Tensorflow搭建CNN实现验证码识别

完整代码：GitHub

我的简书：Awesome_Tang的简书

更好的阅读体验可访问我的Kesci Lab：AwesomeTang的Kesci Lab

整个项目代码分为三部分：

Generrate_Captcha:
- 生成验证码图片（训练集，验证集和测试集）；
- 读取图片数据和标签（标签即为图片文件名）；
cnn_model:卷积神经网络；
driver:模型训练及评估。

Generate Captcha

配置项

class Config(object):

    width = 160  # 验证码图片的宽

    height = 60  # 验证码图片的高

    char_num = 4  # 验证码字符个数

    characters = range(10)	# 数字[0,9]

    test_folder = 'test'	# 测试集文件夹，下同

    train_folder = 'train'

    validation_folder = 'validation'

    tensorboard_folder = 'tensorboard'  # tensorboard的log路径

    generate_num = (5000, 500, 500)  # 训练集，验证集和测试集数量

    alpha = 1e-3  # 学习率

    Epoch = 100  # 训练轮次

    batch_size = 64     # 批次数量

    keep_prob = 0.5     # dropout比例

    print_per_batch = 20    # 每多少次输出结果

    save_per_batch = 20		# 每多少次写入tensorboard

生成验证码（`class Generate`）

验证码图片示例：

check_path():检查文件夹是否存在，如不存在则创建。
gen_captcha():生成验证码方法，写入之前检查是否以存在，如存在重新生成。

读取数据（`classs ReadData`）

read_data():返回图片数组（numpy.array格式）和标签（即文件名）；

label2vec():将文件名转为向量；

例：

label = '1327'

label_vec = [0,1,0,0,0,0,0,0,0,0,

		    0,0,0,1,0,0,0,0,0,0,

		    0,0,1,0,0,0,0,0,0,0,

		    0,0,0,0,0,0,0,1,0,0]

load_data():加载文件夹下所有图片，返回图片数组，标签和图片数量。

定义模型（`cnn_model`）

采用三层卷积，filter_size均为5，为避免过拟合，每层卷积后面均接dropout操作，最终将$16060$的图像转为$208$的矩阵。

大致结构如下：

训练&评估

next_batch()：迭代器，分批次返还数据；
feed_data()：给模型“喂”数据；
- x：图像数组；
- y：图像标签；
- keep_prob：dropout比例；
evaluate()：模型评估，用于验证集和测试集。
run_model()：训练&评估

目前效果

目前经过4000次迭代训练集准确率可达99%以上，测试集准确率93%，还是存在一点过拟合，不过现在模型是基于CPU训练的，完成一次训练耗费时间大约4个小时左右，后续调整了再进行更新。

Images for train ：10000, for validation : 1000, for test : 1000

Epoch : 1

Step     0, train_acc:   7.42%, train_loss:  1.43, val_acc:   9.85%, val_loss:  1.40, improved:*

Step    20, train_acc:  12.50%, train_loss:  0.46, val_acc:  10.35%, val_loss:  0.46, improved:*

Step    40, train_acc:   9.38%, train_loss:  0.37, val_acc:  10.10%, val_loss:  0.37, improved:

Step    60, train_acc:   7.42%, train_loss:  0.34, val_acc:  10.25%, val_loss:  0.34, improved:

Step    80, train_acc:   7.81%, train_loss:  0.33, val_acc:   9.82%, val_loss:  0.33, improved:

Step   100, train_acc:  12.11%, train_loss:  0.33, val_acc:  10.00%, val_loss:  0.33, improved:

Step   120, train_acc:   9.77%, train_loss:  0.33, val_acc:  10.07%, val_loss:  0.33, improved:

Step   140, train_acc:   8.98%, train_loss:  0.33, val_acc:  10.40%, val_loss:  0.33, improved:*

Epoch : 2

Step   160, train_acc:   8.20%, train_loss:  0.33, val_acc:  10.52%, val_loss:  0.33, improved:*

...

Epoch : 51

Step  7860, train_acc: 100.00%, train_loss:  0.01, val_acc:  92.37%, val_loss:  0.08, improved:

Step  7880, train_acc:  99.61%, train_loss:  0.01, val_acc:  92.28%, val_loss:  0.08, improved:

Step  7900, train_acc: 100.00%, train_loss:  0.01, val_acc:  92.42%, val_loss:  0.08, improved:

Step  7920, train_acc: 100.00%, train_loss:  0.00, val_acc:  92.83%, val_loss:  0.08, improved:

Step  7940, train_acc: 100.00%, train_loss:  0.01, val_acc:  92.77%, val_loss:  0.08, improved:

Step  7960, train_acc: 100.00%, train_loss:  0.01, val_acc:  92.68%, val_loss:  0.08, improved:

Step  7980, train_acc: 100.00%, train_loss:  0.00, val_acc:  92.63%, val_loss:  0.09, improved:

No improvement for over 1000 steps, auto-stopping....

Test accuracy:  93.00%, loss:  0.08

Tensorboard

每次训练之前将Tensorboard路径下的文件删除，不然趋势图上会凌乱。
- Accurracy
- loss

巴特西

Tensorflow搭建CNN实现验证码识别

Generate Captcha

配置项

生成验证码（`class Generate`）

读取数据（`classs ReadData`）

定义模型（`cnn_model`）

训练&评估

目前效果

最新文章

热门文章

巴特西

Tensorflow搭建CNN实现验证码识别

Generate Captcha

配置项

生成验证码（class Generate）

读取数据（classs ReadData）

定义模型（cnn_model）

训练&评估

目前效果

最新文章

热门文章

生成验证码（`class Generate`）

读取数据（`classs ReadData`）

定义模型（`cnn_model`）