Passer au contenu principal

Documentation Index

Fetch the complete documentation index at: https://docs.abbyy.com/llms.txt

Use this file to discover all available pages before exploring further.

Dans la section Self-Assessment de l’onglet Results, vous pouvez suivre la progression de l’entraînement et en ajuster la durée. Les statistiques affichées dans cette section vous aideront à déterminer si l’entraînement se déroule correctement ou si des ajustements sont nécessaires.

​
Graphique de progression de l’entraînement

Le graphique de gauche montre le pourcentage de valeurs des champs correctement extraites sur l’ensemble des époques.
Graphique de Self-Assessment représentant la précision de l’extraction des champs sur l’ensemble des époques d’entraînement pour une activité Deep Learning
Ce graphique est mis à jour après chaque époque et reflète la précision réelle de l’extraction des champs. Cette précision est calculée sur un sous-ensemble de validation, en tenant compte des erreurs de reconnaissance et d’autres métriques supplémentaires. Pendant le processus d’entraînement, des tests sont effectués sur l’ensemble de validation, qui se compose de 20 % des documents. Après l’entraînement, des tests sont effectués sur l’ensemble des documents. Les résultats peuvent donc différer. Plus le nombre total de documents est élevé, moins les résultats devraient différer.

​
Interprétez le graphique

Ce graphique peut vous aider à décider s’il faut poursuivre ou arrêter l’entraînement de l’activité :
  • Si la précision est suffisamment élevée et n’augmente plus, l’entraînement peut être arrêté.
  • Si la précision n’est pas suffisamment élevée mais continue d’augmenter, l’entraînement doit se poursuivre.
  • Si la précision n’est pas suffisamment élevée et n’augmente plus, vous devez analyser la qualité de l’extraction des champs individuels (certains champs dans les documents sont peut-être trop rares ou ont été annotés incorrectement).
L’entraînement n’affecte pas la qualité de la reconnaissance, et les champs détectés incorrectement peuvent tout de même servir à l’entraînement.

​
Déterminez quand arrêter l’entraînement de votre activité

Par défaut, une activité Deep Learning est entraînée pendant 20 époques. Toutefois, dans certains cas, vous souhaiterez peut-être réduire la durée de l’entraînement ou l’arrêter manuellement. Il peut être utile d’arrêter l’entraînement si :
  • Le pourcentage de précision est suffisamment élevé et n’a pas connu de variations significatives pendant plusieurs époques consécutives.
  • Le pourcentage de précision est faible et n’a pas connu de variations significatives pendant plusieurs époques consécutives (envisagez d’utiliser un ensemble de documents plus volumineux ou assurez-vous que tous les champs sont bien représentés et correctement annotés).
  • Vous souhaitez tester manuellement l’activité sur tous les documents (reprenez l’entraînement si vous n’êtes pas satisfait des résultats d’extraction des champs).

​
Ajuster la durée de l’entraînement

Vous pouvez réduire le nombre d’époques ou le temps consacré à l’entraînement d’un jeu de documents à tout moment. Les types de documents comportant moins de variantes nécessitent moins de temps d’entraînement.
1

Ouvrir la section Self-Assessment

Accédez à la section Self-Assessment de l’onglet Results.
2

Ouvrir les paramètres de durée

Cliquez sur l’icône des paramètres à droite du nombre d’époques, au-dessus du graphique.
3

Saisir une nouvelle limite et appliquer

Saisissez un nouveau nombre d’époques et/ou une durée au format heures:minutes, puis cliquez sur Apply. La nouvelle limite doit être supérieure au nombre d’époques déjà écoulées, et le nombre maximal d’époques est de 20. L’entraînement s’arrête dès que l’une de ces limites est atteinte.
Vous pouvez arrêter l’entraînement à tout moment en cliquant sur Stop Training. Les résultats d’entraînement de toute époque inachevée ne seront pas conservés.