使用TensorFlow 来实现一个简单的验证码识别过程

这里 text2vec() 要领就是将真实文本转化为 One-Hot 编码，vec2text() 要领就是将 One-Hot 编码转回真实文本。

例如这里挪用一下这两个要领，我们将 1234 文本转换为 One-Hot 编码，然后在将其转回来：

这样我们就可以实现文本到 One-Hot 编码的互转了。

接下来我们就可以结构一批数据了，x 数据就是验证码的 Numpy 数组，y 数据就是验证码的文本的 One-Hot 编码，天生内容如下：

这里我们界说了一个 getrandomtext() 要领，可以随机天生验证码文本，然后接下来再使用这个随机天生的文原来发生对应的 x、y 数据，然后我们再将数据写入到 pickle 文件里，这样就完成了预处置惩罚的操作。

3.构建模子

有了数据之后，我们就最先构建模子吧，这里我们照旧使用 traintestsplit() 要领将数据分为三部门，训练集、开发集、验证集：

接下来我们使用者三个数据集构建三个 Dataset 工具：

然后初始化一个迭代器，并绑定到这个数据集上：

接下来就是要害的部门了，在这里我们使用三层卷积和两层全毗连网络举行结构，在这里为了简化写法，直接使用 TensorFlow 的 layers 模块：

这里卷积核巨细为 3，padding 使用 SAME 模式，激活函数使用 relu。

经由全毗连网络变换之后，y 的 shape 就酿成了 [batchsize, nclasses]，我们的 label 是 CAPTCHALENGTH 个 One-Hot 向量拼合而成的，在这里我们想使用交织熵来盘算，可是交织熵盘算的时间，label 参数向量最后一维各个元素之和必须为 1，否则盘算梯度的时间会泛起问题。详情参见 TensorFlow 的官方文档：

https://www.hvihi.com/d82/dca/63f78ff26564ebcd54b6872858/1080_75_11.4.jpg" style="height:75px; width:1080px" />

这样我们就可以确保最后一维是 VOCAB_LENGTH 长度，而它就是一个 One-Hot 向量，以是各元素之和肯定为 1。

然后 Loss 和 Accuracy 就好盘算了：

 2/3   首页 上一页 1 2 3 下一页 尾页