字符识别模型训练与验证

1. 构建验证集
   在机器学习与深度学习模型的训练过程中，模型非常容易出现过拟合的现象。构建验证集能够有效解决过拟合问题，验证集需要尽可能与测试集保持一致，在训练过程中不断验证模型在验证集上的精度，以此控制模型训练。

验证集构建方法
（1）留出法(Hold-out)
这种方法直接将训练集分成新的训练集与验证集。优点是直接简单，缺点是只得到一份验证集，有可能导致模型在验证集上出现过拟合。留出法适用于数据量较大的情况。
（2）交叉验证法(Cross Validation)
将训练集划分为K份，将其中的K-1份作为训练集，剩余的一份作为验证集，循环K训练。这种划分方法使所有的训练集都是验证集，最终模型验证精度都是K份平均得到。优点是验证机京都较高，训练K次可以得到K个有多样性差异的模型；缺点是需要训练K次，不适用于大数据量。
（3）自助采样法(BootStrap)
通过有放回的采样方式得到新的训练集与验证集，每次训练集和验证集都有区别。此方法适用于小数据量情况。

#定义读取数据dataloader
train_path = glob.glob('F:\目标检测\街景字符识别\mchar_train\mchar_train/*.png')#匹配所有的符合条件的文件，并将其以list的形式返回。
train_path.sort()
train_json = json.load(open('F:\目标检测\街景字符识别\mchar_train/mchar_train.json'))#从json文件中读取数据
train_label = [train_json[x]['label'] for x in train_json]
print(len(train_path), len(train_label))

train_loader = torch.utils.data.DataLoader(
    SVHNDataset(train_path, train_label,
                transforms.Compose([
                    transforms.Resize((64, 128)),#缩放尺寸
                    transforms.RandomCrop((60, 120)),#RandomCrop(size, padding=0)随机裁剪。si