TensorFlow验证码识别

本节咱们来用TensorFlow来实现深度学习模型，用来实现验证码识别的过程，这里咱们识别的验证码是图形验证码，首先咱们会用标注好的数据来训练一个模型，而后再用模型来实现这个验证码的识别。

验证码

首先咱们来看下验证码是怎样的，这里咱们使用Python的captcha库来生成便可，这个库默认是没有安装的，因此这里咱们须要先安装这个库，另外咱们还须要安装pillow库，使用pip3便可：

1	pip3 install captcha pillow

安装好以后，咱们就能够用以下代码来生成一个简单的图形验证码了：

12345678from captcha.image import ImageCaptchafrom PIL import Image text = '1234'image = ImageCaptcha()captcha = image.generate(text)captcha_image = Image.open(captcha)captcha_image.show()复制代码

运行以后便会弹出一张图片，结果以下：

能够看到图中的文字正是咱们所定义的text内容，这样咱们就能够获得一张图片和其对应的真实文本，这样咱们就能够用它来生成一批训练数据和测试数据了。

预处理

在训练以前确定是要进行数据预处理了，如今咱们首先定义好了要生成的验证码文本内容，这就至关于已经有了label了，而后咱们再用它来生成验证码，就能够获得输入数据x了，在这里咱们首先定义好咱们的输入词表，因为大小写字母加数字的词表比较庞大，设想咱们用含有大小写字母和数字的验证码，一个验证码四个字符，那么一共能够的组合是（26 + 26 + 10）^ 4 = 14776336种组合，这个数量训练起来有点大，因此这里咱们精简一下，只使用纯数字的验证码来训练，这样其组合个数就变为10 ^ 4 = 10000种，显然少了不少。

因此在这里咱们先定义一个词表和其长度变量：

123VOCAB = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']CAPTCHA_LENGTH = 4VOCAB_LENGTH = len(VOCAB)复制代码

这里VOCAB就是词表的内容，即0到9这10个数字，验证码的字符个数即CAPTCHA_LENGTH是4，词表长度是VOCAB的长度，即10。

接下来咱们定义一个生成验证码数据的方法，流程相似上文，只不过这里咱们将返回的数据转为了Numpy形式的数组：

123456789101112131415from PIL import Imagefrom captcha.image import ImageCaptchaimport numpy as np def generate_captcha(captcha_text):    """ get captcha text and np array :param captcha_text: source text :return: captcha image and array """    image = ImageCaptcha()    captcha = image.generate(captcha_text)    captcha_image = Image.open(captcha)    captcha_array = np.array(captcha_image)    return captcha_array复制代码

这样调用此方法，咱们就能够获得一个Numpy数组了，这个实际上是把验证码转化成了每一个像素的RGB，咱们调用一下这个方法试试：

12captcha = generate_captcha('1234')print(captcha, captcha.shape)复制代码

内容以下：

123456789[[[239 244 244]  [239 244 244]  [239 244 244]  ...,   ...,   [239 244 244]  [239 244 244]  [239 244 244]]] (60, 160, 3)复制代码

能够看到它的形状是（60,160,3），这其实表明验证码图片的高度是60，宽度是160，是60×160像素的验证码，每一个像素都有RGB值，因此最后一维即为像素的RGB值。

接下来咱们须要定义label，因为咱们须要使用深度学习模型进行训练，因此这里咱们的标签数据最好使用One-Hot编码，即若是验证码文本是1234，那么应该词表索引位置置1，总共的长度是40，咱们用程序实现一下One-Hot编码和文本的互相转换：

12345678910111213141516171819202122232425262728def text2vec(text):    """ text to one-hot vector :param text: source text :return: np array """    if len(text) > CAPTCHA_LENGTH:        return False    vector = np.zeros(CAPTCHA_LENGTH * VOCAB_LENGTH)    for i, c in enumerate(text):        index = i * VOCAB_LENGTH + VOCAB.index(c)        vector[index] = 1    return vector  def vec2text(vector):    """ vector to captcha text :param vector: np array :return: text """    if not isinstance(vector, np.ndarray):        vector = np.asarray(vector)    vector = np.reshape(vector, [CAPTCHA_LENGTH, -1])    text = ''    for item in vector:        text += VOCAB[np.argmax(item)]    return text复制代码

这里text2vec（）方法就是将真实文本转化为One-Hot编码，vec2text（）方法就是将One-Hot编码转回真实文本。

例如这里调用一下这两个方法，咱们将1234文本转换为One-Hot编码，而后在将其转回来：

123vector = text2vec('1234')text = vec2text(vector)print(vector, text)复制代码

运行结果以下：

1234[ 0.  1.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  1.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  1.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  1.  0.  0.  0.  0.  0.]1234复制代码

这样咱们就能够实现文本到One-Hot编码的互转了。

接下来咱们就能够构造一批数据了，x数据就是验证码的numpy数组，y数据就是验证码的文本的一个热门编码，生成内容以下：

1234567891011121314151617181920212223242526272829303132333435363738import randomfrom os.path import join, existsimport pickleimport numpy as npfrom os import makedirs DATA_LENGTH = 10000DATA_PATH = 'data' def get_random_text():    text = ''    for i in range(CAPTCHA_LENGTH):        text += random.choice(VOCAB)    return text def generate_data():    print('Generating Data...')    data_x, data_y = [], []     # generate data x and y for i in range(DATA_LENGTH): text = get_random_text() # get captcha array captcha_array = generate_captcha(text) # get vector vector = text2vec(text) data_x.append(captcha_array) data_y.append(vector) # write data to pickle if not exists(DATA_PATH): makedirs(DATA_PATH) x = np.asarray(data_x, np.float32) y = np.asarray(data_y, np.float32) with open(join(DATA_PATH, 'data.pkl'), 'wb') as f: pickle.dump(x, f) pickle.dump(y, f)复制代码

这里咱们定义了一个get_random_text（）方法，能够随机生成验证码文本，而后接下来再利用这个随机生成的文原本产生对应的x，y数据，而后咱们再将数据写入到pickle文件里，这样就完成了预处理的操做。

构建模型

有了数据以后，咱们就开始构建模型吧，这里咱们仍是利用train_test_split（）方法将数据分为三部分，训练集，开发集，验证集：

1234567with open('data.pkl', 'rb') as f:    data_x = pickle.load(f)    data_y = pickle.load(f)    return standardize(data_x), data_y train_x, test_x, train_y, test_y = train_test_split(data_x, data_y, test_size=0.4, random_state=40)dev_x, test_x, dev_y, test_y, = train_test_split(test_x, test_y, test_size=0.5, random_state=40)复制代码

接下来咱们使用者三个数据集构造三个数据集对象：

123456789# train and dev datasettrain_dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y)).shuffle(10000)train_dataset = train_dataset.batch(FLAGS.train_batch_size) dev_dataset = tf.data.Dataset.from_tensor_slices((dev_x, dev_y))dev_dataset = dev_dataset.batch(FLAGS.dev_batch_size) test_dataset = tf.data.Dataset.from_tensor_slices((test_x, test_y))test_dataset = test_dataset.batch(FLAGS.test_batch_size)复制代码

而后初始化一个迭代器，并绑定到这个数据集上：

12345# a reinitializable iteratoriterator = tf.data.Iterator.from_structure(train_dataset.output_types, train_dataset.output_shapes)train_initializer = iterator.make_initializer(train_dataset)dev_initializer = iterator.make_initializer(dev_dataset)test_initializer = iterator.make_initializer(test_dataset)复制代码

接下来就是关键的部分了，在这里咱们使用三层卷积和两层全链接网络进行构造，在这里为了简化写法，直接使用TensorFlow的图层模块：

1234567891011121314151617# input Layerwith tf.variable_scope('inputs'): # x.shape = [-1, 60, 160, 3] x, y_label = iterator.get_next()keep_prob = tf.placeholder(tf.float32, [])y = tf.cast(x, tf.float32)# 3 CNN layersfor _ in range(3): y = tf.layers.conv2d(y, filters=32, kernel_size=3, padding='same', activation=tf.nn.relu) y = tf.layers.max_pooling2d(y, pool_size=2, strides=2, padding='same') # y = tf.layers.dropout(y, rate=keep_prob) # 2 dense layersy = tf.layers.flatten(y)y = tf.layers.dense(y, 1024, activation=tf.nn.relu)y = tf.layers.dropout(y, rate=keep_prob)y = tf.layers.dense(y, VOCAB_LENGTH)复制代码

这里卷积核大小为3，padding使用SAME模式，激活函数使用relu。

通过全链接网络变换以后，y的形状就变成了[batch_size，n_classes]，咱们的标签是CAPTCHA_LENGTH个One-Hot向量拼合而成的，在这里咱们想使用交叉熵来计算，可是交叉熵计算的时候，标签参数向量最后一维各个元素之和必须为1，否则计算梯度的时候会出现问题。详情参见TensorFlow的官方文档：

https://www.tensorflow.org/api_docs/python/tf/nn/

softmax_cross_entropy_with_logits：

注：虽然这些类是互斥的，但它们的几率不必定是。

全部须要的是每行标签是有效的几率分布。

若是它们不是，则梯度的计算将不正确。

可是如今的标签参数是CAPTCHA_LENGTH个One-Hot向量拼合而成，因此这里各个元素之和为CAPTCHA_LENGTH，因此咱们须要从新reshape一下，确保最后一维各个元素之间为1：

1 2	y_reshape = tf.reshape(y, [-1, VOCAB_LENGTH]) y_label_reshape = tf.reshape(y_label, [-1, VOCAB_LENGTH])

这样咱们就能够确保最后一维是VOCAB_LENGTH长度，而它就是一个One-Hot向量，因此各元素之和一定为1。

而后损失和准确就好计算了：

1234567# losscross_entropy = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=y_reshape, labels=y_label_reshape))# accuracymax_index_predict = tf.argmax(y_reshape, axis=-1)max_index_label = tf.argmax(y_label_reshape, axis=-1)correct_predict = tf.equal(max_index_predict, max_index_label)accuracy = tf.reduce_mean(tf.cast(correct_predict, tf.float32))复制代码

再接下来执行训练便可：

12345678910111213141516171819# traintrain_op = tf.train.RMSPropOptimizer(FLAGS.learning_rate).minimize(cross_entropy, global_step=global_step)for epoch in range(FLAGS.epoch_num): tf.train.global_step(sess, global_step_tensor=global_step) # train sess.run(train_initializer) for step in range(int(train_steps)): loss, acc, gstep, _ = sess.run([cross_entropy, accuracy, global_step, train_op], feed_dict={keep_prob: FLAGS.keep_prob}) # print log if step % FLAGS.steps_per_print == 0: print('Global Step', gstep, 'Step', step, 'Train Loss', loss, 'Accuracy', acc) if epoch % FLAGS.epochs_per_dev == 0: # dev sess.run(dev_initializer) for step in range(int(dev_steps)): if step % FLAGS.steps_per_print == 0: print('Dev Accuracy', sess.run(accuracy, feed_dict={keep_prob: 1}), 'Step', step)复制代码

在这里咱们首先初始化train_initializer，将iterator绑定到train数据集上，而后执行train_op，得到损失，acc，gstep等结果并输出。

训练

运行训练过程，结果相似以下：

12345678910...Dev Accuracy 0.9580078 Step 0Dev Accuracy 0.9472656 Step 2Dev Accuracy 0.9501953 Step 4Dev Accuracy 0.9658203 Step 6Global Step 3243 Step 0 Train Loss 1.1920928e-06 Accuracy 1.0Global Step 3245 Step 2 Train Loss 1.5497207e-06 Accuracy 1.0Global Step 3247 Step 4 Train Loss 1.1920928e-06 Accuracy 1.0Global Step 3249 Step 6 Train Loss 1.7881392e-06 Accuracy 1.0...复制代码

验证集准确率95％以上。

测试

训练过程咱们还能够每隔几个Epoch保存一下模型：

123# save modelif epoch % FLAGS.epochs_per_save == 0: saver.save(sess, FLAGS.checkpoint_dir, global_step=gstep)复制代码

固然也能够取验证集上准确率最高的模型进行保存。

验证时咱们能够从新刷新一下模型，而后进行验证：

1234567891011# load modelckpt = tf.train.get_checkpoint_state('ckpt')if ckpt: saver.restore(sess, ckpt.model_checkpoint_path) print('Restore from', ckpt.model_checkpoint_path) sess.run(test_initializer) for step in range(int(test_steps)): if step % FLAGS.steps_per_print == 0: print('Test Accuracy', sess.run(accuracy, feed_dict={keep_prob: 1}), 'Step', step)else: print('No Model Found')复制代码

验证以后其准确率基本是差很少的。

若是要进行新的Inference的话，能够替换下test_x便可。

结语

以上即是使用TensorFlow进行验证码识别的过程，代码见：

https：

//github.com/AIDeepLearning/CrackCaptcha

。

本资源首发于崔庆才的我的博客静觅： Python3网络爬虫开发实战教程 | 静觅

如想了解更多爬虫资讯，请关注个人我的微信公众号：进击的Coder

weixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)