全自动区分计算机和人类的公开图灵测试（英语：Completely Automated Public Turing test to tell Computers and Humans Apart，簡稱CAPTCHA），俗称验证码，是根据随机字符生成一幅图片，然后在图片中加入干扰象素，用户必须手动填入，防止有人利用机器人自动批量注册、灌水、发垃圾广告等等 。
验证码的作用是验证用户是真人还是机器人；设计理念是对人友好，对机器难。
如图所示，上图是比较常见的字符验证码，还有一些更加复杂的验证码这里没有讨论（比如图片，或者提问之类的）
破解验证码有几种常见的方式：
- 人力打码
- 绕过验证码的漏洞
- 字符串识别（本文重点
老规矩，参考的文章优先列出来：
http://blog.topspeedsnail.com/archives/10858
https://www.cnblogs.com/beer/p/7392397.html
其中第一个链接提供了主体算法的代码实现
第二个链接对代码进行了模块化优化，对函数功能进行了划分，使得代码更好理解，更清晰明了
本文拟采用第二个链接的代码
如果有优化的部分，会在文章中提到。
在一开始搭建TensorFlow的框架时候，有一个非常经典的demo，叫做OCR手写字符串识别，这个在吴恩达的课程里也有提到。
这个代表了字符串识别的最初发展趋势：将数字分割为单个字符，然后识别单个字符
但是这样面临了一个问题：当字符之间相互重叠，机器就不容易分割了。
得益于基于卷积神经网络CNN的人工智能技术的发展，目前基于主流的深度学习框架的直接开发出 端到端不分割 的识别方式，而且在没有经过太多trick的情况下，已经可以达到95%以上的识别率。
正如上面所说，本项目实现的方法不需要分割验证码，而是把验证码做为一个整体进行识别。
参考文献：
- Multi-digit Number Recognition from Street View Imagery using Deep CNN
- CAPTCHA Recognition with Active Deep Learning
- http://matthewearl.github.io/2016/05/06/cnn-anpr/
通过深度学习+训练数据+计算能力，可以训练出一个破解验证码的模型
这里获得训练数据的方法：
- 手动（不差钱的也可以从打码网站购买
- 破解验证码生成机制，自动生成
- 。。。。
这里采用了第一个链接里提到的，自己制作的验证码生成器，然后训练CNN模型来破解自己的验证码生成器
（多大仇+没事儿找事儿系列）
碎碎念：其实验证码机制本来就是一个悖论，它需要机器生成一个机器也无法识别的验证码。盲目提高验证码难度，根本就是在为难普通人而已，我已经被好多网站的验证码坑过了，死活登不上去=自己不是人。
验证码生成器
代码在gen-captcha.py里
感觉自己就像一个智障。。按着别人的代码重写一遍也会错。。
还认真的debug了半天：）
成功以后试着跑了一下，如下图所示：
这一步应该还挺简单的，代码难度不大，如图所示
from captcha.image
import ImageCaptcha # pip install captcha
import numpy as np
import matplotlib.pyplot as pltfrom PIL
import Imageimport random
#验证码中出现的字符，不用汉字
number = ['0','1','2','3','4','5','6','7','8','9']
alphabet = ['a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z']ALPHABET = ['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z']
# 验证码一般都无视大小写；验证码长度4个字符
def random_captcha_text(char_set=number + alphabet + ALPHABET,captcha_size=4):
captcha_text = []
for i in range(captcha_size):
c = random.choice(char_set)
captcha_text.append(c)
return captcha_text
#生成字符对应的验证码
def gen_captcha_text_and_image():
image = ImageCaptcha()
captcha_text = random_captcha_text()
captcha_text = ''.join(captcha_text)
captcha = image.generate(captcha_text)
#image.write(captcha_text,captcha_text + '.jpg') #写到文件
captcha_image = Image.open(captcha)
captcha_image = np.array(captcha_image)
return captcha_text, captcha_image
if __name__ == '__main__':
# 测试
text, image = gen_captcha_text_and_image()
f = plt.figure()
ax = f.add_subplot(111)
ax.text(0.1, 0.9,text, ha='center', va='center', transform=ax.transAxes)
plt.imshow(image)
plt.show()
#####模型预测
这里坑还挺多的，一点点的说吧
首先是完全按照参考代码跑了一遍，我的配置是win10，在anaconda下的Python3.6虚拟环境环境。
一开始按照pip install tensorflow 安装的tensorflow cpu 版本
跑的时候报了一个错
查了一下，说是因为cpu版本的tensorflow版本可以用avx2或者sse2加速（GPU版本不用），但是pip install的默认版本是不支持这个加速的。
这里有两种解决方法：
- 忽视警报，不影响正常使用
- 卸载前面的版本，重新在官网下载安装，具体对应的版本可以看官网的readme，写的还挺详细的。链接点这里
我是选择了重新下载再次运行后不报错了。
开始提示我save model有问题
我查了一下，说是因为路径有问题，在
saver.save(sess, “crack_capcha.model”, global_step=step)
这一句的“crack_capcha.model“前加上./或者绝对路径就可以了。
（我这简直是一部智障犯错史）
在模型训练的时候，建议一开始可以放宽精度（比如0.2就可以存储，否则辛辛苦苦训练了一天，最后发现save model 有问题很容易心态爆炸┓( ´∀` )┏
训完的模型会出现这样的几个文件
其中13100是迭代的epoch次数，每个人可能不同
这里在后面的调用中，因为模型每次训练都会覆盖上一次的模型数据，所以为了避免总是修改名字，使用了tf.train.latest_checkpoint(’.’)
这个函数来是调用最新的checkpoint文件，避免了反复修改文件的麻烦
训练完模型以后就可以使用testmodel.py来进行调用了
预测效果还不错（毕竟我为了节省时间，降低了训练的期待精度）
在这里我还犯了一个坑爹的错误
在写trainmodel的时候，因为没有写完整工程的经验，所以没有把运行trainmodel的命令写在main函数里，也没有把整个文件写成一个类
这样，在直接执行这个文件的时候，是没问题的
但是，在testmodel调用这个文件的时候，训练就要被重新开始一次
是真的蠢本人了。。。
在文章的最后，第二个链接的作者探讨了在训练模型的时候，激活函数选择sigmoid和softmax的原因以及对比
说到这个就说点闲话吧，在微软面试的时候，面试官问了我，为什么LR的损失函数是现在的样子，而不是mse或者其他同样很经典的算法
当时就卡壳的很尴尬
都说现在算法领域，工业和理论有着很大的差距，工业上的很多使用，都很难得到理论的支持或者证明，说难听点就是“瞎几把调”，很多函数或者模型的使用，都是因为“大家都这么用”，或者“大佬说这么用”，而别没有深入思考过原因
现在看很多资料很费事儿。觉得也算是偿还自己当年不认真学数学的债了。作为一个数学系毕业的学生，还是想要努力发挥自己在这方面的优势，不能总是做一个知其然不知其所以然的“调参工程师”。
偷偷许一个2019年的愿望吧，希望我能在未来的某一天，能提出一个优秀的算法，让很多很多的人调用我的库~
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
