本节我们来用 TensorFlow 来实现一个深度学习模型,用来实现验证码识别的过程,这里我们识别的验证码是图形验证码,首先我们会用标注好的数据来训练一个模型,然后再用模型来实现这个验证码的识别。
验证码
首先我们来看下验证码是怎样的,这里我们使用 Python 的 captcha 库来生成即可,这个库默认是没有安装的,所以这里我们需要先安装这个库,另外我们还需要安装 pillow 库,使用 pip3 即可:
1
pip3 install captcha pillow
安装好之后,我们就可以用如下代码来生成一个简单的图形验证码了:
1
2
3
4
5
6
7
8
from captcha.image import ImageCaptcha
from PIL import Image
text='1234'
image=ImageCaptcha()
captcha=image.generate(text)
captcha_image=Image.open(captcha)
captcha_image.show()
运行之后便会弹出一张图片,结果如下:
可以看到图中的文字正是我们所定义的 text 内容,这样我们就可以得到一张图片和其对应的真实文本,这样我们就可以用它来生成一批训练数据和测试数据了。
预处理
在训练之前肯定是要进行数据预处理了,现在我们首先定义好了要生成的验证码文本内容,这就相当于已经有了 label 了,然后我们再用它来生成验证码,就可以得到输入数据 x 了,在这里我们首先定义好我们的输入词表,由于大小写字母加数字的词表比较庞大,设想我们用含有大小写字母和数字的验证码,一个验证码四个字符,那么一共可能的组合是 (26 + 26 + 10) ^ 4 = 14776336 种组合,这个数量训练起来有点大,所以这里我们精简一下,只使用纯数字的验证码来训练,这样其组合个数就变为 10 ^ 4 = 10000 种,显然少了很多。
所以在这里我们先定义一个词表和其长度变量:
1
2
3
VOCAB=['0','1','2','3','4','5','6','7','8','9']
CAPTCHA_LENGTH=4
VOCAB_LENGTH=len(VOCAB)
这里 VOCAB 就是词表的内容,即 0 到 9 这 10 个数字,验证码的字符个数即 CAPTCHA_LENGTH 是 4,词表长度是 VOCAB 的长度,即 10。
接下来我们定义一个生成验证码数据的方法,流程类似上文,只不过这里我们将返回的数据转为了 Numpy 形式的数组:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
from PIL import Image
from captcha.image import ImageCaptcha
import numpy asnp
def generate_captcha(captcha_text):
"""
get captcha text and np array
:param captcha_text: source text
:return: captcha image and array
"""
image=ImageCaptcha()
captcha=image.generate(captcha_text)
captcha_image=Image.open(captcha)
captcha_array=np.array(captcha_image)
returncaptcha_array
这样调用此方法,我们就可以得到一个 Numpy 数组了,这个其实是把验证码转化成了每个像素的 RGB,我们调用一下这个方法试试:
1
2
captcha=generate_captcha('1234')
print(captcha,captcha.shape)
内容如下:
1
2
3
4
5
6
7
8
9
[[[239244244]
[239244244]
[239244244]
...,
...,
[239244244]
[239244244]
[239244244]]]
(60,160,3)
可以看到它的 shape 是 (60, 160, 3),这其实代表验证码图片的高度是 60,宽度是 160,是 60 x 160 像素的验证码,每个像素都有 RGB 值,所以最后一维即为像素的 RGB 值。
接下来我们需要定义 label,由于我们需要使用深度学习模型进行训练,所以这里我们的 label 数据最好使用 One-Hot 编码,即如果验证码文本是 1234,那么应该词表索引位置置 1,总共的长度是 40,我们用程序实现一下 One-Hot 编码和文本的互相转换:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
def text2vec(text):
"""
text to one-hot vector
:param text: source text
:return: np array
"""
iflen(text)>CAPTCHA_LENGTH:
returnFalse
vector=np.zeros(CAPTCHA_LENGTH *VOCAB_LENGTH)
fori,cinenumerate(text):
index=i *VOCAB_LENGTH+VOCAB.index(c)
vector[index]=1
returnvector
def vec2text(vector):
"""
vector to captcha text
:param vector: np array
:return: text
"""
ifnotisinstance(vector,np.ndarray):
vector=np.asarray(vector)
vector=np.reshape(vector,[CAPTCHA_LENGTH,-1])
text=''
foritem invector:
text+=VOCAB[np.argmax(item)]
returntext
这里 text2vec() 方法就是将真实文本转化为 One-Hot 编码,vec2text() 方法就是将 One-Hot 编码转回真实文本。
例如这里调用一下这两个方法,我们将 1234 文本转换为 One-Hot 编码,然后在将其转回来:
1
2
3
vector=text2vec('1234')
text=vec2text(vector)
print(vector,text)
运行结果如下:
1
2
3
4
[0.1.0.0.0.0.0.0.0.0.0.0.1.0.0.0.0.0.
0.0.0.0.0.1.0.0.0.0.0.0.0.0.0.0.1.0.
0.0.0.0.]
1234
这样我们就可以实现文本到 One-Hot 编码的互转了。
接下来我们就可以构造一批数据了,x 数据就是验证码的 Numpy 数组,y 数据就是验证码的文本的 One-Hot 编码,生成内容如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
import random
from os.path import join,exists
import pickle
import numpy asnp
from os import makedirs
DATA_LENGTH=10000
DATA_PATH='data'
def get_random_text():
text=''
foriinrange(CAPTCHA_LENGTH):
text+=random.choice(VOCAB)
returntext
def generate_data():
print('Generating Data...')
data_x,data_y=[],[]
# generate data x and y
foriinrange(DATA_LENGTH):
text=get_random_text()
# get captcha array
captcha_array=generate_captcha(text)
# get vector
vector=text2vec(text)
data_x.append(captcha_array)
data_y.append(vector)
# write data to pickle
ifnotexists(DATA_PATH):
makedirs(DATA_PATH)
x=np.asarray(data_x,np.float32)
y=np.asarray(data_y,np.float32)
with open(join(DATA_PATH,'data.pkl'),'wb')asf:
pickle.dump(x,f)
pickle.dump(y,f)
这里我们定义了一个 get_random_text() 方法,可以随机生成验证码文本,然后接下来再利用这个随机生成的文本来产生对应的 x、y 数据,然后我们再将数据写入到 pickle 文件里,这样就完成了预处理的操作。
构建模型
有了数据之后,我们就开始构建模型吧,这里我们还是利用 train_test_split() 方法将数据分为三部分,训练集、开发集、验证集:
1
2
3
4
5
6
7
with open('data.pkl','rb')asf:
data_x=pickle.load(f)
data_y=pickle.load(f)
returnstandardize(data_x),data_y
train_x,test_x,train_y,test_y=train_test_split(data_x,data_y,test_size=0.4,random_state=40)
dev_x,test_x,dev_y,test_y,=train_test_split(test_x,test_y,test_size=0.5,random_state=40)
接下来我们使用者三个数据集构建三个 Dataset 对象:
1
2
3
4
5
6
7
8
9
# train and dev dataset
train_dataset=tf.data.Dataset.from_tensor_slices((train_x,train_y)).shuffle(10000)
train_dataset=train_dataset.batch(FLAGS.train_batch_size)
dev_dataset=tf.data.Dataset.from_tensor_slices((dev_x,dev_y))
dev_dataset=dev_dataset.batch(FLAGS.dev_batch_size)
test_dataset=tf.data.Dataset.from_tensor_slices((test_x,test_y))
test_dataset=test_dataset.batch(FLAGS.test_batch_size)
然后初始化一个迭代器,并绑定到这个数据集上:
1
2
3
4
5
# a reinitializable iterator
iterator=tf.data.Iterator.from_structure(train_dataset.output_types,train_dataset.output_shapes)
train_initializer=iterator.make_initializer(train_dataset)
dev_initializer=iterator.make_initializer(dev_dataset)
test_initializer=iterator.make_initializer(test_dataset)
接下来就是关键的部分了,在这里我们使用三层卷积和两层全连接网络进行构造,在这里为了简化写法,直接使用 TensorFlow 的 layers 模块:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# input Layer
with tf.variable_scope('inputs'):
# x.shape = [-1, 60, 160, 3]
x,y_label=iterator.get_next()
keep_prob=tf.placeholder(tf.float32,[])
y=tf.cast(x,tf.float32)
# 3 CNN layers
for_inrange(3):
y=tf.layers.conv2d(y,filters=32,kernel_size=3,padding='same',activation=tf.nn.relu)
y=tf.layers.max_pooling2d(y,pool_size=2,strides=2,padding='same')
# y = tf.layers.dropout(y, rate=keep_prob)
# 2 dense layers
y=tf.layers.flatten(y)
y=tf.layers.dense(y,1024,activation=tf.nn.relu)
y=tf.layers.dropout(y,rate=keep_prob)
y=tf.layers.dense(y,VOCAB_LENGTH)
这里卷积核大小为 3,padding 使用 SAME 模式,激活函数使用 relu。
经过全连接网络变换之后,y 的 shape 就变成了 [batch_size, n_classes],我们的 label 是 CAPTCHA_LENGTH 个 One-Hot 向量拼合而成的,在这里我们想使用交叉熵来计算,但是交叉熵计算的时候,label 参数向量最后一维各个元素之和必须为 1,不然计算梯度的时候会出现问题。详情参见 TensorFlow 的官方文档:https://www.tensorflow.org/api_docs/python/tf/nn/softmax_cross_entropy_with_logits:
NOTE: While the classes are mutually exclusive, their probabilities need not be. All that is required is that each row of labels is a valid probability distribution. If they are not, the computation of the gradient will be incorrect.
但是现在的 label 参数是 CAPTCHA_LENGTH 个 One-Hot 向量拼合而成,所以这里各个元素之和为 CAPTCHA_LENGTH,所以我们需要重新 reshape 一下,确保最后一维各个元素之和为 1:
1
2
y_reshape=tf.reshape(y,[-1,VOCAB_LENGTH])
y_label_reshape=tf.reshape(y_label,[-1,VOCAB_LENGTH])
这样我们就可以确保最后一维是 VOCAB_LENGTH 长度,而它就是一个 One-Hot 向量,所以各元素之和必定为 1。
然后 Loss 和 Accuracy 就好计算了:
1
2
3
4
5
6
7
# loss
cross_entropy=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=y_reshape,labels=y_label_reshape))
# accuracy
max_index_predict=tf.argmax(y_reshape,axis=-1)
max_index_label=tf.argmax(y_label_reshape,axis=-1)
correct_predict=tf.equal(max_index_predict,max_index_label)
accuracy=tf.reduce_mean(tf.cast(correct_predict,tf.float32))
再接下来执行训练即可:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# train
train_op=tf.train.RMSPropOptimizer(FLAGS.learning_rate).minimize(cross_entropy,global_step=global_step)
forepoch inrange(FLAGS.epoch_num):
tf.train.global_step(sess,global_step_tensor=global_step)
# train
sess.run(train_initializer)
forstep inrange(int(train_steps)):
loss,acc,gstep,_=sess.run([cross_entropy,accuracy,global_step,train_op],
feed_dict={keep_prob:FLAGS.keep_prob})
# print log
ifstep%FLAGS.steps_per_print==0:
print('Global Step',gstep,'Step',step,'Train Loss',loss,'Accuracy',acc)
ifepoch%FLAGS.epochs_per_dev==0:
# dev
sess.run(dev_initializer)
forstep inrange(int(dev_steps)):
ifstep%FLAGS.steps_per_print==0:
print('Dev Accuracy',sess.run(accuracy,feed_dict={keep_prob:1}),'Step',step)
在这里我们首先初始化 train_initializer,将 iterator 绑定到 Train Dataset 上,然后执行 train_op,获得 loss、acc、gstep 等结果并输出。
训练
运行训练过程,结果类似如下:
1
2
3
4
5
6
7
8
9
10
...
Dev Accuracy0.9580078Step0
Dev Accuracy0.9472656Step2
Dev Accuracy0.9501953Step4
Dev Accuracy0.9658203Step6
GlobalStep3243Step0Train Loss1.1920928e-06Accuracy1.0
GlobalStep3245Step2Train Loss1.5497207e-06Accuracy1.0
GlobalStep3247Step4Train Loss1.1920928e-06Accuracy1.0
GlobalStep3249Step6Train Loss1.7881392e-06Accuracy1.0
...
验证集准确率 95% 以上。
测试
训练过程我们还可以每隔几个 Epoch 保存一下模型:
1
2
3
# save model
ifepoch%FLAGS.epochs_per_save==0:
saver.save(sess,FLAGS.checkpoint_dir,global_step=gstep)
当然也可以取验证集上准确率最高的模型进行保存。
验证时我们可以重新 Reload 一下模型,然后进行验证:
1
2
3
4
5
6
7
8
9
10
11
# load model
ckpt=tf.train.get_checkpoint_state('ckpt')
ifckpt:
saver.restore(sess,ckpt.model_checkpoint_path)
print('Restore from',ckpt.model_checkpoint_path)
sess.run(test_initializer)
forstep inrange(int(test_steps)):
ifstep%FLAGS.steps_per_print==0:
print('Test Accuracy',sess.run(accuracy,feed_dict={keep_prob:1}),'Step',step)
else:
print('No Model Found')
验证之后其准确率基本是差不多的。
如果要进行新的 Inference 的话,可以替换下 test_x 即可。
结语
出处:https://cuiqingcai.com/5709.html