向AI转型的程序员都关注了这个号👇👇👇
大数据挖掘DT机器学习 公众号:datayx
本文会通过 Keras 搭建一个深度卷积神经网络来识别验证码,建议使用显卡来运行该项目。
下面的可视化代码都是在jupyter notebook
中完成的,如果你希望写成 python 脚本,稍加修改即可正常运行,当然也可以去掉这些可视化代码。Keras 版本:1.2.2。
captcha
captcha 是用 python 写的生成验证码的库,它支持图片验证码和语音验证码,我们使用的是它生成图片验证码的功能。
首先我们设置我们的验证码格式为数字加大写字母,生成一串验证码试试看:
数据生成器
训练模型的时候,我们可以选择两种方式来生成我们的训练数据,一种是一次性生成几万张图,然后开始训练,一种是定义一个数据生成器,然后利用fit_generator
函数来训练。
第一种方式的好处是训练的时候显卡利用率高,如果你需要经常调参,可以一次生成,多次使用;第二种方式的好处是你不需要生成大量数据,训练过程中可以利用 CPU 生成数据,而且还有一个好处是你可以无限生成数据。
我们的数据格式如下:
X
X 的形状是(batch_size, height, width, 3)
,比如一批生成32个样本,图片宽度为170,高度为80,那么形状就是(32, 80, 170, 3)
,取第一张图就是X[0]
。
y
y 的形状是四个(batch_size, n_class)
,如果转换成 numpy 的格式,则是(n_len, batch_size, n_class)
,比如一批生成32个样本,验证码的字符有36种,长度是4位,那么它的形状就是4个(32, 36)
,也可以说是(4, 32, 36)
,解码函数在下个代码块。
上面就是一个可以无限生成数据的例子,我们将使用这个生成器来训练我们的模型。
使用生成器
生成器的使用方法很简单,只需要用 next 函数即可。下面是一个例子,生成32个数据,然后显示第一个数据。当然,在这里我们还对生成的 One-Hot 编码后的数据进行了解码,首先将它转为 numpy 数组,然后取36个字符中最大的数字的位置,因为神经网络会输出36个字符的概率,然后将概率最大的四个字符的编号转换为字符串。
构建深度卷积神经网络
模型结构很简单,特征提取部分使用的是两个卷积,一个池化的结构,这个结构是学的 VGG16 的结构。之后我们将它 Flatten,然后添加 Dropout ,尽量避免过拟合问题,最后连接四个分类器,每个分类器是36个神经元,输出36个字符的概率。
模型可视化
得益于 Keras 自带的可视化,我们可以使用几句代码来可视化模型的结构:
这里需要使用 pydot 这个库,以及 graphviz 这个库,在 macOS 系统上安装方法如下:
我们可以看到最后一层卷积层输出的形状是(1, 6, 256)
,已经不能再加卷积层了。
训练模型
训练模型反而是所有步骤里面最简单的一个,直接使用model.fit_generator
即可,这里的验证集使用了同样的生成器,由于数据是通过生成器随机生成的,所以我们不用考虑数据是否会重复。注意,这段代码在笔记本上可能要耗费一下午时间。如果你想让模型预测得更准确,可以将nb_epoch
改为 10 或者 20,但它也将耗费成倍的时间。注意我们这里使用了一个小技巧,添加nb_worker=2
参数让 Keras 自动实现多进程生成数据,摆脱 python 单线程效率低的缺点。
测试模型
当我们训练完成以后,可以识别一个验证码试试看:
计算模型总体准确率
模型在训练的时候只会显示每一个字符的准确率,为了统计模型的总体准确率,我们可以写下面的函数:
这里用到了一个库叫做 tqdm,它是一个进度条的库,为的是能够实时反馈进度。然后我们通过一些 numpy 计算去统计我们的准确率,这里计算规则是只要有一个错,那么就不算它对。经过计算,我们的模型的总体准确率在经过五代训练就可以达到 90%,继续训练还可以达到更高的准确率。
模型总结
模型的大小是16MB,在我的笔记本上跑1000张验证码需要用20秒,当然,显卡会更快。对于验证码识别的问题来说,哪怕是10%的准确率也已经称得上破解,毕竟假设100%识别率破解要一个小时,那么10%的识别率也只用十个小时,还算等得起,而我们的识别率有90%,已经可以称得上完全破解了这类验证码。
改进
对于这种按顺序书写的文字,我们还有一种方法可以使用,那就是循环神经网络来识别序列。下面我们来了解一下如何使用循环神经网络来识别这类验证码。
CTC Loss
这个 loss 是一个特别神奇的 loss,它可以在只知道序列的顺序,不知道具体位置的情况下,让模型收敛。在这方面百度似乎做得很不错,利用它来识别音频信号。(warp-ctc)
/baidu-research/warp-ctc
那么在 Keras 里面,CTC Loss 已经内置了,我们直接定义这样一个函数,即可实现 CTC Loss,由于我们使用的是循环神经网络,所以默认丢掉前面两个输出,因为它们通常无意义,且会影响模型的输出。
y_pred 是模型的输出,是按顺序输出的37个字符的概率,因为我们这里用到了循环神经网络,所以需要一个空白字符的概念;
labels 是验证码,是四个数字;
input_length 表示 y_pred 的长度,我们这里是15;
label_length 表示 labels 的长度,我们这里是4。
模型结构
我们的模型结构是这样设计的,首先通过卷积神经网络去识别特征,然后经过一个全连接降维,再按水平顺序输入到一种特殊的循环神经网络,叫 GRU,它具有一些特殊的性质,为什么用 GRU 而不用 LSTM 呢?总的来说就是它的效果比 LSTM 好,所以我们用它。
模型可视化
可视化的代码同上,这里只贴图。
可以看到模型比上一个模型复杂了许多,但实际上只是因为输入比较多,所以它显得很大。还有一个值得注意的地方,我们的图片在输入的时候是经过了旋转的,这是因为我们希望以水平方向输入,而图片在 numpy 里默认是这样的形状:(height, width, 3),因此我们使用了transpose
函数将图片转为了(width, height, 3)的格式,然后经过各种卷积和降维,变成了 (17, 32),这里的每个长度为32的向量都代表一个竖条的图片的特征,从左到右,一共有17条。然后我们兵分两路,一路从左到右输入到 GRU,一路从右到左输入到 GRU,然后将他们输出的结果加起来。再兵分两路,还是一路正方向,一路反方向,只不过第二次我们直接将它们的输出连起来,然后经过一个全连接,输出每个字符的概率。
数据生成器
评估模型
我们会通过这个函数来评估我们的模型,和上面的评估标准一样,只有全部正确,我们才算预测正确,中间有个坑,就是模型最开始训练的时候,并不一定会输出四个字符,所以我们如果遇到所有的字符都不到四个的时候,就不计算了,相当于加0,遇到多于4个字符的时候,只取前四个。
评估回调
因为 Keras 没有针对这种输出计算准确率的选项,因此我们需要自定义一个回调函数,它会在每一代训练完成的时候计算模型的准确率。
训练模型
由于 CTC Loss 收敛很慢,所以我们需要设置比较大的代数,这里我们设置了100代,然后添加了一个早期停止的回调和我们上面定义的回调,但是第一次训练只训练37代就停了,测试准确率才95%,我又在这个基础上继续训练了一次,停在了25代,得到了98%的准确率,所以一共训练了62代。
测试模型
这里随机出来的验证码很厉害,是O0OP
,不过更厉害的是模型认出来了。
有趣的问题
我又用之前的模型做了个测试,对于O0O0
这样丧心病狂的验证码,模型偶尔也能正确识别,这让我非常惊讶,它是真的能识别 O 与 0 的差别呢,还是猜出来的呢?这很难说。
总结
模型的大小是4.7MB,在我的笔记本上跑1000张验证码需要用14秒,平均一秒识别71张,估计可以拼过网速。
最后附上一张本模型识别 HACK 。
参考链接
http://keras-cn.readthedocs.io/en/latest/getting_started/functional_API/
/fchollet/keras/blob/master/examples/image_ocr.py
http://cs231n.github.io/convolutional-networks/
https://ypwhs.github.io/captcha/
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加:datayx
长按图片,识别二维码,点关注
如果觉得《使用 Keras搭建一个深度卷积神经网络来识别 c验证码》对你有帮助,请点赞、收藏,并留下你的观点哦!