一、数据类型

训练集的数据都是带标注的图片形式，本质是一个分类问题，预测图片中的数字。

二、赛题难点

赛题的目的是识别图片中的字符，即input = 图片，output = 字符。但是给定的数据字符的长度是不一致的。解决的方法，暂时可以考虑三种办法：

1. 标准化一致的长度

也就是说取所有数据中字符长度最长为目标长度字符，比如，最长的字符长度为6，表示为123456，那么字符12则需要表示成12XXXX,这样相当于每个字符都有11种可能。模型训练的时候相当于对每张图片都以11个字符对待。
这种处理方法比较简单，但我觉得缺陷可能在于训练的模型不能很好的处理更长的字符。

2.不定长字符识别

CRNN模型暂时理解不了

3.先检测再识别

三、理解数据

1.先导库

import os, sys, glob, shutil, json
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
import cv2
from PIL import Image
import numpy as np
from tqdm import tqdm, tqdm_notebook
import torch
import matplotlib.pyplot as plt
torch.manual_seed(0)
torch.backends.cudnn.deterministic = False
torch.backends.cudnn.benchmark = True
import torchvision.models as models
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.autograd import Variable
from torch.utils.data.dataset import Dataset
import json

2.查看一下json文件

json文件中存放的是训练集所有图片的标注

train_json = json.load(open('C:\\Users\\pc\\Desktop\\tianchi\\mchar_train.json'))
train_json["000000.png"]
{'000000.png': {'height': [219, 219],
  'label': [1, 9],
  'left': [246, 323],
  'top': [77, 81],
  'width': [81, 96]},
 }

可以看到每张图片都会存放5个标注的内容，包括“height”，“label”，“left”，“top”，“width”
“label”很好理解，就是每张图片要识别的字符是什么，也就是数据的标签
剩下的4个就是字符的坐标，可以用一张图很好的表示

image.png

3.理解一下读取图片

img = cv2.imread('C:\\Users\\pc\\Desktop\\tianchi\\000000.png')

图片的读取这里使用的是openCV的imread函数进行读取
imread这个函数有两个参数，即filename和flag
filename就是你的图片的对应的路径
flag指的是你读取图片采用的模式，可以有很多选择
再看看imread返回的是什么

array([[[ 98, 112, 108],
        [ 97, 112, 108],
        [ 98, 114, 107],
        ...,
        [255, 255, 255],
        [255, 255, 255],
        [255, 255, 255]],

       [[100, 114, 110],
        [ 99, 114, 110],
        [ 99, 115, 108],
        ...,
        [255, 255, 255],
        [255, 255, 255],
        [255, 255, 255]],

       [[101, 116, 112],
        [101, 116, 112],
        [101, 117, 110],
        ...,
        [255, 255, 255],
        [255, 255, 255],
        [255, 255, 255]],

       ...,

       [[ 25,  21,  20],
        [ 24,  22,  21],
        [ 26,  24,  23],
        ...,
        [255, 255, 255],
        [255, 255, 255],
        [255, 255, 255]],

       [[ 24,  23,  19],
        [ 23,  24,  20],
        [ 22,  23,  19],
        ...,
        [255, 255, 255],
        [255, 255, 255],
        [255, 255, 255]],

       [[ 21,  22,  18],
        [ 22,  23,  19],
        [ 21,  22,  18],
        ...,
        [255, 255, 255],
        [255, 255, 255],
        [255, 255, 255]]], dtype=uint8)

它返回的是一个三维数组
这里就需要补充一点图像的相关知识了，一张图片有许多的像素点构成。我们常见的图片一般是三通道图片，即由红、绿、蓝三个通道构成，每个像素点的颜色就可以用三个数值表示了，范围在0~255。imread返回的通道顺序是BGR，因此很好理解了，imread返回的就是一个个像素点，每个像素点由三个值代表该点的颜色，这三个值可以看成是蓝、绿、红的深度的数值。

img.shape
(350, 741, 3)

同样可以知道的是，该图片是一个长350，宽741，三通道的图片。
我们对图片的读取核心也就是获得这些信息，这些信息进一步处理就可以转换成对应的样本的特征了。
另外，img既然可以用一个三维数组表示，这也就意味着我们可以通过切片的方式对图片进行截取，同时根据图片对应的标注的坐标信息，我们也就可以将对应的字符截取下来。

plt.subplot(1, 1, 1)
plt.imshow(img[77:77+219,246:246+81])

批注 2020-05-20 211619.png

4.Task01总结
pytorch安装以及单个数据读取都没什么问题，数据理解缺了一点基础知识，已经查阅资料理解了。第一阶段先这样，接下来进行数据的读取和扩增。