【PaddlePaddle飞桨复现论文】—— 2. 采用 DNN 、CNN 和 VGG 实现车牌识别（VGG模型精度提高明显！！）

一、任务描述：

• 本次实践是一个多分类任务，需要将照片中的每个字符分别进行识别，完成车牌的识别

• 实践平台：百度AI实训平台-AI Studio、PaddlePaddle1.8.0

二、数据集介绍

• 数据集文件名为characterData.zip，其中有65个文件夹

• 包含0-9，A-Z，以及各省简称

• 图片为12020的灰度图像

• 本次实验中，取其中的10%作为测试集，90%作为训练集

三、模型定义

3.1 DNN模型

深度神经网络（Deep Neural Networks，简称DNN）是深度学习的基础，其结构为input、hidden（可有多层）、output，每层均为全连接。

核心代码为：

class MyDNN(fluid.dygraph.Layer):
    # '''
    # DNN网络
    # '''
    def __init__(self):
        super(MyDNN,self).__init__()
        self.hidden1 = Linear(20*20,200,act='relu')
        self.hidden2 = Linear(200,100,act='relu')
        self.hidden3 = Linear(100,100,act='relu')
        self.out = Linear(100,65,act='softmax')

    def forward(self,input):        # forward 定义执行实际运行时网络的执行逻辑
        '''前向计算'''
        x = fluid.layers.reshape(input, shape=[-1,20*20]) #-1 表示这个维度的值是从x的元素总数和剩余维度推断出来的，有且只能有一个维度设置为-1
        # print(x.shape)
        x = self.hidden1(x)
        # pr