基于tensorflow-神经网络生成验证码和tfrecord文件

最近学习tensorflow-神经网络，感觉这个很有趣，加深了自己对tensorflow-神经网络的兴趣，这里是基于tensorflow-神经网络的验证码生成以及生成tfrecord文件：
1.利用captcha生成验证码图片，可以是0-9的数字，也可以是a-z的字母，验证码图片上数字或者字母的个数由自己设置，我在这里设置的是4位数，生成验证码的图片数量可由自己设置，我在这里设置的是10000张，但生成的只有6000多张，则说明剩下的3000多张是重复的图片，注意一定要把放置图片的路径设置好。
①验证码生成库

from captcha.image import ImageCaptcha
import numpy as np
from PIL import Image
import random
import sys

②根据自己所需生成数字或是字母的验证码，以及图片上的数量

number=['0','1','2','3','4','5','6','7','8','9']
# alphabet=['a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z']
#ALPHABET=['A','B','C','D','E','F','G','H','I','G','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z']
def random_captcha_text(char_set=alphabet,captcha_size=4):
#验证码列表
    captcha_text=[]
for i in range(captcha_size):
#随机选择
        c=random.choice(char_set)
#加入验证码列表
        captcha_text.append(c)
return captcha_text

③生成字符对应的验证码

def gen_captcha_text_and_image():
    image=ImageCaptcha()
#获得随机生成的验证码
    captcha_text=random_captcha_text()
#把验证码列表转为字符串
    captcha_text=''.join(captcha_text)
#生成验证码
    captcha=image.generate(captcha_text)
#写到文件
    image.write(captcha_text,'captcha/images0/'+captcha_text+'.jpg')

#数量少于10000，因为重名
num=10000
if __name__=='__main__':
for i in range(num):
        gen_captcha_text_and_image()
        sys.stdout.write('\r>> Creating image %d/%d'%(i+1,num))
        sys.stdout.flush()
    sys.stdout.write('\n')
    sys.stdout.flush()

print("生成完毕")

2.生成验证码的图片如下：

3.生成tfrecord文件
①导入相关的库以及设置文件路径

import tensorflow as tf
import numpy as np
from PIL import Image
import os
import random
import sys
#验证集数量
_NUM_TEST = 500
#随机种子
_RANDOM_SEED = 0
#数据集路径
DATASET_DIR = 'tfrecord/images/'
#tfrecord文件存放路径
TFRECORD_DIR = 'tfrecord/tfrecord/'

②判断tfrecord文件是否存在（由于我用的是tensorflow2.0版本，所以再调用方法时会写成tf.compat.v1.X,如果不是此版本，则可以写成tf.X就行）

def _dataset_exists(dataset_dir):
for split_name in ['train', 'test']:
        output_filename = os.path.join(dataset_dir, split_name + 'tfrecords')
if not tf.compat.v1.gfile.Exists(output_filename):
return False
return True

③获取验证码图片

def _get_filenames_and_classes(dataset_dir):
    photo_filenames = []
for filename in os.listdir(dataset_dir):
#获取文件路径
        path  = os.path.join(dataset_dir, filename)
        photo_filenames.append(path)
return photo_filenames
def int64_feature(values):
if not isinstance(values,(tuple,list)):
        values=[values]
return tf.train.Feature(int64_list=tf.train.Int64List(value=values))
def bytes_feature(values):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values]))
def image_to_tfexample(image_data, label0, label1, label2, label3):
return tf.train.Example(features=tf.train.Features(feature={
'image':bytes_feature(image_data),
'label0':int64_feature(label0),
'label1':int64_feature(label1),
'label2':int64_feature(label2),
'label3':int64_feature(label3),
}))

④数据转化为tfrecord格式

def _convert_dataset(split_name, filenames, dataset_dir):
assert split_name in ['train', 'test']

with tf.compat.v1.Session() as sess:
#定义tfrecord文件的路径和名字
         output_filename = os.path.join(TFRECORD_DIR, split_name + '.tfrecords')
with tf.compat.v1.python_io.TFRecordWriter(output_filename) as tfrecord_writer:
for i, filename in enumerate(filenames):
try:
                    sys.stdout.write('\r>>转换图片 %d / %d' % (i+1, len(filenames)))
                    sys.stdout.flush()
		#读取图片
                    image_data = Image.open(filename)
		#根据模型结构resize
                    image_data = image_data.resize((224, 224))
		#灰度化
                    image_data = np.array(image_data.convert('L'))
		#将图片转换为bytes
                    image_data = image_data.tobytes()
		#获取lables
                    labels = filename.split('/')[-1][0:4]
                    num_labels = []
for j in range(4):
                        num_labels.append(int(labels[j]))

		#生成protocol数据类型
                    example = image_to_tfexample(image_data, num_labels[0],num_labels[1],num_labels[2],num_labels[3])
                    tfrecord_writer.write(example.SerializeToString())
except IOError as e:
print('\n不能读取:' , filename)
print('Error:' , e)
print('跳过 \n')
        sys.stdout.write('\n') #和print是一个意思
        sys.stdout.flush() # 一秒显示一次结果,一般都是程序执行完才显示结果

④判断tfrecord文件是否存在

if _dataset_exists(DATASET_DIR):
    print('file already exists')
else:
    #获得所有图片
    photo_filenames= _get_filenames_and_classes(DATASET_DIR)
    #把数据分为测试集和训练集,并且打乱
    random.seed(_RANDOM_SEED)
    random.shuffle(photo_filenames)
    training_filenames = photo_filenames[_NUM_TEST:]
    testing_filenames = photo_filenames[:_NUM_TEST]
 #数据转换为tfrecord
    _convert_dataset('train',training_filenames,DATASET_DIR)
    _convert_dataset('test',testing_filenames,DATASET_DIR)
    print('-------------生成tfrecord文件结束------------------'）

4.运行结果展示