captcha_trainer-1: Import from https://gitee.com/kerlomz/captcha_trainer, Good code

# 项目介绍

验证码识别 - 该项目是基于 CNN5/ResNet+BLSTM/LSTM/GRU/SRU/BSRU+CTC 来实现验证码识别. 
该项目仅用于训练，如果需要部署模型请移步：

https://github.com/kerlomz/captcha_platform （通用WEB服务，HTTP请求调用）

https://github.com/kerlomz/captcha_library_c （动态链接库，DLL调用，基于TensoFlow C++）

https://github.com/kerlomz/captcha_demo_csharp （C#源码调用，基于TensorFlowSharp）

许多人问我，部署识别也需要GPU吗？我的答案是，完全没必要。理想中是用GPU训练，使用CPU部署识别服务，部署如果也需要这么高的成本，那还有什么现实意义和应用场景呢，实测阿里云最低配1核1G的配置识别1次大约30ms，我的i7-8700k大约10-15ms之间。

[![LICENSE](https://img.shields.io/badge/license-Anti%20996-blue.svg)](https://github.com/kerlomz/captcha_trainer/blob/master/LICENSE)

# 注意事项

1. **如何使用CPU训练：**

本项目默认安装TensorFlow-GPU版，建议使用GPU进行训练，如需换用CPU训练请替换 ```requirements.txt``` 文件中的```tensorflow-gpu==1.6.0``` 为```tensorflow==1.6.0```，其他无需改动。

2. **关于LSTM网络**:

保证CNN得到的featuremap输入到LSTM时的宽度至少大于等于最大字符数的3倍左右，即time_step大于等于最大字符数3倍。

3. **No valid path found 问题解决**：

在```model.yaml```中修改```Pretreatment```->```Resize```的参数，自行调整为合适的值，总结了百来个验证码训练经验，可以尝试这个较为通用的值：```Resize: [150, 50]```，或者使用代码```tutorial.py``` （自动生成配置文件、打包样本、训练一体化），填写训练集路径执行。

4. **参数修改：**

切记，ModelName 是绑定一个模型的唯一标志，如果修改了训练参数如：ImageWidth，ImageHeight，Resize，CharSet，CNNNetwork，RecurrentNetwork，HiddenNum 这类影响计算图的参数，需要删除model路径下的旧文件，重新训练，或者使用新的ModelName 重新训练，否则默认作为断点续练。

# 准备工作

如果你准备使用GPU训练，请先安装CUDA和cuDNN，可以了解下官方测试过的编译版本对应:
https://www.tensorflow.org/install/install_sources#tested_source_configurations
Github上可以下载到第三方编译好的TensorFlow的WHL安装包：

https://github.com/fo40225/tensorflow-windows-wheel

CUDA下载地址：https://developer.nvidia.com/cuda-downloads

cuDNN下载地址：https://developer.nvidia.com/rdp/form/cudnn-download-survey （需要注册账号）

**笔者使用的版本为：CUDA10+cuDNN7.3.1+TensorFlow 1.12**

# 环境安装

1. 安装Python 3.6 环境（包含pip）

2. 安装虚拟环境 virtualenv ```pip3 install virtualenv```

3. 为该项目创建独立的虚拟环境:

```bash
   virtualenv -p /usr/bin/python3 venv # venv is the name of the virtual environment.
   cd venv/ # venv is the name of the virtual environment.
   source bin/activate # to activate the current virtual environment.
   cd captcha_trainer # captcha_trainer is the project path.
   ```

4. 安装本项目的依赖列表：```pip install -r requirements.txt```

# 开始

## 1. 架构与流程

本项目依赖于训练配置```config.yaml```和模型配置```model.yaml```，初始化项目的时候请复制```config_demo.yaml```到当前目录下命名为```config.yaml```，```model_demo.yaml```同理。或者可以使用```tutorial.py``` 自动设置模型配置。

**训练流程**：配置好两个配置文件后，执行```trains.py``` 中的代码，读取配置，根据```model.yaml```配置文件构建神经网络计算图，依据```config.yaml```的配置参数进行训练。

**关于```config.yaml```中的训练参数有几点建议：**

1. BatchSize（训练批次大小）与TestBatchSize（测试批次大小）是需要大家关注的，建议根据显卡条件进行调整，显存小的建议BatchSize不要太大，TestBatchSize也是，我提供的默认配置是基于显存8G，使用率50%设置的，请悉知。

2. LearningRate（学习率）也是需要关注的，深度学习本质就是调参，一般的模型可以保持默认的配置无需调整，有些模型想要获得更高的识别精度可以先使用0.01快速收敛，准确率差不多95%左右再使用0.001/0.0001提高精度。

3. TestSetNum（测试集数目），这个是专门为懒人（说我自己）设计提供的，根据给定的测试集数目切割训练集，有一个前提，测试集必须是随机的，随机的，随机的，重要的事说三遍，有些人用Windows资源管理器打开，一拖动选择几百个，默认都是按名称排序的，如果名称是标注，那么就不是随机了，也就是很可能你取的测试集是标注为0~3之间的图片，这样可能导致永远无法收敛。

4. TrainRegex 和 TestRegex，正则匹配，请各位采集样本的时候，尽量和我给的示例保持一致吧，正则问题请谷歌，如果是为1111.jpg这种命名的话，这里提供了一个批量转换的代码：

```python
   import re
   import os
   import hashlib
   
   # 训练集路径
   root = r"D:\TrainSet\***"
   all_files = os.listdir(root)
   
   for file in all_files:
       old_path = os.path.join(root, file)
       
       # 已被修改过忽略
       if len(file.split(".")[0]) > 32:
           continue
       
       # 采用标注_文件md5码.图片后缀 进行命名
       with open(old_path, "rb") as f:
           _id = hashlib.md5(f.read()).hexdigest()
       new_path = os.path.join(root, file.replace(".", "_{}.".format(_id)))
       
       # 重复标签的时候会出现形如：abcd (1).jpg 这种形式的文件名
       new_path = re.sub(" \(\d+\)", "", new_path)
       print(new_path)
       os.rename(old_path, new_path)
   ```

## 2. 配置化

1. model.yaml  - Model Config

```yaml
   # - requirement.txt  -  GPU: tensorflow-gpu, CPU: tensorflow
    # - If you use the GPU version, you need to install some additional applications.
    System:
      DeviceUsage: 0.7
    
    # ModelName: Corresponding to the model file in the model directory,
    # - such as YourModelName.pb, fill in YourModelName here.
    # CharSet: Provides a default optional built-in solution:
    # - [ALPHANUMERIC, ALPHANUMERIC_LOWER, ALPHANUMERIC_UPPER,
    # -- NUMERIC, ALPHABET_LOWER, ALPHABET_UPPER, ALPHABET, ALPHANUMERIC_LOWER_MIX_CHINESE_3500]
    # - Or you can use your own customized character set like: ['a', '1', '2'].
    # CharMaxLength: Maximum length of characters， used for label padding.
    # CharExclude: CharExclude should be a list, like: ['a', '1', '2']
    # - which is convenient for users to freely combine character sets.
    # - If you don't want to manually define the character set manually,
    # - you can choose a built-in character set
    # - and set the characters to be excluded by CharExclude parameter.
    Model:
      Sites: [
        'YourModelName'
      ]
      ModelName: YourModelName
      ModelType: 150x50
      CharSet: ALPHANUMERIC_LOWER
      CharExclude: []
      CharReplace: {}
      ImageWidth: 150
      ImageHeight: 50
    
    # Binaryzation: [-1: Off, >0 and < 255: On].
    # Smoothing: [-1: Off, >0: On].
    # Blur: [-1: Off, >0: On].
    # Resize: [WIDTH, HEIGHT]
    # - If the image size is too small, the training effect will be poor and you need to zoom in.
    # ReplaceTransparent: [True, False]
    # - True: Convert transparent images in RGBA format to opaque RGB format,
    # - False: Keep the original image
    Pretreatment:
      Binaryzation: -1
      Smoothing: -1
      Blur: -1
      Resize: [150, 50]
      ReplaceTransparent: True
    
    # CNNNetwork: [CNN5, ResNet, DenseNet]
    # RecurrentNetwork: [BLSTM, LSTM, SRU, BSRU, GRU]
    # - The recommended configuration is CNN5+BLSTM / ResNet+BLSTM
    # HiddenNum: [64, 128, 256]
    # - This parameter indicates the number of nodes used to remember and store past states.
    # Optimizer: Loss function algorithm for calculating gradient.
    # - [AdaBound, Adam, Momentum]
    NeuralNet:
      CNNNetwork: CNN5
      RecurrentNetwork: BLSTM
      HiddenNum: 64
      KeepProb: 0.98
      Optimizer: AdaBound
      PreprocessCollapseRepeated: False
      CTCMergeRepeated: True
      CTCBeamWidth: 1
      CTCTopPaths: 1
    
    # TrainsPath and TestPath: The local absolute path of your training and testing set.
    # DatasetPath: Package a sample of the TFRecords format from this path.
    # TrainRegex and TestRegex: Default matching apple_20181010121212.jpg file.
    # - The Default is .*?(?=_.*\.)
    # TestSetNum: This is an optional parameter that is used when you want to extract some of the test set
    # - from the training set when you are not preparing the test set separately.
    # SavedSteps: A Session.run() execution is called a Step,
    # - Used to save training progress, Default value is 100.
    # ValidationSteps: Used to calculate accuracy, Default value is 500.
    # TestSetNum: The number of test sets, if an automatic allocation strategy is used (TestPath not set).
    # EndAcc: Finish the training when the accuracy reaches [EndAcc*100]% and other conditions.
    # EndCost: Finish the training when the cost reaches EndCost and other conditions.
    # EndEpochs: Finish the training when the epoch is greater than the defined epoch and other conditions.
    # BatchSize: Number of samples selected for one training step.
    # TestBatchSize: Number of samples selected for one validation step.
    # LearningRate: Recommended value[0.01: MomentumOptimizer/AdamOptimizer, 0.001: AdaBoundOptimizer]
    Trains:
      TrainsPath: './dataset/mnist-CNN5BLSTM-H64-28x28_trains.tfrecords'
      TestPath: './dataset/mnist-CNN5BLSTM-H64-28x28_test.tfrecords'
      DatasetPath: [
        "D:/***"
      ]
      TrainRegex: '.*?(?=_)'
      TestSetNum: 300
      SavedSteps: 100
      ValidationSteps: 500
      EndAcc: 0.95
      EndCost: 0.1
      EndEpochs: 2
      BatchSize: 128
      TestBatchSize: 300
      LearningRate: 0.001
      DecayRate: 0.98
      DecaySteps: 10000
   ```

# 工具集

1. 预处理预览工具，只支持为打包的训练集查看
   ```python -m tools.preview```

2. PyInstaller 一键打包（训练的话支持不好，部署的打包效果不错）

```
   pip install pyinstaller
   python -m tools.package
   ```

# 运行

1. 命令行或终端运行：```python trains.py```
2. 使用 PyCharm 运行，右键 Run
3. **新手专用**: 使用IDE工具修改 tutorial.py 配置内容并运行，集推荐配置，打包样本，运行于一体。

# 开源许可

身在一个965的公司难以想像996是怎样可怕的一件事情。
996工作制意味着8点多起，10点多到家，意味着几乎没有个人时间，没有时间学习，没有时间陪伴爱人亲人，没有时间维持工作以外的社交，人生中只有睡觉吃饭上班和唯一的周末，那么我们从工作中等价交换了什么？

1. 个人报酬：生存的主要收入来源

2. 个人价值：通过工作收获技能和社会承认

3. 社会接触：了解不同的人，不同的观点、经验、思想等等

所以这些就是生活的全部了吗？你的付出是否交换到等价的收益？
想要得到多少就应该牺牲等价的东西去交换，有些人牺牲一切去换取被爱的可能，有些人牺牲生活和爱情去换金钱和社会地位，有些人牺牲一切去逐梦或筑梦，韭菜春风吹又生，但这不能成为我们虐待它们的理由，这些也不应该成为企业盲目跟风996制度的理由，那些敢于提出996的企业领导人应该学习的是承担，承担把大饼从纸上送到手上，比起《跳槽上征信》，那些天天熬制无法兑现的鸡汤厨子更应该上征信吧。

即使你们有一万种虐待韭菜的方法，即使是飞蛾扑火，是以卵击石，我仍愿以个人的名义加入 ANTI-996 大军

# 详细指南

之前专门为该项目写的文章，欢迎大家点评

https://www.jianshu.com/p/80ef04b16efc

有匪君子/captcha_trainer-1

简介

发行版

贡献者

近期动态

有匪君子/captcha_trainer-1 .gitee-modal { width: 500px !important; }

简介

发行版

贡献者

近期动态

搜索帮助

有匪君子/captcha_trainer-1