目录

基础理论

一、生成验证码数据集

1、生成验证码训练集

1-0、判断文件夹是否为空

1-1、创建字符集（数字、大小写英文字母）

1-2、随机生成验证码（1000个，长度为4）

2、生成验证码测试集

代码

二、获取数据（训练集、测试集）

1、获取数据和标签

1-1、获取训练集数据和标签（路径和标签）

1-2、获取测试集数据和标签（路径和标签）

1-3、数据组合（图像路径和标签）

2、打乱数据

3、处理每条数据

4、自定义重复周期和批次大小

5、处理每批数据

6、获取一批次数据和标签

三、创建神经网络

1、创建50层残差神经网络

2、设置输入层

3、平均池化（压缩数据）

4、配置多个输出层（多任务学习）

5、配置模型

6、编译（多任务学习）

7、回调函数配置

8、训练模型

总代码

基础理论

多任务学习（Multi-task Learning）是深度学习中很常用的一种模型训练策略，意思其实也很简单，就是同时训练多个任务，给大家举两个例子大家就明白了。比如目标检测项目中，我们既要知道1、目标所在的位置（也就是预测框坐标值），也要知道2、预测框内是什么物体。预测框的坐标值是连续型数据，所以是一个回归任务；预测框的物体是一个具体的类别，所以是一个分类任务。

不同的任务其实也可以共享卷积层。因为卷积层的作用主要是特征提取，先提取图像的特征，然后再使用这些特征来预测人的年龄，表情，性别。用于特征提取的卷积层可以共享，不过不同的任务还需要有自己的 task layer，专门用于训练特定任务。

我们要识别的验证码有 4 个字符，我们可以给模型定义 4 个任务，每个任务负责识别 1 个字符。第一个任务识别第一个字符，第二个任务识别第二个字符，第三个任务识别第三个字符，第四个任务识别第四个字符。

一、生成验证码数据集

1、生成验证码训练集

1-0、判断文件夹是否为空

if not os.listdir('D:\\Study\\AI\OpenCV\\draft.py\\captcha\\train'):Create_train_data()# 生成验证码训练集

1-1、创建字符集（数字、大小写英文字母）

# 1、创建字符集（字符包含所有数字和所有大小写英文字母，一共62(10+26+26)个）characters = string.digits + string.ascii_letters# 数字 英文字母（大小写）

得到如下数据：0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ

1-2、随机生成验证码（1000个，长度为4）

# 2、随机产生验证码（共1000个，每个长度为4）for i in range(1000):verification_list = []

1、生成随机字符：

# 2-1、开始生产随机字符（4位）for j in range(4):c = random.choice(characters) # 随机选择（从characters里面随机抽取）verification_list.append(c)

2、实例化验证码生成器：

# 2-2、实例化验证码生成器image = ImageCaptcha(width=160, height=60) # 宽：160，高：60

3、连接列表字符（转字符串）

# 2-3、连接列表字符verification_list = ''.join(verification_list)

4、生成验证码

# 2-4、生成验证码image.write(verification_list, 'captcha/train/' + verification_list + '.jpg')

2、生成验证码测试集

过程同上，测试集数据不需要那么多，把1000张换成200张即可。

代码

# 创建训练集（验证码）def Create_train_data():# 1、创建字符集（字符包含所有数字和所有大小写英文字母，一共62(10+26+26)个）characters = string.digits + string.ascii_letters# 数字 英文字母（大小写）# 2、随机产生验证码（共1000个，每个长度为4）for i in range(1000):verification_list = []# 2-1、开始生产随机字符（4位）for j in range(4):c = random.choice(characters) # 随机选择（从characters里面随机抽取）verification_list.append(c)# 2-2、实例化验证码生成器image = ImageCaptcha(width=160, height=60) # 宽：160，高：60# 2-3、连接列表字符verification_list = ''.join(verification_list)# 2-4、生成验证码image.write(verification_list, 'captcha/train/' + verification_list + '.jpg')# 创建测试集（验证码）def Create_test_data():# 1、创建字符集（字符包含所有数字和所有大小写英文字母，一共62(10+26+26)个）characters = string.digits + string.ascii_letters# 数字 英文字母（大小写）# 2、随机产生验证码（共200个，每个长度为4）for i in range(200):verification_list = []# 2-1、开始生产随机字符（4位）for j in range(4):c = random.choice(characters) # 随机选择（从characters里面随机抽取）verification_list.append(c)# 2-2、实例化验证码生成器image = ImageCaptcha(width=160, height=60) # 宽：160，高：60# 2-3、连接列表字符verification_list = ''.join(verification_list)# 2-4、生成验证码image.write(verification_list, 'captcha/test/' + verification_list + '.jpg')

二、获取数据（训练集、测试集）

1、获取数据和标签

1-1、获取训练集数据和标签（路径和标签）

# 1-1、获取训练集数据和标签（路径和标签）train_data, train_target = get_filenames_and_classes("./captcha/train/")# 1000张图片，长度4

获取所有图片路径，标签转独热编码 ：

# 获取所有验证码图片路径和标签def get_filenames_and_classes(dataset_dir):# 图片路径和标签paths ,targets = [], []# 获取每个图片的路径和标签for filename in os.listdir(dataset_dir):# 1、获取文件路径path = os.path.join(dataset_dir, filename)# 路径文件名# 完成1：保存图片路径paths.append(path)# 2、获取验证码标签（取文件名的前 4 位，也就是验证码的标签）target = filename[0:4]# 定义一个空label（获取4*62的数组，用0填充）label = np.zeros((4, classes_num), dtype=np.uint8)# 3、标签转独热编码for i, ch in enumerate(target):# i:索引 ch:字符# 标记(设置标签)：独热编码 one-hot 格式label[i, characters.find(ch)] = 1# 数组索引 字符下标（字符ch在characters中的下标）# 完成2：保存独热编码的标签targets.append(label)# 返回图片路径和标签return np.array(paths), np.array(targets)

1-2、获取测试集数据和标签（路径和标签）

# 1-2、获取测试集数据和标签（路径和标签）test_data, test_target = get_filenames_and_classes("./captcha/test/") # 200张图片，长度4

获取数据函数同上。

1-3、数据组合（图像路径和标签）

# 1-3、数据组合(图像路径和标签)(创建 dataset 对象，传入图片路径和标签)dataset_train = tf.data.Dataset.from_tensor_slices((train_data, train_target))dataset_test = tf.data.Dataset.from_tensor_slices((test_data, test_target))

2、打乱数据

# 2、打乱数据dataset_train = dataset_train.shuffle(buffer_size=100, reshuffle_each_iteration=True) # map-可以自定义一个函数来处理每一条数据dataset_test = dataset_test.shuffle(buffer_size=20, reshuffle_each_iteration=True)# 数据缓冲器大小随机打乱(是/否)

3、处理每条数据

# 3、对每条数据进行处理（图像地址->3通道图像->归一化）dataset_train = dataset_train.map(image_function)dataset_test = dataset_test.map(image_function)# map函数：可以自定义一个函数来处理每一条数据

4、自定义重复周期和批次大小

# 4、自定义重复周期和批次大小dataset_train = dataset_train.repeat(1) # 数据重复生成 1 个周期dataset_test = dataset_test.repeat(1) # 数据重复生成 1 个周期dataset_train = dataset_train.batch(64) # 定义批次大小64dataset_test = dataset_test.batch(64) # 定义批次大小64

5、处理每批数据

# 5、处理每批数据# 注意这个 map 和前面的 map 有所不同，第一个 map 在 batch 之前，所以是处理每一条数据# 这个 map 在 batch 之后，所以是处理每一个 batch 的数据dataset_train = dataset_train.map(label_function)dataset_test = dataset_test.map(label_function)

6、获取一批次数据和标签

# 获取一批数据和标签trainx, trainy = next(iter(dataset_train))testx, testy = next(iter(dataset_test))

数据（归一化后的）：

标签（独热编码）：

三、创建神经网络

1、先配置好50层残差神经网络；

2、(用已配置好的残差神经网络)配置输入层；

3、把配置好的输入层池化；

4、(用池化后的结果)配置多个输出层(多任务学习)；

5、(用输入层的shape和输出层)配置模型。

# 三、构造神经网络Create_Network()

1、创建50层残差神经网络

先配置好50层残差神经网络。

# 1、构造resnet50神经网络（50层残差网络）resnet50 = ResNet50(weights='imagenet', include_top=False, input_shape=(height, width, 3)) # 设置输入# weights：权重(imagenet:加载预训练权重)# include_top：是否保留顶层的全连接网络# input_shape：指明输入图片的shape，仅当include_top=False有效

2、设置输入层

用已配置好的残差神经网络配置输入层。

# 2、设置输入层inputs = Input((height, width, 3)) # 设置输入层大小x = resnet50(inputs) # 使用 resnet50 进行特征提取

3、平均池化（压缩数据）

平均池化，对输入层的进行压缩。

# 3、平均池化（压缩数据）x = GlobalAvgPool2D()(x)

4、配置多个输出层（多任务学习）

用池化后的结果配置多个输出层（多任务学习）。

多任务学习，把验证码识别的4个字符看成是4个不同的任务，每个任务负责识别1个字符。（4个任务，设置4个输出层）

# 4、配置输出层(多任务学习)# 把验证码识别的4个字符看成是4个不同的任务，每个任务负责识别1个字符x0 = Dense(classes_num, activation='softmax', name='out0')(x)x1 = Dense(classes_num, activation='softmax', name='out1')(x)x2 = Dense(classes_num, activation='softmax', name='out2')(x)x3 = Dense(classes_num, activation='softmax', name='out3')(x)

5、配置模型

用输入层的shape和输出层配置模型。

# 5、配置模型（输入层、输出层）model = Model(inputs, [x0, x1, x2, x3])

6、编译（多任务学习）

损失函数、权重、优化器、监视等等设置。

# 6、编译(多任务学习)（损失函数、权重、优化器、监视等等设置）# （4个任务我们可以定义4个loss）pile(loss={'out0': 'categorical_crossentropy','out1': 'categorical_crossentropy','out2': 'categorical_crossentropy','out3': 'categorical_crossentropy'},loss_weights={'out0': 1, 'out1': 1, 'out2': 1, 'out3': 1},optimizer=SGD(lr=0.01, momentum=0.9),metrics=['acc'])# loss：损失函数 loss_weights：权重 optimizer：优化器（lr:学习率；momentum:带动量的梯度下降）# metrics：监视(acc)

7、回调函数配置

# 7、回调函数（停止训练、保存数据、保存模型、调整学习率）callbacks = [EarlyStopping(monitor='val_loss', patience=6, verbose=1),CSVLogger('Captcha_tfdata.csv'),ModelCheckpoint('Best_Captcha_tfdata.h5', monitor='val_loss', save_best_only=True),ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)]# monitor='val_loss'：监控指标'val_loss'# EarlyStopping：让模型停止（6个周期，val_loss没有下降则训练结束）# CSVLogger： 保存训练数据# ModelCheckpoint：保存模型（保存所有训练周期中val_loss最低的模型）# ReduceLROnPlateau 学习率调整，连续3个周期，val_loss没有下降，则当前学习率乘以0.1

8、训练模型

# 8、训练模型model.fit(x=dataset_train, epochs=epochs, validation_data=dataset_test, callbacks=callbacks)

训练效果：

第一次：

第12次：

虽说没有完全训练完，但是可以看到，第12次平均每个字符的正确率已经可以达到99%+了，效果挺好的。

总代码

# 验证码生成与识别import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tffrom tensorflow.keras.layers import Dense,GlobalAvgPool2D,Inputfrom tensorflow.keras.optimizers import SGDfrom tensorflow.keras.models import Modelfrom tensorflow.keras.applications.resnet50 import ResNet50from tensorflow.keras.callbacks import EarlyStopping,CSVLogger,ModelCheckpoint,ReduceLROnPlateauimport stringimport numpy as npimport osimport randomfrom captcha.image import ImageCaptchafrom plot_model import plot_model# 字符包含所有数字和所有小写英文字母，一共 62 个characters = string.digits + string.ascii_letters# 数字 字母# 类别数（62）classes_num = len(characters)# 周期数epochs = 100# 图片宽度width = 160# 图片高度height = 60# 创建训练集（验证码）def Create_train_data():# 1、创建字符集（字符包含所有数字和所有大小写英文字母，一共62(10+26+26)个）characters = string.digits + string.ascii_letters# 数字 英文字母（大小写）# 2、随机产生验证码（共1000个，每个长度为4）for i in range(1000):verification_list = []# 2-1、开始生产随机字符（4位）for j in range(4):c = random.choice(characters) # 随机选择（从characters里面随机抽取）verification_list.append(c)# 2-2、实例化验证码生成器image = ImageCaptcha(width=160, height=60) # 宽：160，高：60# 2-3、连接列表字符verification_list = ''.join(verification_list)# 2-4、生成验证码image.write(verification_list, 'captcha/train/' + verification_list + '.jpg')# 创建测试集（验证码）def Create_test_data():# 1、创建字符集（字符包含所有数字和所有大小写英文字母，一共62(10+26+26)个）characters = string.digits + string.ascii_letters# 数字 英文字母（大小写）# 2、随机产生验证码（共200个，每个长度为4）for i in range(200):verification_list = []# 2-1、开始生产随机字符（4位）for j in range(4):c = random.choice(characters) # 随机选择（从characters里面随机抽取）verification_list.append(c)# 2-2、实例化验证码生成器image = ImageCaptcha(width=160, height=60) # 宽：160，高：60# 2-3、连接列表字符verification_list = ''.join(verification_list)# 2-4、生成验证码image.write(verification_list, 'captcha/test/' + verification_list + '.jpg')# 获取所有验证码图片路径和标签def get_filenames_and_classes(dataset_dir):# 图片路径和标签paths ,targets = [], []# 获取每个图片的路径和标签for filename in os.listdir(dataset_dir):# 1、获取文件路径path = os.path.join(dataset_dir, filename)# 路径文件名# 完成1：保存图片路径paths.append(path)# 2、获取验证码标签（取文件名的前 4 位，也就是验证码的标签）target = filename[0:4]# 定义一个空label（获取4*62的数组，用0填充）label = np.zeros((4, classes_num), dtype=np.uint8)# 3、标签转独热编码for i, ch in enumerate(target):# i:索引 ch:字符# 标记(设置标签)：独热编码 one-hot 格式label[i, characters.find(ch)] = 1# 数组索引 字符下标（字符ch在characters中的下标）# 完成2：保存独热编码的标签targets.append(label)# 返回图片路径和标签return np.array(paths), np.array(targets)# 图像处理函数# 输入：图像路径、标签# 输出：图像、标签def image_function(filenames, label):# 1、根据图片路径读取图片内容image = tf.io.read_file(filenames)# 2、解码为jpeg格式、3通道（正规图像）image = tf.image.decode_jpeg(image, channels=3)# 3、归一化image = tf.cast(image, tf.float32) / 255.0# 返回图片数据和标签return image, label# 标签处理函数# 获得每一个批次的图片数据和标签def label_function(image, label):# transpose 改变数据的维度，比如原来的数据 shape 是(64,4,62)# 这里的 64 是批次大小，验证码长度为 4 有 4 个标签，62 是 62 个不同的字符# tf.transpose(label,[1,0,2])计算后得到的 shape 为(4,64,62)# 原来的第 1 个维度变成了第 0 维度，原来的第 0 维度变成了 1 维度，第 2 维不变# (64,4,62)->(4,64,62)label = tf.transpose(label, [1, 0, 2])# 返回图片内容和标签，注意这里标签的返回，我们的模型会定义 4 个任务，所以这里返回 4 个标签# 每个标签的 shape 为(64,62)，64 是批次大小，62 是独热编码格式的标签return image, (label[0], label[1], label[2], label[3])# 获取数据（训练集、测试集）def GetData():global dataset_train, dataset_test# 1、获取数据和标签# 1-1、获取训练集数据和标签（路径和标签）train_data, train_target = get_filenames_and_classes("./captcha/train/")# 1000张图片，长度4# 1-2、获取测试集数据和标签（路径和标签）test_data, test_target = get_filenames_and_classes("./captcha/test/") # 200张图片，长度4# 1-3、数据组合(图像路径和标签)(创建 dataset 对象，传入图片路径和标签)dataset_train = tf.data.Dataset.from_tensor_slices((train_data, train_target))dataset_test = tf.data.Dataset.from_tensor_slices((test_data, test_target))# 2、打乱数据dataset_train = dataset_train.shuffle(buffer_size=100, reshuffle_each_iteration=True) # map-可以自定义一个函数来处理每一条数据dataset_test = dataset_test.shuffle(buffer_size=20, reshuffle_each_iteration=True)# 数据缓冲器大小随机打乱(是/否)# 3、对每条数据进行处理（图像地址->3通道图像->归一化）dataset_train = dataset_train.map(image_function)dataset_test = dataset_test.map(image_function)# map函数：可以自定义一个函数来处理每一条数据# 4、自定义重复周期和批次大小dataset_train = dataset_train.repeat(1) # 数据重复生成 1 个周期dataset_test = dataset_test.repeat(1) # 数据重复生成 1 个周期dataset_train = dataset_train.batch(64) # 定义批次大小64dataset_test = dataset_test.batch(64) # 定义批次大小64# 5、处理每批数据# 注意这个 map 和前面的 map 有所不同，第一个 map 在 batch 之前，所以是处理每一条数据# 这个 map 在 batch 之后，所以是处理每一个 batch 的数据dataset_train = dataset_train.map(label_function)dataset_test = dataset_test.map(label_function)# 获取一批次数据和标签trainx, trainy = next(iter(dataset_train))testx, testy = next(iter(dataset_test))# print(trainx)# print(trainy)# print(testx)# print(testy)# 创建神经网络def Create_Network():# 1、构造resnet50神经网络（50层残差网络）resnet50 = ResNet50(weights='imagenet', include_top=False, input_shape=(height, width, 3)) # 设置输入# weights：权重(imagenet:加载预训练权重)# include_top：是否保留顶层的全连接网络# input_shape：指明输入图片的shape，仅当include_top=False有效# 2、设置输入层inputs = Input((height, width, 3)) # 设置输入层大小x = resnet50(inputs) # 使用 resnet50 进行特征提取# 3、平均池化（压缩数据）x = GlobalAvgPool2D()(x)# 4、配置输出层(多任务学习)# 把验证码识别的4个字符看成是4个不同的任务，每个任务负责识别1个字符x0 = Dense(classes_num, activation='softmax', name='out0')(x)x1 = Dense(classes_num, activation='softmax', name='out1')(x)x2 = Dense(classes_num, activation='softmax', name='out2')(x)x3 = Dense(classes_num, activation='softmax', name='out3')(x)# 5、配置模型（输入层、输出层）model = Model(inputs, [x0, x1, x2, x3])# 6、编译(多任务学习)（损失函数、权重、优化器、监视等等设置）# （4个任务我们可以定义4个loss）pile(loss={'out0': 'categorical_crossentropy','out1': 'categorical_crossentropy','out2': 'categorical_crossentropy','out3': 'categorical_crossentropy'},loss_weights={'out0': 1, 'out1': 1, 'out2': 1, 'out3': 1},optimizer=SGD(lr=0.01, momentum=0.9),metrics=['acc'])# loss：损失函数 loss_weights：权重 optimizer：优化器（lr:学习率；momentum:带动量的梯度下降）# metrics：监视(acc)# 7、回调函数（停止训练、保存数据、保存模型、调整学习率）callbacks = [EarlyStopping(monitor='val_loss', patience=6, verbose=1),CSVLogger('Captcha_tfdata.csv'),ModelCheckpoint('Best_Captcha_tfdata.h5', monitor='val_loss', save_best_only=True),ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)]# monitor='val_loss'：监控指标'val_loss'# EarlyStopping：让模型停止（6个周期，val_loss没有下降则训练结束）# CSVLogger： 保存训练数据# ModelCheckpoint：保存模型（保存所有训练周期中val_loss最低的模型）# ReduceLROnPlateau 学习率调整，连续3个周期，val_loss没有下降，则当前学习率乘以0.1# 8、训练模型model.fit(x=dataset_train, epochs=epochs, validation_data=dataset_test, callbacks=callbacks)if __name__ == '__main__':# 一、创建验证码数据集# 判断训练集文件夹是否为空if not os.listdir('D:\\Study\\AI\OpenCV\\draft.py\\captcha\\train'):Create_train_data()# 生成验证码训练集# 判断测试集文件夹是否为空if not os.listdir('D:\\Study\\AI\OpenCV\\draft.py\\captcha\\test'):Create_test_data()# 生成验证码测试集# 二、获取数据GetData()# 三、构造神经网络Create_Network()

如果觉得《深度学习 -- TensorFlow（项目）验证码生成与识别（多任务学习）》对你有帮助，请点赞、收藏，并留下你的观点哦！