深度学习：验证码识别

需求：验证码识别

方案：数据集和样本本身很小，使用全连接层神经网络预测

code：

• github

数据集

• 图片数据集链接：https://pan.baidu.com/s/1ENAtDuyTriCa94CKBONHXg 提取码：77as（由于该链接中的数据不是压缩包的形式，非会员下载极其麻烦，所以不推荐这种方法）
• 自己使用代码生成验证码图片及csv文件（推荐）
• 直接使用tfecords文件（推荐）

文件介绍

• cap_input.py:是将数据集数据使用tfrecords文件保存的代码
• cap_train.py:是简单的模型设计文件

核心思想：

• 数据处理
  • 验证码由字母转为0~26之间的某个数字进行代替，作为临时目标值
  • 样本的目标值设置为[None,4*26]的one-hot编码形式，作为真实目标值。
• 模型创建：建立神经网络（全连接层神经网络）
• 损失函数：softmax配合交叉熵损失函数进行损失计算
• 损失函数求解：梯度下降求解损失函数。
• 预测判断：对于一个样本预测的“4”中如果“26”个元素概率最大的索引和真实值的对应位置的最大索引不同，则认为预测错误。