基于tensorflow的验证码识别与迁移学习

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。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 141,390评论 1 297
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 60,682评论 1 254
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 93,205评论 0 211
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 40,718评论 0 171
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 48,406评论 1 250
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 38,590评论 1 170
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 30,271评论 2 267
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,052评论 0 163
  • 想象着我的养父在大火中拼命挣扎,窒息,最后皮肤化为焦炭。我心中就已经是抑制不住地欢快,这就叫做以其人之道,还治其人...
    爱写小说的胖达阅读 28,801评论 6 227
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 32,404评论 0 212
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,176评论 2 212
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 30,489评论 1 222
  • 白月光回国,霸总把我这个替身辞退。还一脸阴沉的警告我。[不要出现在思思面前, 不然我有一百种方法让你生不如死。]我...
    爱写小说的胖达阅读 24,156评论 0 31
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,031评论 2 210
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 31,402评论 3 201
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,583评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 25,927评论 0 163
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 33,352评论 2 228
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 33,478评论 2 229

推荐阅读更多精彩内容