Document Understanding
最新
False
- 概述
- 入门指南
- 活动
- Insights 仪表板
- Document Understanding 流程
- 快速入门教程
- 框架组件
- ML 包
- 概述
- Document Understanding - ML 包
- DocumentClassifier - ML 包
- 具有 OCR 功能的 ML 包
- 1040 - ML 包
- 1040 附表 C - ML 包
- 1040 附表 D - ML 包
- 1040 附表 E - ML 包
- 4506T - ML 包
- 990 - ML 包 - 预览
- ACORD125 - ML 包
- ACORD126 - ML 包
- ACORD131 - ML 包
- ACORD140 - ML 包
- ACORD25 - ML 包
- 银行对账单 - ML 包
- 提单 - ML 包
- 公司注册证书 - ML 包
- 原产地证书 - ML 包
- 检查 - ML 包
- 儿童产品证书 - ML 包
- CMS 1500 - ML 包
- 欧盟符合性声明 - ML 包
- 财务报表 (Financial statements) - ML 包
- FM1003 - ML 包
- I9 - ML 包
- ID Cards - ML 包
- Invoices - ML 包
- Invoices Australia - ML package
- Invoices China - ML package
- Invoices India - ML package
- Invoices Japan - ML package
- 发货发票 - ML 包
- 装箱单 - ML 包
- 工资单 - ML 包
- 护照 - ML 包
- 采购订单 - ML 包
- 收据 - ML 包
- 汇款通知书 - ML 包
- UB04 - ML 包
- 水电费账单 - ML 包
- 车辆所有权证明 - ML 包
- W2 - ML 包
- W9 - ML 包
- 其他开箱即用的 ML 包
- 公共端点
- 流量限制
- OCR 配置
- 管道
- OCR 服务
- 深度学习
- 许可
Document Understanding 用户指南
上次更新日期 2024年4月30日
训练管道
重要提示:
最小数据集大小
为了成功运行训练管道,我们强烈建议数据集中的每个已标记字段至少具有 10 个文档和 5 个样本。否则,管道将引发以下错误:
Dataset Creation
Failed
。
在 GPU 与 CPU 上进行训练
- 对于较大的数据集,您需要使用 GPU 进行训练。此外,使用 GPU 进行训练至少比使用 CPU 快 10 倍。
- 对于 v21.10.x ML 包,在 CPU 上训练仅支持大小不超过 5000 页的数据集,而对于其他版本的 ML 包,在 CPU 上训练的限制为最多 1000 页。
- 在 2021.10 版本之前,在 CPU 上训练的限制为 500 页,对于 2021.10 版本,其增加到 5000 页,对于 2022.4 版本,其将减少到最多 1000 页。
有关数据集结构的更多信息,请查看数据集格式部分。
有两种方法可以训练 ML 模型:
- 从头开始训练模型
- 重新训练开箱即用模型
可以使用 Document Understanding ML 包从头开始训练模型,该包在作为输入提供的数据集上执行此操作。
可以使用开箱即用的 ML 包(例如发票、收据、采购订单、水电费账单、印度发票、澳大利亚发票等)重新训练模型,基本上可以使用除 Document Understanding 以外的任何其他数据提取 ML 包。使用其中一个包进行训练时会产生另外一个输入:基本模型。我们将此称为重新训练,因为您不是从头开始,而是从基本模型开始。这种方法使用了一种称为“迁移学习”的技术,模型会利用另一个预先存在的模型中编码的信息。该模型保留了一些开箱即用的知识,但也会从新数据中学习。但是,随着训练数据集大小的增加,预训练的基本模型会越来越不重要。它主要与中小型训练数据集(最多 500-800 页)相关。
按如下方式配置训练管道:
- 在“管道类型”字段中,选择“训练运行”。
- 在“选择包”字段中,选择基于 Document Understanding ML 包创建的包。
- 在“选择包主要版本”字段中,选择包的主要版本。
- 在“选择包次要版本”字段中,选择包的次要版本。强烈建议始终使用次要版本 0(零)。
- 在“选择输入数据集”字段中,选择一个数据集,如本页下方视频所示。要构建高质量的训练数据集,您可以查看此教程。
- 在“输入参数”部分中,输入管道定义和使用的任何环境变量(如果有)。对于大多数用例,不需要指定任何参数,模型将使用高级技术来查找高性能配置。但是,您可以使用以下一些环境变量:
auto_retraining
,您可借此完成自动重新训练循环;如果将该变量设置为 True,则输入数据集必须是与数据所标记的标签会话相关联的“导出”文件夹;如果仍将该变量设置为 False,则输入数据集需要对应于以下数据集格式。model.epochs
,用于自定义训练管道的时期数(默认值为 100)。Optional
。- 对于 ML 包 v23.4 或更高版本,在少于 400 页的数据集上进行训练时,需要使用一种称为冻结主干的方法来加速训练并提高性能。但是,您可以选择覆盖此行为并强制执行完整训练,即使对于较小的数据集也如此,或者相反,即使对于较大的数据集(最多 3000 页),也强制执行冻结主干训练。您可以将以下环境变量与条件一起使用,可以将第一个变量与第二个变量一起使用,也可以将第一个变量与第三个变量一起使用。
Optional
。model.override_finetune_freeze_backbone_mode=True
- 要覆盖默认行为,请添加此环境变量。在以下两种情况下,此变量都是必需的。model.finetune_freeze_backbone_mode=True
- 要强制模型即使对于较大的数据集也使用“冻结主干”,请添加此环境变量。model.finetune_freeze_backbone_mode=False
- 要强制模型即使对于较小的数据集也使用“完整训练”,请添加此环境变量。
- 选择是在 GPU 还是 CPU 上训练管道。默认情况下,“启用 GPU”滑块处于禁用状态,在这种情况下,管道将在 CPU 上进行训练。
- 请选择管道应何时运行:“立即运行”、“基于时间”或“循环”。如果您使用的是
auto_retraining
变量,请选择“循环”。 - 配置所有字段后,单击“创建”。已创建管道。
以下是使用先前导出到 AI Center 的数据集创建新训练管道的示例: