基于神经网络的验证码实验研究（二）

8.训练和分类
构造神经网络分类器，接收图像，预测图像。

构造神经网络，需要更多的Hide层对实验结果会有很大的效果，会对计算效率产生作用。此处使用MLP，即多层感知机。最主要的特点就是含有多个神经元层，因此从神经网络衍生出深度神经网络，即DNN。

它可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。
除了输入节点，每个节点都是一个带有非线性激活函数的神经元（或称处理单元)。

• 创建一个最基础的、具有三层结构的多层感知机，它由输入层、输出层和一层隐含层组成。输入层和输出层的神经元数量是固定的。
• 现在，数据集有400个特征，那么第一层就需要有400个神经元，而26个可能的类别表明我们需要26个用于输出的神经元。
  

9.训练后进行查看

效果图片所示：

10.对f1-score的测试分析

• 我们使用F1指标来判断结果好坏。
• f1数值达到0.9左右， 说明模型训练还不错。而且分数越高，说明模型预测越好。

11.预测函数

定义一个预测验证码的函数predict_captcha：

• 使用前面定义的图像切割函数， segment_iamge 抽取小图像；
• 整理数据集=dataset，X_test.
• 进行图像预测。
• assert len检查输入输出集是否相等。
• predicted_word将预测的字母拼接起来。

12.尝试预测
效果图片所示：

对于字母处理，我们在前面只定义了大写字母，因此我们的神经网络model也只能识别大写字母。

13.NLTK

• 借助NLTK模块创建单词数据集，只使用长度为4的单词，从NLTK中导入words。
  
• 第一次模拟训练匹配率：
  
• 第n次修正模型后训练匹配率：
  

Number correct is 26
Number incorrect is 5487