易语言神经网络验证码识别_基于卷积神经网络实现验证码识别（二）

介绍了generator–用于逐批次向训练提供数据和网络模型。使用了三层卷积神经网络，flatten层，全连接层，4个子全连接层和一个Merge层。这个网络在经过50个epoch，每个epoch32000张验证码训练后，到达了40%的准确率(categories_accuracy)。实际准确率达到了80%左右。文中会解释这两个值之间的差异。
我们首先使用keras框架来快速实现网络模型，验证模型的可行性。然后我们使用Tensorflow来再次实现这个网络模型，以比较两种实现方法的异同之处。

Keras提供了一种data feeding机制，允许你不必一次把全部数据集载入内存，而是可以根据需要，一次取出一个batch来进行训练。这就是它的Generator机制。

Generator

Keras在fit之外，还提供了一个fit_generator函数来启动训练，但fit_generator这个版本允许你不必一次将全部数据集输入，而是可以一次提供一个batch的数据以供训练。fit_generator的原型是：
fit_generator(self, generator, samples_per_epoch, nb_epoch, verbose=1, callbacks=[], validation_data=None, nb_val_samples=None, class_weight=None, max_q_size=10)

这里的关键是第二个参数,generator。它是一个生成器函数，其输出应该为：

• 一个形如（inputs，targets）的tuple

• 或者，一个形如（inputs, targets,sample_weight）的tuple。

所有的返回值都应该包含相同数目的样本。生成器将无限在数据集上循环。每个epoch以经过模型的样本数达到samples_per_epoch时，记一个epoch结束。下面是一个生成器的示例：

因有较多代码和图片，知乎编辑不便，请移步【余下全文】阅读。