本文研究了EfficientNet模型在文档分类任务中相较于传统更重型卷积神经网络（CNN）所展现的优势，该任务是机构数字化进程中的一项关键问题。我们在RVL-CDIP数据集上验证了，采用轻量级的EfficientNet模型即可实现优于以往方法的性能表现，并进一步展示了其在较小领域内数据集（如Tobacco3482）上的迁移学习能力。此外，本文提出了一种集成学习框架，通过融合光学字符识别（OCR）提取文本后由BERT模型生成的文本特征与图像模型的预测结果，显著提升了仅依赖图像输入的分类性能。研究还表明，模型的批量大小（batch size）可被有效增大，而不会影响其分类精度，从而可通过多GPU并行化加速训练过程，大幅减少计算所需时间。最后，本文对比分析了PyTorch与TensorFlow两大深度学习框架在模型训练性能上的差异。