tensorflow和numpy驗(yàn)證碼識(shí)別

使用tensorflow或numpy實(shí)現(xiàn)驗(yàn)證碼識(shí)別猾瘸,有兩個(gè)版本,直接用tensorflow實(shí)現(xiàn)的很簡(jiǎn)單丢习,使用numpy較為復(fù)雜牵触,因?yàn)槿家约簩?shí)現(xiàn)。

import tensorflow as tf
from tensorflow.keras import Sequential, layers

from dataset.captcha.captcha import load_captcha

# 讀入數(shù)據(jù)(24,72,3)
(x_train, t_train), (x_test, t_test) = load_captcha()

x_validation, t_validation = x_test, t_test

# 超參數(shù)
epochs = 100
batch_size = 128
learning_rate = 1e-1

network = Sequential([
    layers.Conv2D(12, 3, 1, activation=tf.nn.leaky_relu),
    layers.MaxPooling2D(strides=2),

    layers.BatchNormalization(),
    layers.Conv2D(36, 3, 3, activation=tf.nn.leaky_relu),

    layers.BatchNormalization(),
    layers.Conv2D(128, (3, 5), (1, 2), activation=tf.nn.leaky_relu),

    layers.Flatten(),
    layers.BatchNormalization(),
    layers.Dense(128 * 2),
    layers.BatchNormalization(),
    layers.Dense(4 * 36),
    layers.Reshape([4, 36])
])

network.build((None, 24, 72, 3))
network.summary()


def loss_func(y_true, y_pred):
    loss_ce = tf.losses.MSE(y_true, y_pred)
    loss_ce = tf.reduce_mean(loss_ce)
    return loss_ce


optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)
network.compile(optimizer, loss=loss_func, metrics=['accuracy'])

network.fit(x_train, t_train, epochs=epochs, batch_size=batch_size,
            validation_data=(x_test, t_test))

network.evaluate(x_test, t_test)
network.save('model.h5')

這里只貼使用tensorflow實(shí)現(xiàn)的代碼咐低,numpy實(shí)現(xiàn)版本可以直接通過(guò)gitee鏈接看
https://gitee.com/MIEAPP/study-ml
數(shù)據(jù)來(lái)源于https://www.kaggle.com/fanbyprinciple/captcha-images

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末揽思,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子见擦,更是在濱河造成了極大的恐慌钉汗,老刑警劉巖,帶你破解...
    沈念sama閱讀 216,651評(píng)論 6 501
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件鲤屡,死亡現(xiàn)場(chǎng)離奇詭異损痰,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)酒来,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,468評(píng)論 3 392
  • 文/潘曉璐 我一進(jìn)店門卢未,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人堰汉,你說(shuō)我怎么就攤上這事辽社。” “怎么了翘鸭?”我有些...
    開封第一講書人閱讀 162,931評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵滴铅,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我就乓,道長(zhǎng)失息,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,218評(píng)論 1 292
  • 正文 為了忘掉前任档址,我火速辦了婚禮盹兢,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘守伸。我一直安慰自己绎秒,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,234評(píng)論 6 388
  • 文/花漫 我一把揭開白布尼摹。 她就那樣靜靜地躺著见芹,像睡著了一般剂娄。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上玄呛,一...
    開封第一講書人閱讀 51,198評(píng)論 1 299
  • 那天阅懦,我揣著相機(jī)與錄音,去河邊找鬼徘铝。 笑死耳胎,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的惕它。 我是一名探鬼主播怕午,決...
    沈念sama閱讀 40,084評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼淹魄!你這毒婦竟也來(lái)了郁惜?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 38,926評(píng)論 0 274
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤甲锡,失蹤者是張志新(化名)和其女友劉穎兆蕉,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體缤沦,經(jīng)...
    沈念sama閱讀 45,341評(píng)論 1 311
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡虎韵,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,563評(píng)論 2 333
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了疚俱。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片劝术。...
    茶點(diǎn)故事閱讀 39,731評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡缩多,死狀恐怖呆奕,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情衬吆,我是刑警寧澤梁钾,帶...
    沈念sama閱讀 35,430評(píng)論 5 343
  • 正文 年R本政府宣布,位于F島的核電站逊抡,受9級(jí)特大地震影響姆泻,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜冒嫡,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,036評(píng)論 3 326
  • 文/蒙蒙 一拇勃、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧孝凌,春花似錦方咆、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,676評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)榆骚。三九已至,卻和暖如春煌集,著一層夾襖步出監(jiān)牢的瞬間妓肢,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,829評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工苫纤, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留碉钠,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 47,743評(píng)論 2 368
  • 正文 我出身青樓方面,卻偏偏與公主長(zhǎng)得像放钦,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子恭金,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,629評(píng)論 2 354

推薦閱讀更多精彩內(nèi)容