基于神经网络的验证码实验研究（三）

五.研究总结与展望

1.在做此实验前，我卸载了python3.7，又重新安装了python3.5，因为与参照的课本有所出入，为此保持兼容性就重新来过，将3.7的版本移除，又将PycharmIDE卸载重新安装。软件集成在一个良好的硬件设施环境下是必要的，如果不能排除过多复杂性的影响因素，肯定会有很多的error困扰着操作者。
关于python3.5的安装，可以移步->：这里

2.初次接触基于神经网络的验证码相关的实战，对于目前很热门的计算机视觉领域笔者颇有兴趣。为此，通过此次实验研究也增长了对DNN、MLP等的运用，以及各种第三方库的嵌入使用。

3.实验过程中出现过很多的报错，一一通过百度进行解决，同时也涨了很多新鲜的知识，不管是从编程语言的语法语义层面，还是从集成平台上工具的安装使用都有了一定的提高。

4.实验过程中后期计算预测结果跟词典中每个单词之间的距离要耗费一定时间，算法效果提升也很有限。要进一步提升正确率，需要改变距离测量方法，找到经常被混淆的字母或其他有用信息。逐步改进效果，是很多数据挖掘算法的一个特点，这跟科学实验方法是一脉相承的，如产生想法，做实验，分析结果，再根据结果做进一步的改进。

5.根据实战的项目引导本次的任务是根据验证码图像的像素值识别里面的单词。当然，为了简化难度，验证码使用由四个字母组成的英语单词。网站上实际使用的验证码要比这复杂得多——也应该这样！但是，只要对上面所讲的算法进行改进，就能通过神经网络，使用跟这里类似的方法破解更为复杂的验证码。scikit-image库提供大量图像处理工具，从图像中抽取不同形状的小图像和改善图像对比度的方法等。这些方法有助于破解验证码。

6.神经网络由一组组神经元连接而成，神经元为基本的计算单元，每个神经元都只包含一个函数。所有的神经单元连接在一起就能解决复杂程度很高的问题。神经网络是深度学习的基础，后者可是当今数据挖掘领域最受关注的方向之一。

7.把算法从实验环境搬到真实环境会遇到各种各样的困难。笔者在其他的书中也可以看到很多的源程序开放代码，但是理解过后在编译器上操作会有很多报错和不兼容的问题，要搞明白编程语言的更新版本中功能函数的替换与工具运用。

8.本实验中理论依据支撑，但是实际操作不太顺利，需要很多很多改进的地方。对于计算机科学领域，很多东西都已经过时，更要不断汲取新的技术和完备过时的但基础的骨架。

笔者的Github：->Enter
欢迎Star。