原文博客:Doi技术团队
链接地址:https://blog.doiduoyi.com/authors/1584446358138
初心:记录优秀的Doi技术团队学习经历
*本篇文章基于 PaddlePaddle 0.10.0、Python 2.7
前言
在上一篇文章中介绍了验证码的识别,但是使用的传统的验证码分割,然后通过图像分类的方法来实现验证码的识别的,这中方法比较繁琐,工作量比较多。在本篇文章会介绍验证码端到端的识别,直接一步到位,不用图像分割那么麻烦了。好吧,现在开始吧!
数据集介绍
在本篇文章中同样是使用方正系统的验证码,该数据集在上一篇文章《我的PaddlePaddle学习之路》笔记五——验证码的识别已有介绍,在这里我就不介绍了,需要了解的可以点击链接去到上一篇文章查看。
获取验证码
下载验证码和修改验证码同样在上一篇文章有介绍,如果读者需要同样可以回到上一篇文章查看。
验证码我们有了,有看过上一篇文章的读者会第一反应说还缺图像列表。没错,训练和测试都需要一个图像列表
把图像转成灰度图
在生成列表之前,我们还有对图像做一些处理,就是把图像灰度化。
**注意:**在此之前应该把图像文件命名,文件名为验证码对应的字符,并把所有的验证码放在data_temp
然后执行以下的程序批量处理
# coding=utf-8
import os
from PIL import Image
def Image2GRAY(path):
# 获取临时文件夹中的所有图像路径
imgs = os.listdir(path)
i = 0
for img in imgs:
# 每10个数据取一个作为测试数据,剩下的作为训练数据
if i % 10 == 0:
# 使图像灰度化并保存
im = Image.open(path + '/' + img).convert('L')
im.save('data/test_data/' + img)
else:
# 使图像灰度化并保存
im = Image.open(path + '/' + img).convert('L')
im.save('data/train_data/' + img)
i = i + 1
if __name__ == '__main__':
# 临时数据存放路径
path = 'data/data_temp'
Image2GRAY(path)
生成图像列表
经过上面一步,在data/train_data
我们有了训练数据集,data/test_data
测试数据集。然后就在这两个文件夹下生成对应的图像列表。
首先我们要了解图像列表的格式要求,我们来看看它的格式是怎样的
10iw.png 10iw
218j.png 218j
28hi.png 28hi
3n1g.png 3n1g
47q7.png 47q7
4ju5.png 4ju5
4uqh.png 4uqh
这个图像类别是以Tab键区分路径和label的,了解图像列表的格式要求之后,那么我们就编写一个程序来生成这样格式的一个图像列表。代码如下:
# coding=utf-8
import os
class CreateDataList:
def __init__(self):
pass
def createDataList(self, data_path, isTrain):
# 判断生成的列表是训练图像列表还是测试图像列表
if isTrain:
list_name = 'trainer.list'
else:
list_name = 'test.list'
list_path = os.path.join(data_path, list_name)
# 判断该列表是否存在,如果存在就删除,避免在生成图像列表时把该路径也写进去了
if os.path.exists(list_path):
os.remove(list_path)
# 读取所有的图像路径,此时图像列表不存在,就不用担心写入非图像文件路径了
imgs = os.listdir(data_path)
for img in imgs:
name = img.split('.')[0]
with open(list_path, 'a') as f:
# 写入图像路径和label,用Tab隔开
f.write(img + '\t' + name + '\n')
if __name__ == '__main__':
createDataList = CreateDataList()
# 生成训练图像列表
createDataList.createDataList('data/train_data/', True)
# 生成测试图像列表
createDataList.createDataList('data/test_data/', False)
经过上面的程序,会在data/train_data
生成图像列表trainer.list
,会在data/test_data
生成图像列表test.list
。到这里,我们的数据集已经准备好了,准备开始使用数据集训练了。
数据的读取
读取数据成list
数据列表是有了,但是我们使用它就要用到文件读取,生成一个我们方便使用的的数据格式。在本例子项目中,我把图像的路径和label生成是一个list。读取方式如下:
def get_file_list(image_file_list):
'''
生成用于训练和测试数据的文件列表。
:param image_file_list: 图像文件和列表文件的路径
:type image_file_list: str
'''
dirname = os.path.dirname(image_file_list)
path_list = []
with open(image_file_list) as f:
for line in f:
# 使用Tab键分离路径和label
line_split = line.strip().split('\t')
filename = line_split[0].strip()
path = os.path.join(dirname, filename)
label = line_split[1].strip()
if label:
path_list.append((path, label))
return path_list
有了这个程序,我们就可以轻松拿到训练数据和测试数据的list了,如下:
# 获取训练列表
train_file_list = get_file_list(train_file_list_path)
# 获取测试列表
test_file_list = get_file_list(test_file_list_path)
生成和读取标签字典
在这个项目中,要使用到我们之前没有使用过的文件:标签字典。这个标签字典是训练数据集中出现的字符,如:
r 81
4 77
h 75
i 74
2 72
通过每个字符的key就可以找到对应的字符了。
我们要编写一个从训练数据集的list中获取所有的字符,并生成一个标签字典
def build_label_dict(file_list, save_path):
"""
从训练数据建立标签字典
:param file_list: 包含标签的训练数据列表
:type file_list: list
:params save_path: 保存标签字典的路径
:type save_path: str
"""
values = defaultdict(int)
for path, label in file_list:
for c in label:
if c:
values[c] += 1
values['<unk>'] = 0
with open(save_path, "w") as f:
for v, count in sorted(
values.iteritems(), key=lambda x: x[1], reverse=True):
f.write("%s\t%d\n" % (v, count))
然后只要传入在上一步读取到的train_file_list
和保存标签字典的路径就可以生成标签字典了。
build_label_dict(train_file_list, label_dict_path)
保存字典之后,我们还要使用到这个字典。所以我们还要编写一个程序来读取标签字典,代码如下:
def load_dict(dict_path):
"""
从字典路径加载标签字典
:param dict_path: 标签字典的路径
:type dict_path: str
"""
return dict((line.strip().split("\t")[0], idx)
for idx, line in enumerate(open(dict_path, "r").readlines()))
然后通过传入标签字典的路径就可以读取标签字典内容了,如下:
# 获取标签字典
char_dict = load_dict(label_dict_path)
读取训练和测试的数据
如果学习前面几个例子的,应该会知道trainer传入的数据是reader
的,在上面获取的训练数据和测试数据都是list类型的,我们要把它转成reader
类型的。同下面的程序,把训练和测试的数据根据其路径来加载成一维向量
# coding=utf-8
import cv2
import paddle.v2 as paddle
class Reader(object):
def __init__(self, char_dict, image_shape):
'''
:param char_dict: 标签的字典类
:type char_dict: class
:param image_shape: 图像的固定形状
:type image_shape: tuple
'''
self.image_shape = image_shape
self.char_dict = char_dict
def train_reader(self, file_list):
'''
训练读取数据
:param file_list: 用预训练的图像列表,包含标签和图像路径
:type file_list: list
'''
def reader():
UNK_ID = self.char_dict['<unk>']
for image_path, label in file_list:
label = [self.char_dict.get(c, UNK_ID) for c in label]
yield self.load_image(image_path), label
return reader
def load_image(self, path):
'''
加载图像并将其转换为1维矢量
:param path: 图像数据的路径
:type path: str
'''
image = paddle.image.load_image(path,is_color=False)
# 将所有图像调整为固定形状
if self.image_shape:
image = cv2.resize(
image, self.image_shape, interpolation=cv2.INTER_CUBIC)
image = image.flatten() / 255.
return image
我们通过传入标签字典和图像的大小(宽度,高度)获取reader
my_reader = Reader(char_dict=char_dict, image_shape=IMAGE_SHAPE)
然后通过执行下面的方法,同时传入训练的list:train_file_list
和测试的list:test_file_list
就可以生成reader了。
# 获取测试数据的reader
test_reader = paddle.batch(
my_reader.train_reader(test_file_list),
batch_size=BATCH_SIZE)
# 获取训练数据的reader
train_reader = paddle.batch(
paddle.reader.shuffle(
my_reader.train_reader(train_file_list),
buf_size=1000),
batch_size=BATCH_SIZE)
定义网络模型
这次使用的网络模型不是单纯的CNN模型了,还有结合了RNN来映射字符的分布和使用CTC来计算CTC任务的成本,具体是如何定义的呢,请往下细看。
跟之前一样,我们同样要定义数据的和label,更之前不一样的是这次我们定义数据的时候指定了宽度和高度,因为我们这个数据集只长方形的。
在定义label的时候,之前我们要传入类别的总数,我们这次还是同样的道理。还记得上一步获得的标签字典吧,标签字典就是我们训练集的所有出现过字符,只要获取字符的大小就可以了。
# 获取字典大小
dict_size = len(char_dict)
以下就是类初始化的数据和定义数据和label的操作:
class Model(object):
def __init__(self, num_classes, shape, is_infer=False):
'''
:param num_classes: 字符字典的大小
:type num_classes: int
:param shape: 输入图像的大小
:type shape: tuple of 2 int
:param is_infer: 是否用于预测
:type shape: bool
'''
self.num_classes = num_classes
self.shape = shape
self.is_infer = is_infer
self.image_vector_size = shape[0] * shape[1]
self.__declare_input_layers__()
self.__build_nn__()
def __declare_input_layers__(self):
'''
定义输入层
'''
# 图像输入为一个浮动向量
self.image = paddle.layer.data(
name='image',
type=paddle.data_type.dense_vector(self.image_vector_size),
# shape是(宽度,高度)
height=self.shape[1],
width=self.shape[0])
# 将标签输入为ID列表
if not self.is_infer:
self.label = paddle.layer.data(
name='label',
type=paddle.data_type.integer_value_sequence(self.num_classes))
定义网络模型,该网络模型
首先是通过CNN获取图像的特征,
然后使用这些特征来输出展开成一系列特征向量,
然后使用RNN向前和向后捕获序列信息,
然后将RNN的输出映射到字符分布,
最后使用扭曲CTC来计算CTC任务的成本,获得了cost和额外层。
def __build_nn__(self):
'''
建立网络拓扑
'''
# 通过CNN获取图像特征
def conv_block(ipt, num_filter, groups, num_channels=None):
return paddle.networks.img_conv_group(
input=ipt,
num_channels=num_channels,
conv_padding=1,
conv_num_filter=[num_filter] * groups,
conv_filter_size=3,
conv_act=paddle.activation.Relu(),
conv_with_batchnorm=True,
pool_size=2,
pool_stride=2, )
# 因为是灰度图所以最后一个参数是1
conv1 = conv_block(self.image, 16, 2, 1)
conv2 = conv_block(conv1, 32, 2)
conv3 = conv_block(conv2, 64, 2)
conv_features = conv_block(conv3, 128, 2)
# 将CNN的输出展开成一系列特征向量。
sliced_feature = paddle.layer.block_expand(
input=conv_features,
num_channels=128,
stride_x=1,
stride_y=1,
block_x=1,
block_y=11)
# 使用RNN向前和向后捕获序列信息。
gru_forward = paddle.networks.simple_gru(
input=sliced_feature, size=128, act=paddle.activation.Relu())
gru_backward = paddle.networks.simple_gru(
input=sliced_feature,
size=128,
act=paddle.activation.Relu(),
reverse=True)
# 将RNN的输出映射到字符分布。
self.output = paddle.layer.fc(input=[gru_forward, gru_backward],
size=self.num_classes + 1,
act=paddle.activation.Linear())
self.log_probs = paddle.layer.mixed(
input=paddle.layer.identity_projection(input=self.output),
act=paddle.activation.Softmax())
# 使用扭曲CTC来计算CTC任务的成本。
if not self.is_infer:
# 定义cost
self.cost = paddle.layer.warp_ctc(
input=self.output,
label=self.label,
size=self.num_classes + 1,
norm_by_times=True,
blank=self.num_classes)
# 定义额外层
self.eval = paddle.evaluator.ctc_error(input=self.output, label=self.label)
最后通过调用该类就可以获取到模型了,传入的参数是
dict_size
是标签字典的大小,在上面有介绍是用来生成label的
IMAGE_SHAPE
这个是图像的宽度和高度,格式是:(宽度,高度)
model = Model(dict_size, IMAGE_SHAPE, is_infer=False)
生成训练器
首先使用PaddlePaddle要先初始化PaddlePaddle,我们使用的是GPU,使用不了CPU,原因下面一部分会说到。
# 初始化PaddlePaddle
paddle.init(use_gpu=True, trainer_count=1)
生成训练器在之前的例子中,我们知道要用到损失函数,训练参数和优化方法,这次我们多了一个额外层。
损失函数和额外层可以通过上一步的模型直接获取
cost = model.cost
extra_layers = model.eval
这次的优化方法非常简单
optimizer = paddle.optimizer.Momentum(momentum=0)
参数也可以通过上的损失函数生成
params = paddle.parameters.create(model.cost)
最后结合这四个就可以生成一个训练器了
trainer = paddle.trainer.SGD(cost=model.cost,
parameters=params,
update_equation=optimizer,
extra_layers=model.eval)
定义训练
经过上面获得的训练器,就可以开始训练了
# 开始训练
trainer.train(reader=train_reader,
feeding=feeding,
event_handler=event_handler,
num_passes=1000)
这个用到的train_reader
就是在数据读取的时候获得的reader。
feeding
是说明数据层之间的关系,定义如下:
feeding = {'image': 0, 'label': 1}
训练事件event_handler
,通过这个训练事件我们可以在训练的时候处理一下事情,如输出训练日志用于观察训练的效果,方便分析模型的性能。还可以保持模型,用于之后可预测或者再训练。定义如下:
# 训练事件
def event_handler(event):
if isinstance(event, paddle.event.EndIteration):
if event.batch_id % 100 == 0:
print("Pass %d, batch %d, Samples %d, Cost %f, Eval %s" %
(event.pass_id, event.batch_id, event.batch_id *
BATCH_SIZE, event.cost, event.metrics))
if isinstance(event, paddle.event.EndPass):
# 这里由于训练和测试数据共享相同的格式
# 我们仍然使用reader.train_reader来读取测试数据
test_reader = paddle.batch(
my_reader.train_reader(test_file_list),
batch_size=BATCH_SIZE)
result = trainer.test(reader=test_reader, feeding=feeding)
print("Test %d, Cost %f, Eval %s" % (event.pass_id, result.cost, result.metrics))
# 检查保存model的路径是否存在,如果不存在就创建
if not os.path.exists(model_save_dir):
os.mkdir(model_save_dir)
with gzip.open(
os.path.join(model_save_dir, "params_pass.tar.gz"), "w") as f:
trainer.save_parameter_to_tar(f)
最后的num_passes
就是训练轮数。
启动训练
由官方文档可知,由于模型依赖的 warp CTC 只有CUDA的实现,本模型只支持 GPU 运行。所以读者要在自己的电脑安装paddlepaddle-gpu,如果读者的电脑是有GPU的话。
由于笔者的电脑没有GPU,所以不得不使用云服务器来训练我们的模型。笔者使用的是百度深度学习GPU集群,这有个非常好的地方就是购买来的服务器就已经安装了PaddlePaddle,无需我们再安装了,这省去了很多时间。不过笔者在使用的时候,出现了找不到libwarpctc.so
这个库,所以要自己动手去安装该库,如果读者没有报该错,请忽略以下操作:
安装libwarpctc.so库
先从GitHub上获取源码
git clone https://github.com/baidu-research/warp-ctc.git
cd warp-ctc
创建build目录
mkdir build
cd build
默认是没有安装cmake
的,所以要先安装cmake
apt install cmake
安装完成之后就可以cmake和编译了,这里的编译笔者使用6个线程,这个会快一点
cmake ../
make -j6
编译完成之后,就生成了一个libwarpctc.so
,这个就是我们需要的库,执行以下命令,将其复制到相应的目录
cp libwarpctc.so /usr/lib/x86_64-linux-gnu/
最后测试一下是否正常了
./test_gpu
执行训练main方法
通过上面的操作,训练的程序就已经完成了,可以启动训练了
if __name__ == "__main__":
# 训练列表的的路径
train_file_list_path = '../data/train_data/trainer.list'
# 测试列表的路径
test_file_list_path = '../data/test_data/test.list'
# 标签字典的路径
label_dict_path = '../data/label_dict.txt'
# 保存模型的路径
model_save_dir = '../models'
train(train_file_list_path, test_file_list_path, label_dict_path, model_save_dir)
输出的日志大概如下:
Pass 0, batch 0, Samples 0, Cost 16.149542, Eval {}
Pass 0, batch 100, Samples 1000, Cost 15.090727, Eval {}
Test 0, Cost 15.079704, Eval {}
Pass 1, batch 0, Samples 0, Cost 14.775064, Eval {}
Pass 1, batch 100, Samples 1000, Cost 15.448521, Eval {}
Test 1, Cost 14.826180, Eval {}
开始预测
通过之前的训练,我们有了训练参数,可以使用这些参数进行预测了。
def infer(img_path, model_path, image_shape, label_dict_path):
# 获取标签字典
char_dict = load_dict(label_dict_path)
# 获取反转的标签字典
reversed_char_dict = load_reverse_dict(label_dict_path)
# 获取字典大小
dict_size = len(char_dict)
# 获取reader
my_reader = Reader(char_dict=char_dict, image_shape=image_shape)
# 初始化PaddlePaddle
paddle.init(use_gpu=True, trainer_count=1)
# 加载训练好的参数
parameters = paddle.parameters.Parameters.from_tar(gzip.open(model_path))
# 获取网络模型
model = Model(dict_size, image_shape, is_infer=True)
# 获取预测器
inferer = paddle.inference.Inference(output_layer=model.log_probs, parameters=parameters)
# 加载数据
test_batch = [[my_reader.load_image(img_path)]]
# 开始预测
return start_infer(inferer, test_batch, reversed_char_dict)
上面使用的反转的标签字典定义如下,通过标签字典的文件即可生成反转的标签字典
def load_reverse_dict(dict_path):
"""
从字典路径加载反转的标签字典
:param dict_path: 标签字典的路径
:type dict_path: str
"""
return dict((idx, line.strip().split("\t")[0])
for idx, line in enumerate(open(dict_path, "r").readlines()))
通过传入上面获取是的inferer和图像的一维向量,还有反转的标签字典就可以进行预测了。
def start_infer(inferer, test_batch, reversed_char_dict):
# 获取初步预测结果
infer_results = inferer.infer(input=test_batch)
num_steps = len(infer_results) // len(test_batch)
probs_split = [
infer_results[i * num_steps:(i + 1) * num_steps]
for i in range(0, len(test_batch))]
# 最佳路径解码
result = ''
for i, probs in enumerate(probs_split):
result = ctc_greedy_decoder(
probs_seq=probs, vocabulary=reversed_char_dict)
return result
这个还使用到了最佳路径解码,使用的解码器如下:
def ctc_greedy_decoder(probs_seq, vocabulary):
"""CTC贪婪(最佳路径)解码器。
由最可能的令牌组成的路径被进一步后处理
删除连续的重复和所有的空白。
:param probs_seq: 每个词汇表上概率的二维列表字符。
每个元素都是浮点概率列表为一个字符。
:type probs_seq: list
:param vocabulary: 词汇表
:type vocabulary: list
:return: 解码结果字符串
:rtype: baseline
"""
# 尺寸验证
for probs in probs_seq:
if not len(probs) == len(vocabulary) + 1:
raise ValueError("probs_seq dimension mismatchedd with vocabulary")
# argmax以获得每个时间步长的最佳指标
max_index_list = list(np.array(probs_seq).argmax(axis=1))
# 删除连续的重复索引
index_list = [index_group[0] for index_group in groupby(max_index_list)]
# 删除空白索引
blank_index = len(vocabulary)
index_list = [index for index in index_list if index != blank_index]
# 将索引列表转换为字符串
return ''.join([vocabulary[index] for index in index_list])
最后在main方法中直接运行预测程序就可以了。
if __name__ == "__main__":
# 要预测的图像
img_path = '../data/test_data/4uqh.png'
# 模型的路径
model_path = '../models/params_pass.tar.gz'
# 图像的大小
image_shape = (72, 27)
# 标签的路径
label_dict_path = '../data/label_dict.txt'
# 获取预测结果
result = infer(img_path, model_path, image_shape, label_dict_path)
print '预测结果:%s' % result
预测输出
预测结果:4uqh
项目代码
GitHub地址:https://github.com/yeyupiaoling/LearnPaddle
上一章:《我的PaddlePaddle学习之路》笔记五——验证码的识别
下一章:《我的PaddlePaddle学习之路》笔记七——车牌端到端的识别
参考资料
- http://paddlepaddle.org/
- http://blog.csdn.net/qq_26819733/article/details/53608308
- https://github.com/baidu-research/warp-ctc