建站
咨詢
售后
建站咨詢
新聞中心
本文我們來用 TensorFlow 來實現(xiàn)一個深度學(xué)習(xí)模型，用來實現(xiàn)驗證碼識別的過程，這里識別的驗證碼是圖形驗證碼，首先我們會用標(biāo)注好的數(shù)據(jù)來訓(xùn)練一個模型，然后再用模型來實現(xiàn)這個驗證碼的識別。
目前創(chuàng)新互聯(lián)公司已為上千的企業(yè)提供了網(wǎng)站建設(shè)、域名、雅安服務(wù)器托管、綿陽服務(wù)器托管、企業(yè)網(wǎng)站設(shè)計、臨猗網(wǎng)站維護(hù)等服務(wù)，公司將堅持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長，共同發(fā)展。
1.驗證碼準(zhǔn)備
這里我們使用 python 的 captcha 庫來生成即可，這個庫默認(rèn)是沒有安裝的，所以這里我們需要先安裝這個庫，另外我們還需要安裝 pillow 庫
cdn.xitu.io/2019/5/27/16af775b82262772?imageView2/0/w/1280/h/960/format/webp/ignore-error/1">
安裝好之后，我們就可以用如下代碼來生成一個簡單的圖形驗證碼
可以看到圖中的文字正是我們所定義的內(nèi)容，這樣我們就可以得到一張圖片和其對應(yīng)的真實文本，接下來我們就可以用它來生成一批訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)了。
2.預(yù)處理
在訓(xùn)練之前肯定是要進(jìn)行數(shù)據(jù)預(yù)處理了，現(xiàn)在我們首先定義好了要生成的驗證碼文本內(nèi)容，這就相當(dāng)于已經(jīng)有了 label 了，然后我們再用它來生成驗證碼，就可以得到輸入數(shù)據(jù) x 了，在這里我們首先定義好我們的輸入詞表，由于大小寫字母加數(shù)字的詞表比較龐大，設(shè)想我們用含有大小寫字母和數(shù)字的驗證碼，一個驗證碼四個字符，那么一共可能的組合是 (26 + 26 + 10) ^ 4 = 14776336 種組合，這個數(shù)量訓(xùn)練起來有點大，所以這里我們精簡一下，只使用純數(shù)字的驗證碼來訓(xùn)練，這樣其組合個數(shù)就變?yōu)?10 ^ 4 = 10000 種，顯然少了很多。
所以在這里我們先定義一個詞表和其長度變量：
這里 VOCAB 就是詞表的內(nèi)容，即 0 到 9 這 10 個數(shù)字，驗證碼的字符個數(shù)即 CAPTCHA_LENGTH 是 4，詞表長度是 VOCAB 的長度，即 10。
接下來我們定義一個生成驗證碼數(shù)據(jù)的方法，流程類似上文，只不過這里我們將返回的數(shù)據(jù)轉(zhuǎn)為了 Numpy 形式的數(shù)組：
這樣調(diào)用此方法，我們就可以得到一個 Numpy 數(shù)組了，這個其實是把驗證碼轉(zhuǎn)化成了每個像素的 RGB，我們調(diào)用一下這個方法試試：
內(nèi)容如下：
可以看到它的 shape 是 (60, 160, 3)，這其實代表驗證碼圖片的高度是 60，寬度是 160，是 60 x 160 像素的驗證碼，每個像素都有 RGB 值，所以最后一維即為像素的 RGB 值。
接下來我們需要定義 label，由于我們需要使用深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，所以這里我們的 label 數(shù)據(jù)最好使用 One-Hot 編碼，即如果驗證碼文本是 1234，那么應(yīng)該詞表索引位置置 1，總共的長度是 40，我們用程序?qū)崿F(xiàn)一下 One-Hot 編碼和文本的互相轉(zhuǎn)換：
這里 text2vec() 方法就是將真實文本轉(zhuǎn)化為 One-Hot 編碼，vec2text() 方法就是將 One-Hot 編碼轉(zhuǎn)回真實文本。
例如這里調(diào)用一下這兩個方法，我們將 1234 文本轉(zhuǎn)換為 One-Hot 編碼，然后在將其轉(zhuǎn)回來：
這樣我們就可以實現(xiàn)文本到 One-Hot 編碼的互轉(zhuǎn)了。
接下來我們就可以構(gòu)造一批數(shù)據(jù)了，x 數(shù)據(jù)就是驗證碼的 Numpy 數(shù)組，y 數(shù)據(jù)就是驗證碼的文本的 One-Hot 編碼，生成內(nèi)容如下：
這里我們定義了一個 getrandomtext() 方法，可以隨機生成驗證碼文本，然后接下來再利用這個隨機生成的文本來產(chǎn)生對應(yīng)的 x、y 數(shù)據(jù)，然后我們再將數(shù)據(jù)寫入到 pickle 文件里，這樣就完成了預(yù)處理的操作。
3.構(gòu)建模型
有了數(shù)據(jù)之后，我們就開始構(gòu)建模型吧，這里我們還是利用 traintestsplit() 方法將數(shù)據(jù)分為三部分，訓(xùn)練集、開發(fā)集、驗證集：
接下來我們使用者三個數(shù)據(jù)集構(gòu)建三個 Dataset 對象：
然后初始化一個迭代器，并綁定到這個數(shù)據(jù)集上：
接下來就是關(guān)鍵的部分了，在這里我們使用三層卷積和兩層全連接網(wǎng)絡(luò)進(jìn)行構(gòu)造，在這里為了簡化寫法，直接使用 TensorFlow 的 layers 模塊：
這里卷積核大小為 3，padding 使用 SAME 模式，激活函數(shù)使用 relu。
經(jīng)過全連接網(wǎng)絡(luò)變換之后，y 的 shape 就變成了 [batchsize, nclasses]，我們的 label 是 CAPTCHALENGTH 個 One-Hot 向量拼合而成的，在這里我們想使用交叉熵來計算，但是交叉熵計算的時候，label 參數(shù)向量最后一維各個元素之和必須為 1，不然計算梯度的時候會出現(xiàn)問題。詳情參見 TensorFlow 的官方文檔：
https://www.tensorflow.org/apidocs/python/tf/nn/softmaxcrossentropywithlogits
但是現(xiàn)在的 label 參數(shù)是 CAPTCHALENGTH 個 One-Hot 向量拼合而成，所以這里各個元素之和為 CAPTCHALENGTH，所以我們需要重新 reshape 一下，確保最后一維各個元素之和為 1：
這樣我們就可以確保最后一維是 VOCAB_LENGTH 長度，而它就是一個 One-Hot 向量，所以各元素之和必定為 1。
然后 Loss 和 Accuracy 就好計算了：
再接下來執(zhí)行訓(xùn)練即可：
在這里我們首先初始化 traininitializer，將 iterator 綁定到 Train Dataset 上，然后執(zhí)行 trainop，獲得 loss、acc、gstep 等結(jié)果并輸出。
訓(xùn)練
運行訓(xùn)練過程，結(jié)果類似如下：
測試
訓(xùn)練過程我們還可以每隔幾個 Epoch 保存一下模型：
當(dāng)然也可以取驗證集上準(zhǔn)確率最高的模型進(jìn)行保存。
驗證時我們可以重新 Reload 一下模型，然后進(jìn)行驗證：
網(wǎng)站名稱：使用TensorFlow來實現(xiàn)一個簡單的驗證碼識別過程
URL分享：http://www.ef60e0e.cn/article/ghschj.html
