深度學(xué)習(xí)技術(shù)與應(yīng)用 課件 第11章 多輸出神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn) CAPTCHA 驗(yàn)證碼識(shí)別

深度學(xué)習(xí)技術(shù)與應(yīng)用DeepLearningTechnologyandApplicationcontents目錄第十一章多輸出神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)CAPTCHA驗(yàn)證碼識(shí)別01.

CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型BuildadeepconvolutionneuralnetworkmodelPART1CAPTCHA驗(yàn)證碼生成器的使用01.CAPTCHA驗(yàn)證碼生成器的使用UseofcaptchaverificationcodegeneratorCAPTCHA（CompletelyAutomatedPublicTuringtesttotellComputersandHumansApart，全自動(dòng)區(qū)分計(jì)算機(jī)和人類的圖靈測(cè)試）是一種區(qū)分用戶是計(jì)算機(jī)還是人的公共全自動(dòng)程序?？梢苑乐箰阂馄平饷艽a、刷票、論壇灌水等，它能夠有效地防止某個(gè)黑客對(duì)某個(gè)特定注冊(cè)用戶用特定程序暴力破解方式進(jìn)行不斷的登錄嘗試，實(shí)際上用驗(yàn)證碼是現(xiàn)在很多網(wǎng)站通行的方式，利用比較簡易的方式實(shí)現(xiàn)了這個(gè)功能。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator

CAPTCHA是基于Python的一個(gè)驗(yàn)證碼生成庫，它可以根據(jù)用戶給定的參數(shù)，隨機(jī)生成圖片驗(yàn)證碼，并且還支持語音驗(yàn)證碼。使用它生成的圖片驗(yàn)證碼功能，為接下來的任務(wù)提供訓(xùn)練集和測(cè)試集數(shù)據(jù)后，搭建模型進(jìn)行訓(xùn)練。最終目的是使用訓(xùn)練好的模型實(shí)現(xiàn)對(duì)CAPTCHA驗(yàn)證碼的識(shí)別。先來熟悉一下CAPTCHA所生成的驗(yàn)證碼是什么樣的形式。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator

CAPTCHA

先嘗試使?ImageCaptcha函數(shù)，隨意傳遞?個(gè)參數(shù)，?成?個(gè)驗(yàn)證碼。我們?cè)O(shè)定原始字符為'HOWAREYOU'，?成400*200的?張驗(yàn)證碼圖?。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建CAPTCHA驗(yàn)證碼生成器首先預(yù)設(shè)好CAPTCHA驗(yàn)證碼為一張字符數(shù)（numlen）為4、寬（width）為170、高（height）為80。同時(shí)構(gòu)建一個(gè)包含26個(gè)大寫字母，和0～9共10個(gè)阿拉伯?dāng)?shù)字的字符字典（CHARACTERS）。這樣就構(gòu)成一種在日常生活中比較常用的大寫英文字母混合數(shù)字的驗(yàn)證碼，這個(gè)字符字典中的36個(gè)字符就是神經(jīng)網(wǎng)絡(luò)需要處理的36個(gè)分類（classnum）。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建CAPTCHA驗(yàn)證碼生成器構(gòu)建randomcodegenerator函數(shù)，?于?成?張驗(yàn)證碼圖?和?個(gè)原始字符在字典中的各個(gè)索引地址。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建CAPTCHA驗(yàn)證碼生成器測(cè)試randomcodegenerator函數(shù)所?成的數(shù)據(jù)。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建CAPTCHA驗(yàn)證碼生成器

顯示索引，可以發(fā)現(xiàn)idx_list返回的是?個(gè)索引列表，我們將其轉(zhuǎn)換成字符字典中的字符串idx_list[55,55,14,27]#轉(zhuǎn)換索引為字符串[CHARACTERS[idx]foridxinidx_list]['3','3','G','q']01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建數(shù)據(jù)集生成器

需要在已經(jīng)定義好的隨機(jī)生成函數(shù)random_code_generator()的情況下構(gòu)建數(shù)據(jù)集的生成器，該生成器可以直接提供給數(shù)據(jù)集使用。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建數(shù)據(jù)集生成器嘗試構(gòu)建一對(duì)數(shù)據(jù)01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建數(shù)據(jù)集生成器將生成的隨機(jī)驗(yàn)證碼和圖片存放到數(shù)據(jù)集中，并查看設(shè)置好的數(shù)據(jù)集。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建數(shù)據(jù)集生成器

根據(jù)以上函數(shù)，我們構(gòu)造?個(gè)?成器，?便后??產(chǎn)數(shù)據(jù)使?。01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建可視化函數(shù)

構(gòu)造好生成器后，先嘗試生產(chǎn)一小批量的數(shù)據(jù)集X,y=next(gen())定義decode函數(shù)用于將One-Hot編碼轉(zhuǎn)換成字符串。defdecode(y,idx):return"".join([CHARACTERS[np.argmax(np.array(item)[idx])]foriteminy])01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建可視化函數(shù)定義show_data函數(shù)，可以顯示?對(duì)數(shù)據(jù)的圖?和真實(shí)結(jié)果.01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建可視化函數(shù)隨機(jī)選擇?對(duì)數(shù)據(jù)進(jìn)?查看.01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建可視化函數(shù)定義showimglist可查看多對(duì)數(shù)據(jù)可視化結(jié)果01.CAPTCHA驗(yàn)證碼生成器的使用Useofcaptchaverificationcodegenerator構(gòu)建可視化函數(shù)定義showimglist可查看多對(duì)數(shù)據(jù)可視化結(jié)果PART2搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型使?Keras的函數(shù)式(functional)API來構(gòu)建神經(jīng)?絡(luò)，使?函數(shù)式的API構(gòu)建模型可以實(shí)現(xiàn)多輸出的效果，以下是模型的定義:模型中每個(gè)卷積層之后都需要跟隨一個(gè)BatchNormalization層，主要是用于批標(biāo)準(zhǔn)化，使用標(biāo)準(zhǔn)化后的模型更加容易收斂。02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型最后輸出是四個(gè)字?的預(yù)測(cè)，使?softmax來進(jìn)?預(yù)測(cè)。02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel訓(xùn)練模型訓(xùn)練模型采?上?節(jié)定義的?成器，對(duì)8個(gè)訓(xùn)練周期，每次訓(xùn)練單次數(shù)據(jù)批量64，每個(gè)周期增加2000個(gè)新的數(shù)據(jù)。并設(shè)置回調(diào)函數(shù)保存訓(xùn)練過程中效果最佳的模型。為了?便，把上節(jié)定義需要?到的函數(shù)放在此處。02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel訓(xùn)練模型02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel訓(xùn)練模型02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel訓(xùn)練模型顯示四個(gè)輸出層的準(zhǔn)確率可以發(fā)現(xiàn)，第3個(gè)周期時(shí)模型出現(xiàn)了?些問題，后?仍然收斂了大家可以根據(jù)??訓(xùn)練出來的模型結(jié)果進(jìn)?調(diào)整參數(shù)，再嘗試訓(xùn)練找出原因。02.搭建深度卷積神經(jīng)網(wǎng)絡(luò)模型Buildadeepconvolutionneuralnetworkmodel評(píng)估模型準(zhǔn)確率