- 概述
- 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
- 1040x - ML 包
- 3949a - ML 包
- 4506T - ML 包
- 709 - ML 包
- 941x - ML 包
- 9465 - 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
- CMS1500 - 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
- 中国发票 - ML 包
- 希伯来语发票 - ML 包
- 印度发票 - ML 包
- 日本发票 - ML 包
- 装运发票 - ML 包
- 装箱单 - ML 包
- 护照 - ML 包
- 工资单 - 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
- 硬件要求
- 管道
- Document Manager
- OCR 服务
- 深度学习
- Insights 仪表板
- 部署在 Automation Suite 中的 Document Understanding
- 在 AI Center 独立版中部署的 Document Understanding
- 许可
- 活动
- UiPath.Abbyy.Activities
- UiPath.AbbyyEmbedded.Activities
- UiPath.DocumentProcessing.Contracts
- UiPath.DocumentUnderstanding.ML.Activities
- UiPath.DocumentUnderstanding.OCR.LocalServer.Activities
- UiPath.Intelligent OCR.Activities
- UiPath.OCR.Activities
- UiPath.OCR.Contracts
- UiPath.OmniPage.Activities
- UiPath.PDF.Activities
训练管道
最小数据集大小
Dataset Creation Failed
。
在 GPU 与 CPU 上进行训练
基础架构 | <2021.10.x | 2021.10.x | >2021.10.x |
---|---|---|---|
CPU | 500 页 | 5000 页 | 1000 页 |
GPU | 18,000 页 | 18,000 页 | 18,000 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 DocumentUnderstanding 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)。有关更多信息,请查看下面的“选择次要版本”部分。
- 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:
model.epochs
,用于自定义训练管道的时期数(默认值为 100)。注意:对于包含超过 5000 页的较大数据集,您最初可以使用默认的时期数来执行完整管道运行。这使您可以评估模型的准确性。之后,您可以将时期数减少到约 30-40。此方法可用于比较结果的准确性,并确定减少历元是否会产生相当的精度。使用较小的数据集时,尤其是少于 5000 页的数据集,您可以维持默认的时期数。
- 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:
在大多数情况下,应选择次要版本 0。这是因为训练数据集规模越大、越多样化,模型的性能就越好。此原则符合当前最先进的 ML 技术的目标,即使用大型、优质且具有代表性的训练集。因此,当您为模型累积更多训练数据时,应将数据添加到同一数据集,以进一步提高模型的性能。
There are situations, however, where training on a minor version other than 0 makes sense. This is typically the case when a partner needs to service multiple customers in the same industry, but UiPath® doesn't have a pre-trained model optimized for that industry, geography, or document type.
在这种情况下,合作伙伴可以使用来自该行业的各种文档样本(并非来自单个来源,而是来自多个来源,以便更好地泛化)开发预训练模型。此模型将用作基础模型来训练特定客户模型,并在 ML 包的版本 0 上进行训练。以下版本(例如版本 1)将用于优化预训练模型或创建特定于客户的模型。
但是,为了获得良好的结果,预训练模型应该是无偏倚的,并且基于十分多样化的训练集。如果基本模型已针对特定客户进行优化,则可能对其他客户表现不佳。在这种情况下,使用次要版本 0 作为基本模型效果更好。