Pybrain 使用

Pybrain是我前几天妄想识别验证码时使用的一个手段，此为背景。

看了一篇文章后，看他说得比较准确，就暂时放弃对验证码进行破解工作。

这个是一位作者实践后的心得：
http://www.cnblogs.com/sweetwxh/p/captcha_recognize.html

Pybrain总体来说还是很好用的，鉴于没有太多相关的教程，在这里贴出来供大家参考。

PyBrain(Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network)是Python的一个机器学习模块，它的目标是为机器学习任务提供灵活、易应、强大的机器学习算法。
PyBrain正如其名，包括神经网络、强化学习(及二者结合)、无监督学习、进化算法。因为目前的许多问题需要处理连续态和行为空间，必须使用函数逼近(如神经网络)以应对高维数据。PyBrain以神经网络为核心，所有的训练方法都以神经网络为一个实例。

Pybrain 依赖项有 numpy、scipy，请自行找方法安装。

神经网络，包含三种层，一个是输入层，第二个是隐含层，第三是输出层。

官方文档里关于BP神经网络的介绍和使用说明：https://github.com/pybrain/pybrain/

---

这里我使用的是下面这个文档对爬去的验证码数据进行学习和验证。

---

建立样本集

inputVecTrain[i], outputVecTrain[i] 的格式是在Python下默认的list类型，如何生成这个列表，请查找相关资料。最终inputVecTrain和outputVecTrain是一个二维数组。

from pybrain.supervised.trainers import BackpropTrainer
from pybrain.datasets import SupervisedDataSet
from pybrain.utilities import percentError
from pybrain.tools.shortcuts import buildNetwork

# 建立训练数据集，输入节点104个，输出节点36个
dsTrain = SupervisedDataSet(104, 36)

# 将输入输出数据加入Pybrain的数据集合
for i in range(len(inputVecTrain)):
    dsTrain.addSample(inputVecTrain[i], outputVecTrain[i])
# 建立测试数据集
dsTest = SupervisedDataSet(104, 36)

# 将输入输出数据加入Pybrain的数据集合
for i in range(len(inputVecTest)):
    dsTest.addSample(inputVecTest[i], outputVecTest[i])

之后你可以遍历数据集里的数据，看看长的是什么样子。

for ipr, target in dsTrain:
    print ipr
    print target 

这里是输出的样式，第一个是输入层数据，共104个；第二个是输出层数据，共36个。

---

建立神经网络

关于buildNetwork，官方文档里有说可以选择传递函数类型，这里默认选的是sigmod函数。

# 建立神经网络，输入层104，隐含层：100，输出层36
fnn = buildNetwork(104, 100, 36, bias=True)

#构建BP训练集
trainer = BackpropTrainer(fnn, dsTrain, momentum=0.1, verbose=True, weightdecay=0.01)

---

开始训练

trainEpochs是每10次报告一次误差，在这个for循环里面总的迭代次数是2000次。

percentError是计算百分比误差。里面的第一个参数是选择的数据集，第二个选择的是何种的数据

#开始训练
for i in range(200):
    trainer.trainEpochs(10)

    trnresult = percentError(trainer.testOnClassData(), dsTrain['target'])
    testResult = percentError(trainer.testOnClassData(dataset=dsTest), dsTest['target'])
    print("epoch: %4d" % trainer.totalepochs, \
          "  train error: %5.2f%%" % trnresult, \
          "  test error: %5.2f%%" % testResult)

第一行是 trainer.trainEpochs(10) 运行的输出结果（不是百分数）。后面是训练和输出的误差。

---

泛化

别看训练误差这么小，然而在实际泛化的时候，根本没法一一对应，识别率是0，惨不忍睹。

fnn.activate(ipr) 是用于训练后测试用的，返回值是BP输出层的实际输出。

for ipr, target in dsTest:
    print target
    result = fnn.activate(ipr)
    print result
    print result.max()

以下，第一个数组是泛化样本，数组中的“10”对应于 字母“c”。
第二个数组中对应位置的实际输出是：“2.1347….”，而数组里最大的是“2.91642…”，在第5行，第3列。
已经完全跑偏了。

---

总结

之前想着神经网络的强大功能，没有对分割后的字符提取其特性值，所以识别率是0。现在对其也有了一个新的认识，光对神经网络进行长时间的训练并不是最主要的，特征提取更重要，这样它学习的效率和效果才会更佳！