如何使用深度学习破解验证码 keras 连续验证码

在实现网络爬虫的过程中，验证码的出现总是会阻碍爬虫的工作。本期介绍一种利用深度神经网络来实现的端到端的验证码识别方法。通过本方法，可以在不切割图片、不做模板匹配的情况下实现精度超过90%的识别结果。

本文分为两个部分，第一个部分介绍如何利用深度神经网络实现验证码的训练和识别，第二个部分介绍在实现过程中需要克服的工程问题。

一. 基于深度神经网络的验证码识别

验证码的识别是从图片到文字的过程。传统的算法如OCR正是为了解决此类问题而设计的。然而，在真实情形中，验证码通常并不以规则的文字出现，即文字通常会有不同程度的变形，图像本身也通常会被添加或多或少的噪声。这些干扰的出现，使得文字分割、模板匹配不再有效，进而OCR算法也很难解析出结果。

近年来，深度神经网络（DNN）在图像识别领域已经被证明了强大的识别能力。单个文字的识别是典型的分类问题。通常的做法为训练一个深度神经网络，网络的最后一层分为N种类别，代表字符的数目。比如对于英文字母，最后一层的分类器便是26个。比如经典的LeNet（http://yann.lecun.com/exdb/lenet/）即为解决单个文字识别的网络：

然而验证码通常包含多个字符，如何利用现有的网络实现这类分类问题呢？实际上这个问题再机器学习中被称为多标签训练问题。和上述每个图片输