本文介绍如何利用Python、TensorFlow-GPU和相关模块实现Discuz验证码的识别。通过数据预处理、构建基于LeNet-5改编的网络模型、使用TensorBoard进行可视化训练，以及模型应用示例，详细阐述了整个识别过程。尽管提供的模型准确率约为30%，作者建议通过调整参数以提高性能。
艾伯特（http://www.aibbt.com/）国内第一家人工智能门户
要识别的验证码为最简单的Discuz验证码。。。
当然直接使用Tesseract这些第三方库也可以做到识别这些简单的验证码，准确率也还过得去。。。
但是你真的甘心稀里糊涂地用现成的库嘛？
一波毒鸡汤之后。。。
进入正题hhhhh~~~
开发工具 Python版本：3.5.4相关模块：
cv2模块；
matplotlib模块；
numpy模块；
tensorflow-gpu模块；
TensorBoard模块；
win_unicode_console模块；
以及一些Python自带的模块。
其中TensorFlow-GPU版本为：
1.6.0
环境搭建 安装Python并添加到环境变量，pip安装需要的相关模块即可。TensorFlow-GPU的环境配置请自行参考相关的网络教程！（T_T自己写一遍教程太麻烦了）
补充说明：
若pip安装时下载速度不理想。
可参考以下步骤提高下载速度：
（2）进入显示的路径
（3）在该路径下新建一个pip文件夹
（4）在该文件夹内创建pip.ini文件，写入内容为：
当然你也可以使用其他pip源：
原理简介
（1）验证码
验证码无非就是将一些符号转为图片的形式，并在图片里加入各种干扰像素。
其作用无非是想确定用户为真人，并以此防止机器批量注册等行为。
我们今天要识别的Discuz验证码类似下图：
（2）主要实现过程
Step1：
数据预处理，主要包括数据读取、标签向量化。
Step2：
搭建网络模型，模型结构为：3卷积层+1全连接层。
网络结构基于LeNet-5改编。
提出LeNet-5的论文为（简书和CSDN上都有人对该网络结构做了详细介绍，有兴趣者请自行检索）：
Gradient-Based Learning Applied to Document Recognition
Step3：
数据的可视化训练，主要使用了TensorBoard模块。
Step4：
模型使用方式的简单举例。
具体实现过程详见相关文件中的源代码。
额外说明 （1）由于时间和设备限制，本人训练的模型 完全没有实用价值，仅作为教学示范使用。T_T不在家不能用家里的台式机跑。
PS：
真的没骗你们。。。
相关文件中模型的准确率只有30%左右。
我只训练几轮，而且只用了200个验证码。
所以真的别傻傻地拿去用。。。
截图为证：
（2）相关文件中我提供了
6万张验证码图片提有需要者作为训练样本。
（3）模型参数我基本我没怎么调。
有兴趣者可微调学习率和其他网络参数来提高网络性能。网络训练参数对此模型最终好坏起决定性作用。
PS：
个人认为LeNet-5网络结构性能一般。
Why?
实验测试的时候的感觉，毕竟这个网络结构已经提出了好一段时间了。
之前看到有人用过，识别率也就90出头吧，没有仔细看他怎么训练的。
（4）标签向量化过程中，我区分了字母大小写。但一般网站是不会区分的。
因此有兴趣的同学可自行修改源代码，使得向量化过程不区分大小写，这样或许有助于提高准确率。
就这样吧！
使用演示 在cmd窗口运行 Vcode_Identify.py文件即可。先放个视频：
可视化训练过程：
安装TensorBoard模块后，在cmd窗口输入类似下图的命令：
G:/Log为信息保存的位置。需与源代码46行相同。
请自行事先建立这个文件夹。
在浏览器中访问运行后显示的地址即可。
视频里都有，就不截图了。
模型使用方法简单举例：
源代码在test.py文件中。
其功能为利用训练好的模型识别验证码。
由于模型惨不忍睹，这里就不贴出结果了。。
有兴趣的同学自己看吧~~~
更多 目前国内所有的大型网站都不再使用此类Discuz验证码，而是各种奇奇怪怪的。。。毕竟此类Discuz验证码实在太low了。。。
因此以后如果有需要我会尝试破解一些比较有水准的验证码，当然前提大概是我自己需要使用的时候了。
291
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
