验证码识别 - 该项目是基于 CNN5/ResNet+BLSTM/LSTM/GRU/SRU/BSRU+CTC 来实现验证码识别. 该项目仅用于训练，如果需要部署模型请移步：
https://github.com/kerlomz/captcha_platform （通用WEB服务，HTTP请求调用）
https://github.com/kerlomz/captcha_library_c （动态链接库，DLL调用，基于TensoFlow C++）
https://github.com/kerlomz/captcha_demo_csharp （C#源码调用，基于TensorFlowSharp）
许多人问我，部署识别也需要GPU吗？我的答案是，完全没必要。理想中是用GPU训练，使用CPU部署识别服务，部署如果也需要这么高的成本，那还有什么现实意义和应用场景呢，实测阿里云最低配1核1G的配置识别1次大约30ms，我的i7-8700k大约10-15ms之间。
-
如何使用CPU训练：
本项目默认安装TensorFlow-GPU版，建议使用GPU进行训练，如需换用CPU训练请替换
requirements.txt文件中的tensorflow-gpu==1.6.0为tensorflow==1.6.0，其他无需改动。 -
关于LSTM网络:
保证CNN得到的featuremap输入到LSTM时的宽度至少大于等于最大字符数的3倍左右，即time_step大于等于最大字符数3倍。
-
No valid path found 问题解决：
在
model.yaml中修改Pretreatment->Resize的参数，自行调整为合适的值，总结了百来个验证码训练经验，可以尝试这个较为通用的值：Resize: [150, 50]，或者使用代码tutorial.py（自动生成配置文件、打包样本、训练一体化），填写训练集路径执行。 -
参数修改：
切记，ModelName 是绑定一个模型的唯一标志，如果修改了训练参数如：ImageWidth，ImageHeight，Resize，CharSet，CNNNetwork，RecurrentNetwork，HiddenNum 这类影响计算图的参数，需要删除model路径下的旧文件，重新训练，或者使用新的ModelName 重新训练，否则默认作为断点续练。
如果你准备使用GPU训练，请先安装CUDA和cuDNN，可以了解下官方测试过的编译版本对应: https://www.tensorflow.org/install/install_sources#tested_source_configurations Github上可以下载到第三方编译好的TensorFlow的WHL安装包：
https://github.com/fo40225/tensorflow-windows-wheel
CUDA下载地址：https://developer.nvidia.com/cuda-downloads
cuDNN下载地址：https://developer.nvidia.com/rdp/form/cudnn-download-survey （需要注册账号）
笔者使用的版本为：CUDA10+cuDNN7.3.1+TensorFlow 1.12
-
安装Python 3.6 环境（包含pip）
-
安装虚拟环境 virtualenv
pip3 install virtualenv -
为该项目创建独立的虚拟环境:
virtualenv -p /usr/bin/python3 venv # venv is the name of the virtual environment. cd venv/ # venv is the name of the virtual environment. source bin/activate # to activate the current virtual environment. cd captcha_trainer # captcha_trainer is the project path.
-
安装本项目的依赖列表：
pip install -r requirements.txt
本项目依赖于训练配置config.yaml和模型配置model.yaml，初始化项目的时候请复制config_demo.yaml到当前目录下命名为config.yaml，model_demo.yaml同理。或者可以使用tutorial.py 自动设置模型配置。
训练流程：配置好两个配置文件后，执行trains.py 中的代码，读取配置，根据model.yaml配置文件构建神经网络计算图，依据config.yaml的配置参数进行训练。
关于config.yaml中的训练参数有几点建议：
-
BatchSize（训练批次大小）与TestBatchSize（测试批次大小）是需要大家关注的，建议根据显卡条件进行调整，显存小的建议BatchSize不要太大，TestBatchSize也是，我提供的默认配置是基于显存8G，使用率50%设置的，请悉知。
-
LearningRate（学习率）也是需要关注的，深度学习本质就是调参，一般的模型可以保持默认的配置无需调整，有些模型想要获得更高的识别精度可以先使用0.01快速收敛，准确率差不多95%左右再使用0.001/0.0001提高精度。
-
TestSetNum（测试集数目），这个是专门为懒人（说我自己）设计提供的，根据给定的测试集数目切割训练集，有一个前提，测试集必须是随机的，随机的，随机的，重要的事说三遍，有些人用Windows资源管理器打开，一拖动选择几百个，默认都是按名称排序的，如果名称是标注，那么就不是随机了，也就是很可能你取的测试集是标注为0~3之间的图片，这样可能导致永远无法收敛。
-
TrainRegex 和 TestRegex，正则匹配，请各位采集样本的时候，尽量和我给的示例保持一致吧，正则问题请谷歌，如果是为1111.jpg这种命名的话，这里提供了一个批量转换的代码：
import re import os import hashlib # 训练集路径 root = r"D:\TrainSet\***" all_files = os.listdir(root) for file in all_files: old_path = os.path.join(root, file) # 已被修改过忽略 if len(file.split(".")[0]) > 32: continue # 采用标注_文件md5码.图片后缀 进行命名 with open(old_path, "rb") as f: _id = hashlib.md5(f.read()).hexdigest() new_path = os.path.join(root, file.replace(".", "_{}.".format(_id))) # 重复标签的时候会出现形如：abcd (1).jpg 这种形式的文件名 new_path = re.sub(" \(\d+\)", "", new_path) print(new_path) os.rename(old_path, new_path)
-
config.yaml - System Config
# - requirement.txt - GPU: tensorflow-gpu, CPU: tensorflow # - If you use the GPU version, you need to install some additional applications. # TrainRegex and TestRegex: Default matching apple_20181010121212.jpg file. # - The Default is .*?(?=_.*\.) # TrainsPath and TestPath: The local absolute path of your training and testing set. # TestSetNum: This is an optional parameter that is used when you want to extract some of the test set # - from the training set when you are not preparing the test set separately. System: DeviceUsage: 0.5 TrainRegex: '.*?(?=_)' TestRegex: '.*?(?=_)' TestSetNum: 300 # CNNNetwork: [CNN5, DenseNet] # RecurrentNetwork: [BLSTM, LSTM] # - The recommended configuration is CNN5+BLSTM / DenseNet+BLSTM # HiddenNum: [64, 128, 256] # - This parameter indicates the number of nodes used to remember and store past states. NeuralNet: CNNNetwork: CNN5 RecurrentNetwork: BLSTM HiddenNum: 64 KeepProb: 0.99 # SavedEpochs: A Session.run() execution is called a Epochs, # - Used to save traininsed to calculate accuracy, Default value is 100. # TestNum: The number of samples for each test batch. # - A test for every saved steps. # CompileAcc: When the accuracy reaches the set threshold, # - the model will be compiled together each time it is archived. # - Available for specific usage scenarios. # EndAcc: Finish the training when the accuracy reaches [EndAcc*100]%. # EndEpochs: Finish the training when the epoch is greater than the defined epoch. # PreprocessCollapseRepe ated: If True, then a preprocessing step runs # - before loss calculation, wherein repeated labels passed to the loss # - are merged into single labels. This is useful if the training labels come # - from, e.g., forced alignments and therefore have unnecessary repetitions. # CTCMergeRepeated: If False, then deep within the CTC calculation, # - repeated non-blank labels will not be merged and are interpreted # - as individual labels. This is a simplified (non-standard) version of CTC. Trains: SavedSteps: 100 ValidationSteps: 500 EndAcc: 0.98 EndCost: 1 EndEpochs: 2 BatchSize: 64 TestBatchSize: 300 LearningRate: 0.01 DecayRate: 0.98 DecaySteps: 100000 PreprocessCollapseRepeated: False CTCMergeRepeated: True CTCBeamWidth: 5 CTCTopPaths: 1
There are several common examples of TrainRegex: i. apple_20181010121212.jpg
.*?(?=_.*\.)ii apple.png
.*?(?=\.) -
model.yaml - Model Config
# Sites: A bindable parameter used to select a model. # - If this parameter is defined, # - it can be identified by using the model_site parameter # - to identify a model that is inconsistent with the actual size of the current model. # ModelName: Corresponding to the model file in the model directory, # - such as YourModelName.pb, fill in YourModelName here. # ModelType: This parameter is also used to locate the model. # - The difference from the sites is that if there is no corresponding site, # - the size will be used to assign the model. # - If a model of the corresponding size and corresponding to the ModelType is not found, # - the model belonging to the category is preferentially selected. # CharSet: Provides a default optional built-in solution: # - [ALPHANUMERIC, ALPHANUMERIC_LOWER, ALPHANUMERIC_UPPER, # -- NUMERIC, ALPHABET_LOWER, ALPHABET_UPPER, ALPHABET] # - Or you can use your own customized character set like: ['a', '1', '2']. # CharExclude: CharExclude should be a list, like: ['a', '1', '2'] # - which is convenient for users to freely combine character sets. # - If you don't want to manually define the character set manually, # - you can choose a built-in character set # - and set the characters to be excluded by CharExclude parameter. Model: Sites: [] ModelName: YourModelName ModelType: 150x50 CharSet: ALPHANUMERIC_LOWER CharExclude: [] CharReplace: {} ImageWidth: 150 ImageHeight: 50 # Binaryzation: [-1: Off, >0 and < 255: On]. # Smoothing: [-1: Off, >0: On]. # Blur: [-1: Off, >0: On]. Pretreatment: Binaryzation: -1 Smoothing: -1 Blur: -1 Resize: [150, 50]
-
预处理预览工具，只支持为打包的训练集查看
python -m tools.preview -
新手指南 （只支持字符集推荐，我觉得是个鸡肋各位请忽略）
python -m tools.navigator -
PyInstaller 一键打包（训练的话支持不好，部署的打包效果不错）
pip install pyinstaller python -m tools.package
- 命令行或终端运行：
python trains.py - 使用 PyCharm 运行，右键 Run
身在一个965的公司难以想像996是怎样可怕的一件事情。 996工作制意味着8点多起，10点多到家，意味着几乎没有个人时间，没有时间学习，没有时间陪伴爱人亲人，没有时间维持工作以外的社交，人生中只有睡觉吃饭上班和唯一的周末，那么我们从工作中等价交换了什么？
-
个人报酬：生存的主要收入来源
-
个人价值：通过工作收获技能和社会承认
-
社会接触：了解不同的人，不同的观点、经验、思想等等
所以这些就是生活的全部了吗？你的付出是否交换到等价的收益？ 想要得到多少就应该牺牲等价的东西去交换，有些人牺牲一切去换取被爱的可能，有些人牺牲生活和爱情去换金钱和社会地位，有些人牺牲一切去逐梦或筑梦，韭菜春风吹又生，但这不能成为我们虐待它们的理由，这些也不应该成为企业盲目跟风996制度的理由，那些敢于提出996的企业领导人应该学习的是承担，承担把大饼从纸上送到手上，比起《跳槽上征信》，那些天天熬制无法兑现的鸡汤厨子更应该上征信吧。
即使你们有一万种虐待韭菜的方法，即使是飞蛾扑火，是以卵击石，我仍愿以个人的名义加入 ANTI-996 大军
之前专门为该项目写的文章，欢迎大家点评