基于tensorflow2.x卷积神经网络字符型验证码识别

#基于tensorflow2.x卷积神经网络字符型验证码识别 ## 环境说明 主要执行环境为 python3.6.8 tensorflow-gpu=2.2.0 tensorboard=2.2.2 ## 模型说明 项目中模型由4层卷积神经网络+2层全连接层构成，代码位于core/model.py。 ## 训练集说明 将所有标注好的验证码图片放在一个目录下，并将图片名改为"验证码_任意字符.格式"，如"abcd_1602342151.png"。 _前的为标签(验证码字符)，\_后的主要是为了防止图片重复，是什么值无所谓。 然后将验证码图片路径添加到config.json配置文件中。 ## 预测 目前写了两种预测方式： 1. 原始图片二进制流 2. 本地图片路径 代码位于predict.py。 ## 配置说明 为方便使用,把一些通用配置提到了config.json中, 配置字段说明如下： train_img_dir: 验证码图片所在文件夹，项目运行时会自动划分90%为训练集，10%为测试集。 model_save_dir： 模型保存位置，默认为项目根目录下model文件夹 image_width: 图片的宽，像素值 image_height: 图片的高，像素值 max_length: 验证码的位数 image_suffix: 图片的格式(png、jpg等) char_set: 验证码中包含的字符，如果是数字就改为0123456789，依此类推 train_batch_size: 每批训练的图片数，默认为128。可按自己实际情况修改，一般显卡128都没什么问题。 test_batch_size: 每批测试的图片数，同上。 acc_stop： 提前停止的准确率，训练集字符准确率达到多少后停止 loss_stop： 提前停止的loss值，该值为训练100轮，loss值降低量低于该值则提前停止(一般用不到) cycle_save: 每训练多少轮自动保存一次模型 max_epochs: 最大训练周期数，随意，一般都需要观察训练情况手动停止或自动停止 ## 实验结果 实测6万张验证码样本，batch_size为128，可以在400轮训练中使训练集达到90%以上的字符准确率，1000轮左右可达到99%字符准确率停止训练。 对样本数2-3万以上的情况下效果稍好一些，样本数不够容易出现过拟合。改进方法持续探索中。。。