基于神经网络破解验证码

最新推荐文章于 2023-03-16 10:54:56 发布

微存

最新推荐文章于 2023-03-16 10:54:56 发布

阅读量1.4k

点赞数 1

分类专栏： python 文章标签：人工智能

本文链接：https://blog.csdn.net/qq_44142831/article/details/93739520

版权

本文介绍了如何使用神经网络，特别是卷积神经网络（CNN），来破解验证码。内容涵盖了神经网络的基础，包括前向传播、反向传播以及卷积、池化和激活函数的作用。通过数据预处理、训练集和测试集的划分，训练模型并解决过拟合问题。最终，模型在训练集上达到0.99的准确率，但对验证码的每个字母识别仍有改进空间。

摘要由CSDN通过智能技术生成

前言：
利用神经网络破解验证码，首先你得理解什么是神经网络？神经网络分为前向传播（forward propagation）和反向传播（backward propagation）我总结一下我对神经网络CNN的理解：卷积其实就是滤波的过程，神经网络的卷积一般都是互关联函数，而不是真正的卷积。不管是卷积，互关联，傅里叶变换，都是为提取特征。池化是一个降采样的过程。Relu激活函数，是为了在仿射变换之后，进行非线性变化，提升模型的表达力。具体内容参考《深度学习》这本书，或者google找一些博客，我个人推荐看博客。

代码大致解析：
创建数据集，将图像文件转换成Image实例，将图像中的文本转换成文本，进行输出。进行图片二值化处理以及降噪，在训练网络之前必须对数据进行预处理，之后将数据集划分训练集以及测试集，训练集用来训练，测试集用来检测模型的正确率。最后，用训练好的模型来预测新数据，得到准确率，在训练的时候很容易出现过拟合，过拟合具体表现就是最终模型在训练集上效果好，在测试集上效果差，模型泛化能力弱。我们解决过拟合的办法有 1.重新清洗数据，因为过拟合的原因可能是数据不纯导致的 2.增大数据的训练量 3.采用正则化方法等 提示：W权重参数的选择很重要

代码(Jupyter Notebook运行）

import numpy as np
from PIL import Image,ImageDraw,ImageFont
from skimage import transform as tf
import matplotlib.pyplot as plt


# 生成图片
def create_captcha(text,shear=0,size=(100,24)):
    im = Image.new("L",size,"black")  # 创建一个新对象
    draw = ImageDraw.Draw(im)  # 返回一个绘图对象，使以后的绘图操作发生在im上
    font = ImageFont.truetype(r"Coval-BlackItalic.otf",22)