你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

生成和训练自定义提取模型

此内容适用于：🟩v4.0 （正式版） | 以前的版本：🟦v3.1 （正式版）🟥v3.0 （停用）🟦v2.1

文档智能自定义模型需要少量训练文档才能开始。如果至少有五个文档，可以开始训练自定义模型。可以训练自定义模板模型（自定义表单）或自定义神经模型（自定义文档）。本文档指导你完成训练自定义模型的过程。

自定义模型输入要求

首先，确保训练数据集遵循文档智能的输入要求。

支持以下文件格式。

模型	PDF	图片： JPEG/JPG、PNG、BMP、TIFF、HEIF	Office： Word（DOCX）、Excel（XLSX）、PowerPoint（PPTX）、HTML
读	✔	✔	✔
版式	✔	✔	✔
常规文档	✔	✔
预生成	✔	✔
自定义提取	✔	✔
自定义分类	✔	✔	✔

照片和扫描：为获得最佳结果，请为每个文档提供一张清晰的照片或高质量的扫描。
PDF 和 TIFF：对于 PDF 和 TIFF，最多可以处理 2,000 页。（使用免费层订阅时，只处理前两个页面。
文件大小：用于分析文档的文件大小是付费层（S0）层的 500 MB，免费层为 4 MB（F0）层。
图像尺寸：尺寸必须介于 50 像素 x 50 像素和 10,000 像素 x 10,000 像素之间。
密码锁：如果 PDF 是密码锁定的，则必须在提交之前删除该锁。
文本高度：要提取的文本的最小高度是 1024 x 768 像素图像的 12 像素。此尺寸对应于 150 点/英寸的大约 8 号字文本。
自定义模型训练：自定义模板模型的最大训练页数为 500，自定义神经模型为 50,000。
自定义提取模型训练：对于模板模型，训练数据的总大小为 50 MB，神经网络模型为 1 GB。
自定义分类模型训练：训练数据的总大小为 1 GB，最大为 10,000 页。对于 2024-11-30（GA），训练数据的总大小为 2 GB，最大为 10,000 页。
Office 文件类型（DOCX、XLSX、PPTX）：最大字符串长度限制为 800 万个字符。

训练数据建议

按照以下提示进一步优化您的数据集以便进行训练：

使用基于文本的 PDF 文档，而不是基于图像的文档。扫描的 PDF 作为图像进行处理。
对于包含输入字段的表单，请使用已填写完所有字段的示例。
使用每个字段中具有不同值的表单。
如果表单图像质量较低，请使用更大的数据集（10-15 个图像）。

上传训练数据

收集一组用于训练的表单或文档后，需要将其上传到Azure blob 存储容器。如果不知道如何使用容器创建Azure storage帐户，请遵循 Azure 门户的 Azure 存储快速入门。可以使用免费定价层（F0）试用该服务，稍后升级到生产付费层。

视频：训练自定义模型

收集并上传训练数据集后，即可训练自定义模型。在以下视频中，我们将创建一个项目，并探索成功标记和训练模型的一些基础知识。

在文档智能工作室中创建项目

Document Intelligence Studio 提供和协调完成数据集和训练模型所需的所有 API 调用。

首先导航到 Document Intelligence Studio。首次使用 Studio 时，需要初始化订阅、资源组和资源。然后，按照自定义项目的先决条件配置 Studio 以访问训练数据集。
在 Studio 中，选择 “自定义提取模型 ”磁贴，然后选择“ 创建项目 ”按钮。
1. 在 create project 对话框中，提供项目的名称（可选）说明，然后选择“继续”。
2. 在工作流的下一步中，选择或创建文档智能资源，然后再选择继续。
重要

自定义神经模型仅在几个区域中可用。如果打算训练神经模型，请在其中一个受支持的区域中选择或创建资源。
接下来，选择用于上传自定义模型训练数据集的存储帐户。如果训练文档位于容器的根目录中， 则文件夹路径 应为空。如果文档位于子文件夹中，请在 “文件夹路径 ”字段中输入容器根目录中的相对路径。配置存储帐户后，选择“继续”。
最后，查看project设置，然后选择 Create Project创建新的project。你现在应该位于标记窗口中，可以看到数据集中的文件已列出。

标记数据

在项目中，第一个任务是使用要提取的字段标记数据集。

上传到存储的文件列在屏幕左侧，第一个文件已准备好标记。

通过选择屏幕右上角的加号按钮➕开始标记数据集并创建第一个字段。
输入字段的名称。
通过选择文档中的单词或单词，为字段赋值。在右侧导航栏的下拉列表或字段列表中选择字段。标记的值低于字段列表中的字段名称。
对要为数据集标记的所有字段重复此过程。
通过选择每个文档并选择要标记的文本来标记数据集中的剩余文档。

现在已标记数据集中的所有文档。 .labels.json 和 .ocr.json 文件对应于训练数据集中的每个文档和一个新的 fields.json 文件。此训练数据集提交以训练模型。

训练模型

标记数据集后，即可训练模型。选择右上角的训练按钮。

在“训练模型”对话框中提供唯一的模型 ID，并提供说明（可选）。模型 ID 接受字符串数据类型。
对于生成模式，请选择要训练的模型类型。详细了解模型类型和功能。
选择 “训练 ”以启动训练过程。
模板模型在几分钟内训练。神经模型可能需要长达 30 分钟才能训练。
导航到“模型”菜单，查看训练操作的状态。

测试模型

模型训练完成后，可以通过在模型列表页上选择模型来测试模型。

选择模型，然后在 “测试 ”按钮上选择。
选择 + Add 按钮以选择要测试模型的文件。
选择文件后，选择 “分析 ”按钮以测试模型。
模型结果显示在主窗口中，提取的字段列在右侧导航栏中。
通过评估每个字段的结果来验证模型。
右侧导航栏还有示例代码，用于从 API 调用模型和 JSON 结果。

恭喜你掌握了在文档智能工作室中训练自定义模型的技能！模型可用于 REST API 或 SDK 来分析文档。

适用于：🟩v2.1. 其他版本：v3.0

使用文档智能自定义模型时，可以将自己的训练数据提供给训练自定义模型操作，以便模型可以训练到行业特定的表单。按照本指南了解如何收集和准备数据以有效训练模型。

至少需要五个相同类型的已完成表单。

如果要使用手动标记的训练数据，必须从至少五个相同类型的已完成表单开始。除了所需的数据集之外，你仍然可以使用未标记的表单。

自定义模型输入要求

首先，确保训练数据集遵循文档智能的输入要求。

支持以下文件格式。

模型	PDF	图片： JPEG/JPG、PNG、BMP、TIFF、HEIF	Office： Word（DOCX）、Excel（XLSX）、PowerPoint（PPTX）、HTML
读	✔	✔	✔
版式	✔	✔	✔
常规文档	✔	✔
预生成	✔	✔
自定义提取	✔	✔
自定义分类	✔	✔	✔

照片和扫描：为获得最佳结果，请为每个文档提供一张清晰的照片或高质量的扫描。
PDF 和 TIFF：对于 PDF 和 TIFF，最多可以处理 2,000 页。（使用免费层订阅时，只处理前两个页面。
文件大小：用于分析文档的文件大小是付费层（S0）层的 500 MB，免费层为 4 MB（F0）层。
图像尺寸：尺寸必须介于 50 像素 x 50 像素和 10,000 像素 x 10,000 像素之间。
密码锁：如果 PDF 是密码锁定的，则必须在提交之前删除该锁。
文本高度：要提取的文本的最小高度是 1024 x 768 像素图像的 12 像素。此尺寸对应于 150 点/英寸的大约 8 号字文本。
自定义模型训练：自定义模板模型的最大训练页数为 500，自定义神经模型为 50,000。
自定义提取模型训练：对于模板模型，训练数据的总大小为 50 MB，神经网络模型为 1 GB。
自定义分类模型训练：训练数据的总大小为 1 GB，最大为 10,000 页。对于 2024-11-30（GA），训练数据的总大小为 2 GB，最大为 10,000 页。
Office 文件类型（DOCX、XLSX、PPTX）：最大字符串长度限制为 800 万个字符。

训练数据建议

按照以下提示，进一步优化您的数据集以进行训练。

使用基于文本的 PDF 文档，而不是基于图像的文档。扫描的 PDF 作为图像进行处理。
对于已完成的表单，请使用填充了所有字段的示例。
使用每个字段中具有不同值的表单。
对已完成的表单使用更大的数据集（10-15 个图像）。

上传训练数据

收集用于训练的文档集后，需要将其上传到Azure blob 存储容器。如果您不知道如何使用容器创建 Azure 存储帐户，请参考 Azure 门户的 Azure 存储快速入门指南。使用标准性能层。

如果要使用手动标记的数据，请上传与您训练文档对应的.labels.json和.ocr.json文件。可以使用示例标记工具（或你自己的 UI）生成这些文件。

在子文件夹中组织数据（可选）

默认情况下，训练自定义模型 API 仅使用位于存储容器根目录的文档。但是，如果在 API 调用中指定数据，则可以使用子文件夹中的数据进行训练。通常，训练自定义模型调用的正文采用以下格式，其中 <SAS URL> 容器的共享访问签名 URL 如下：

{
  "source":"<SAS URL>"
}

如果将以下内容添加到请求正文，API 会使用位于子文件夹中的文档进行训练。该字段是可选的，并将 "prefix" 训练数据集限制为路径以给定字符串开头的文件。因此，例如，值 "Test"会导致 API 仅查看以单词 Test 开头的文件或文件夹。

{
  "source": "<SAS URL>",
  "sourceFilter": {
    "prefix": "<prefix string>",
    "includeSubFolders": true
  },
  "useLabelFile": false
}

后续步骤

了解如何生成训练数据集后，请按照快速入门来训练自定义文档智能模型并开始在表单上使用。

了解自定义模型类型

了解自定义模型的准确性和置信度

使用示例标签工具通过标签进行训练

另请参阅

反馈

此页面是否有帮助？

Last updated on 2026-08-15

生成和训练自定义提取模型

自定义模型输入要求

训练数据建议

上传训练数据

视频：训练自定义模型

在文档智能工作室中创建项目

标记数据

训练模型

测试模型

自定义模型输入要求

训练数据建议

上传训练数据

在子文件夹中组织数据（可选）

后续步骤

另请参阅

反馈

其他资源