shape=[2, 49, 4]，而 4个数值分别表示每一个feature-map的左上角坐标以及右下角的坐标，为了通俗易懂，举例：first 的feature-map 坐标为 [0 , 0 , 142, 142] ，第二个feature-map坐标为[142, 0 , 285, 142]，我们画图来表示这两个位置，大家就理解了
由于我对图像方面相对较弱所以讲解稍微详细写便于理解，正好与所生成的坐标一致，说明理解是正确的。
然后分别把对应的两个坐标信息以及对应的宽高转化为embedding，具体的作者是分别水平的和垂直的信息分别embedding然后相加的
具体代码实现分别把所有整型
坐标信息映射为hidden-size的embedding
embeddings = visual_embeddings + position_embeddings + x1 + y1 + x2 + y2 + w + h
得到最终的embedding信息；然后把visual的embedding拼接到每一个token对应的embeddeding信息中
对应的代码为 final_emb = paddle.concat([text_layout_emb, visual_emb], axis=1)
Multi-modal Transformer、
本次模型使用了DeBERTa的相对距离算法，具体的一维为例：
也就是在2k范围内有效，具体的在坐标表示为：
我们引入三个相对position 的embedding表
分别表示1Dposition和2D x轴y轴的position，然后映射为相对位置的voctor
在处理attention计算时，把原始的attention的权重分离为4个部分，包含了1D/2D和content特征：
对应的权重scores获取表示为：
具体实现：
rel_pos_mat = position_ids.unsqueeze(-2) - position_ids.unsqueeze(-1)首先形成相对位置矩阵
relative_position_bucket函数实现起来相对复杂，但是最终实现的结果为公式5，所以可以直接使用函数实现，而不需要知道怎么实现。最终获取相对位置的权重信息，shape-=【batch_size,num_heads,seq_len,seq_len】,相对来说论文模型结构比较不错，很好的融合了文档图像信息。
