验证码可以有效抵御机器自动化攻击，但是在电商销售等实际应用场景中，过于复杂和频繁的验证码识别耗费了许多人力和财力，因此，高效的验证码识别程序用于特定场合中可以降低人力成本、加快办事效率。
进行验证码的识别，可以算作计算机视觉领域的一个小的项目。首先，需要确定任务的目标，即使程序能够自动的识别验证码。达到下图所示的效果。
验证码识别效果图
明确任务后，就要着手识别方法的选择，这里采用的是深度学习中图片分类任务中最常用的形式。卷积神经网络+全连接神经的组合。模型结构如下图所示
网络结构模型图
对于输入的图片经过两层卷积神经网络提取特征之后，再经过全连接神经网络输出各个结果的概率。进过3000次的训练之后，得到训练模型，并将其保存。对于训练的过程，我们可以对其进行可视化的展示。利用tensorboard，可以对训练过程中各个卷积层的特征提取进行一个直观的展示，而且可以对训练过程中的损失函数和准确率进行可视化的展示，观察训练的效果。如下图所示。
训练准确率展示图
卷积层可视化
训练结束后，对于模型的加载，如果只需要特定的输出时，可以通过tensorboard中的计算图来找到我们需要的输出节点，如下图所示。
模型计算图
图中的“out/out/Softmax”就是我们想要的输出。通过加载模型后，我们可以对验证码进行预测。效果如下图所示。
对于验证码的识别来说，由于其与其他识别，例如MNIST数据集识别存在诸多的相似之处，所以，利用这一点，可以将对于验证码识别的模型迁移到对于MNIST的识别方面。而由于MNIST数据集字体不规范，模型本身泛化能力不够强大等因素，所以需要对于模型进行fine-tune。如果不进行微调的话，结果如下所示。
未经过微调模型预测的结果
可见预测的效果很差。这里需要对模型的最后一层进行改进，将原先的32个输出，改为10个输出（因为MNIST数据集有10类）。对其最后一层进行训练，而保持模型的其他部分不去改变。改进后的模型，在MNIST数据集上进行训练后，进行预测的结果，如下图所示。
经过模型微调后的预测图片
可能有的同学会问，这么简单的MNIST手写体识别为什么要废这么大劲去进行模型的迁移。这里需要阐述的是，这里对于模型的迁移，是借鉴了迁移学习的思想，来说明迁移学习的方法。而且，我们的模型，只是对于最后的一层全连接层进行了改进，无论从准确率还是训练时间上来说，都要比完全设计一个新的模型要来的方便，不仅如此，进行模型的迁移，还节约了计算的资源（不需要对模型固定的部分进行反向传播求导），同时还实现了对于已有模型的复用。借助于迁移学习的方法，在较大的项目上会有非常大的帮助，吴恩达老师曾讲过，迁移学习将会是下一个神度学习的热门方向。
以上就是基于tensorflow的验证码识别，并在此基础上实现对于模型的迁移。喜欢的小伙伴可以多多支持赞赏呀，您的赞赏是我莫大的动力。如果想要源码的话，还请您多多赞赏并私聊我哦，有问题大家一起探讨，多谢大家。
网友评论