模型构建

字符识别模型

对于字符识别任务，我们已经在前面提出了三种思路，这里我们主要基于思路一来讲解如何利用pytorch搭建深度学习模型。

思路回顾

我们的思路是将字符识别转换为定长字符识别模型，经过数据分析可以得到字符为6个的图片仅有一张，因此我们确定定长字符个数为5个，对于不到五个字符的我们将余下的字符填充为10，我们的模型要从数据集中学习到如何从一张图片中识别出5个字符，对于这类视觉问题，我们主要使用卷积神经网络模型。

预备知识

利用pytorch我们可以很快速地搭建CNN模型，主要利用pytorch实现这些结构：

卷积层

• 输入图片大小$n\times n$
• 滤波器尺寸$f\times f$
• padding p
• stride s
  输出大小为
  $$\lfloor \frac{n+2p-f}{s}+1\rfloor \times \lfloor \frac{n+2p-f}{s}+1\rfloor$$

卷积层pytorch实现

使用nn.conv2d实现：
nn.conv2d(in_channels,out_channels,kernel_size,padding)
这里需要注意padding的使用，若padding=p，则表示在输入的高和宽两个方向分别填充p行（相当于一共填充了2p行），padding=(h,w)表示在两个方向分别填充h、w行。上面式子中的p指的不是在某个方向上一共填充的行数而是一侧填充的数目。

池化层

池化层的提出是为了为了缓解卷积层对位置的过度敏感性，同时可以扩大深层网络的感受野，能够更好地学习全局特征。

nn.MaxPool2d(pooling_size,padding,stride)
pooling_size为池化窗口的尺寸，padding为填充的数目，stride为池化操作的步长。
$$(n-f)/s+1$$
上面给出的是最大池化，读者也可以查阅pytorch官方文档了解其他池化方式。

代码实现

接下来我们就可以进行模型的构建

class SVHN_Model1(nn.Module):
    def __init__(self):
        super(SVHN_Model1, self).__init__()
                
        model_conv = models.resnet18(pretrained=True)
        model_conv.avgpool = nn.AdaptiveAvgPool2d(1)
        model_conv = nn.Sequential(*list(model_conv.children())[:-1])
        self.cnn = model_conv
        
        self.fc1 = nn.Linear(512, 11)
        self.fc2 = nn.Linear(512, 11)
        self.fc3 = nn.Linear(512, 11)
        self.fc4 = nn.Linear(512, 11)
        self.fc5 = nn.Linear(512, 11)
    
    def forward(self, img):        
        feat = self.cnn(img)
        # print(feat.shape)
        feat = feat.view(feat.shape[0], -1)
        c1 = self.fc1(feat)
        c2 = self.fc2(feat)
        c3 = self.fc3(feat)
        c4 = self.fc4(feat)
        c5 = self.fc5(feat)
        return c1, c2, c3, c4, c5

这里我们使用了预训练模型，根据研究，采用预训练模型对网络参数初始化可以加快模型收敛的速度。