CRNN完整源码实现--用PyTorch攻陷文字识别

# CRNN-Pytorch 记录CRNN的学习 CRNN是2015年提出的一种，端对端的，场景文字识别方法，它采用CNN与RNN的结合来进行学习。它相对于其他算法主要有以下两个特点： 1. 端对端训练，直接输入图片给出结果，而不是把多个训练好的模型进行组合来识别 2. 不需要对图片中的文字进行分割就可以进行识别，可以适应任意长度的序列 CRNN具体的网络结构如下： 注意：为了与论文保持一致，本文的宽高结构均用**宽 × 高**来表示，三维张量格式为**宽 × 高 × 通道数** *其中k表示卷积核大小(kernel_size)，s表示步长(stride)，p表示填充(padding_size)* | Type | Configurations | Output Size | | :----------------: | :--------------------------: | :---------------: | | Input | W × 32 gray-scale image | W × 32 × 1 | | Convolution | #maps:64, k:3 × 3, s:1, p:1 | W × 32 × 64 | | MaxPooling | Window:2 × 2, s:2 | W/2 × 16 × 64 | | Convolution | #maps:128, k:3 × 3, s:1, p:1 | W/2 × 16 × 128 | | MaxPooling | Window:2 × 2, s:2 | W/4 × 8 × 128 | | Convolution | #maps:256, k:3 × 3, s:1, p:1 | W/4 × 8 × 256 | | Convolution | #maps:256, k:3 × 3, s:1, p:1 | W/4 × 8 × 256 | | MaxPooling | Window:1 × 2, s:2 | W/4 × 4 × 256 | | Convolution | #maps:512, k:3 × 3, s:1, p:1 | W/4 × 4 × 512 | | BatchNormalization | - | W/4 × 4 × 512 | | Convolution | #maps:512, k:3 × 3, s:1, p:1 | W/4 × 4 × 512 | | BatchNormalization | - | W/4 × 4 × 512 | | MaxPooling | Window:1 × 2, s:2 | W/4 × 2 × 512 | | Convolution | #maps:512, k:2 × 2, s:1, p:0 | W/4-1 × 1 × 512 | | Map-to-Sequence | - | W/4-1 × 512 | | Bidirectional-LSTM | #hidden units:256 | W/4-1 × 256 | | Bidirectional-LSTM | #hidden units:256 | W/4-1 × label_num | | Transcription | - | str | ### 卷积 从上表的配置可以看出，卷积层很像VGG-11。不同的地方主要有两个： 1. 增加了批归一化层 2. 池化层的大小从正方形变成了长方形 加入批归一化层可以加快训练。而用高为2宽为1的长方形更容易获取窄长英文字母的特征，这样更容易区分像i和l这样的字母。 参考 - https://github.com/ypwhs/captcha_break - https://github.com/luoqianlin/deep-learning-demo - https://github.com/zhaobomin/crnn.pytorch-ocr-train