要解决"表单识别标注 - 训练模型"的问题，可以使用以下方法：

1. 数据收集和准备： 首先，需要收集足够的标记数据作为训练集。这些数据应该包含已经标注好的表单图像以及相应的标签（如表单中的字段信息）。可以通过人工标注或者使用现有的标注工具进行标注。然后，将数据集划分为训练集和验证集，用于训练和评估模型性能。

2. 构建模型： 接下来，选择合适的模型架构来训练表单识别模型。常见的模型架构包括卷积神经网络（CNN）和循环神经网络（RNN）。可以使用深度学习框架（如TensorFlow、PyTorch等）来构建和训练模型。在构建模型时，可以根据具体需求选择合适的网络结构、层数、激活函数等。

3. 数据预处理： 在训练模型之前，需要对数据进行预处理。这包括将图像转换为数字表示（如灰度图像或RGB图像），对图像进行归一化处理（如将像素值缩放到0-1范围），以及对标签进行独热编码等。

4. 模型训练： 使用准备好的训练集对模型进行训练。通过迭代反向传播算法来更新模型的权重和偏置，以最小化损失函数。可以使用批量梯度下降法或者其他优化算法来加速训练过程。同时，可以使用验证集来监控模型的性能，并根据需要进行调整。

以下是一个使用Python和TensorFlow库进行模型训练的示例代码：

import tensorflow as tf

# 数据准备
train_data = ...
train_labels = ...
validation_data = ...
validation_labels = ...

# 构建模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)),
  tf.keras.layers.MaxPooling2D((2, 2)),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(64, activation='relu'),
  tf.keras.layers.Dense(num_classes, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 模型训练
model.fit(train_data, train_labels, epochs=10, validation_data=(validation_data, validation_labels))

在训练过程中，可以调整模型的超参数（如学习率、批量大小、迭代次数等）以达到更好的性能。最后，保存训练好的模型，用于后续的表单识别任务。

请注意，以上代码只是一个示例，实际的实现可能会因具体需求而有所不同。