pytorch入门实战之验证码识别

2019独角兽企业重金招聘Python工程师标准>>>

本文将通过pytorch框架训练一个四层卷积神经网络，用以识别四位数字字母区分大小的验证码。使用800张验证码图片做为训练集，准确率最高达75%。译

1. 引言 去年四六级查分时候我把准考证号忘了，准考证一时也找不到，最后是靠试准考证号试出来的，因为和我同一个考场的同学准考证号只有最后两位座位号不一样，一个考场不超过30人，遍历座位号就能试出来。

   四六级查分系统有一个四位数字字母验证码，如果能够自动识别验证码，就能不断遍历准考证号查分了，不用手动输入验证码查分，效率大大提高，不知道淘宝上“忘记准考证号帮查四六级分”服务是不是这样做的。

2. 数据收集 四六级查分网页链接为http://cet.neea.edu.cn/cet，查分网页如下图：

   首先按Fn+F12使用网页开发者工具抓包看一下验证码是如何请求，以及如何提交查询信息并返回结果。最好不要一次性把三条信息都输对，那样会直接跳到查询结果页，不方便查看提交查询的请求。

   可以很容易的找到提交请求的是一个post请求，请求地址为http://cache.neea.edu.cn/cet/query，请求参数有两个，分别是data和v，data是由一串固定字符和准考证号以及姓名组成，v则是验证码。通过构建查询请求，我们可以知道验证码是否输入正确。点击获取验证码按钮，可以抓包获取到验证码的请求，将验证码请求以及提交查询写成python代码如下：

[代码]py代码： def get_captcha_img(): ik = '123456789123456' rand = random.random() img_path = '{}/{}.png'.format(false_dir, rand) imgs_url = 'http://cache.neea.edu.cn/Imgs.do?c=CET&ik={}&t={}'.format(ik, rand) headers = {'Referer': 'http://cet.neea.edu.cn/cet'} resp = sess.get(imgs_url, headers=headers) img_url = re.findall(r'"([^"]*)?"', resp.text)[0] img_resp = sess.get(img_url, headers=headers) with open(img_path, 'wb') as f: f.write(img_resp.content) return img_path

def check_captcha(v): query_url = 'http://cache.neea.edu.cn/cet/query' data = {'data': 'CET4_181_DANGCI,123456789123456,萧炎', 'v': v} headers = {'Referer': 'http://cet.neea.edu.cn/cet'} resp = sess.post(query_url, headers=headers, data=data) if '抱歉，验证码错误！' in resp.text: return False else: return True

结合以上请求验证码以及提交查询信息判断验证码是否正确的方法，再通过打码平台，可以获得带有正确标记的验证码图片。 使用上述方法，我获得了1181张带有标注的验证码，宽和高为（180，100），将其分为训练集与测试集，训练集为800张，测试及381张。我看过的**使用卷积神经网络识别验证码的文章，使用的训练集数量多达几千上万张，大多都是自己用程序生成的，本文使用打码平台标记的验证码，就不要求那么大的数据集了，但也能达到满意的效果。

还值得一提的是，使用打码平台标注验证码，成功标注了1181张外，还有将近四百张验证码识别失败，粗略估计，这个打码平台准确率在75%左右。

3. CNN模型搭建 CNN主要由卷积层，池化层，激活函数组成，再加上一个BatchNorm，BatchNorm叫做批规范化，可以加速模型的收敛速度。

   模型代码如下：

[代码]py代码： import torch.nn as nn

class CNN(nn.Module): def init(self, num_class=36, num_char=4): super(CNN, self).init() self.num_class = num_class self.num_char = num_char self.conv = nn.Sequential( #batch3180100 nn.Conv2d(3, 16, 3, padding=(1, 1)), nn.MaxPool2d(2, 2), nn.BatchNorm2d(16), nn.ReLU(), #batch169050 nn.Conv2d(16, 64, 3, padding=(1, 1)), nn.MaxPool2d(2, 2), nn.BatchNorm2d(64), nn.ReLU(), #batch644525 nn.Conv2d(64, 512, 3, padding=(1, 1)), nn.MaxPool2d(2, 2), nn.BatchNorm2d(512), nn.ReLU(), #batch5122212 nn.Conv2d(512, 512, 3, padding=(1, 1)), nn.MaxPool2d(2, 2), nn.BatchNorm2d(512), nn.ReLU(), #batch512116 ) self.fc = nn.Linear(512116, self.num_classself.num_char)

def forward(self, x):
    x = self.conv(x)
    x = x.view(-1, 512*11*6)
    x = self.fc(x)
    return x
nn.Sequential()可以看作模块的有序容器，可以方便快捷的搭建神经网络。

网络的输入是一个shape为[batch, 3, 180, 100]的张量，batch代表的是一个批次图片数量，3代表输入的图片是3通道的，即RGB，180和100则分别代表图片的宽和高。

主要的结构如下：

第一个卷积层nn.Conv2d(3, 16, 3, padding=(1, 1))，参数分别对应着输入的通道数3，输出通道数16，卷积核大小为3（长宽都为3），padding为（1， 1）可以保证输入输出的长宽不变。shape为[batch, 3, 180, 100]的张量通过这个卷积层，输出一个shape为[batch, 16, 180, 100]的张量。

接着一个最大池化层nn.MaxPool2d(2, 2)，参数分别对应着池化窗口大小为2（长宽都为2），步长为3. 输出的长宽为输入的一半，如果长宽为奇数的话则补边。输入一个shape为[batch, 16, 180, 100]的张量，输出为一个shape为[batch, 16, 90, 50]的张量。

批规范层nn.BatchNorm2d(16)，16为输入张量的通道数。 激活函数nn.ReLu()，就是把小于0的值置0，大于0的值不变，使用激活函数是为了引入非线性，让模型可以拟合更复杂的函数。

经过4组如上结构的卷积后，得到一个shape为[batch, 512, 11, 6]的张量，x.view(-1, 512*11*6)将改变张量的shape为[batch, 512*11*6]，再用一个[512*11*6, num_class*num_char]的全连接层映射为一个[batch, num_class*num_char]张量，这个就是模型的输出，其中num_class代表字符的种类数量，num_char代表一张验证码图片含有的字符数量，分别为36与4。

4. 数据加载 pytorch有非常方便高效的数据加载模块--Dataset和DataLoader。 Dataset是数据样本的封装，可以很方便的读取数据。实现一个Dataset的子类，需要重写__len__和__getitem__方法，__len__需要返回整个数据集的大小，__getitem__提供一个整数索引参数，一个样本数据（一个图片张量和一个标签张量）。 验证码图片的Dataset代码如下：

[代码]py代码： class CaptchaData(Dataset): def init(self, data_path, num_class=36, num_char=4, transform=None, target_transform=None, alphabet=alphabet): super(Dataset, self).init() self.data_path = data_path self.num_class = num_class self.num_char = num_char self.transform = transform self.target_transform = target_transform self.alphabet = alphabet self.samples = make_dataset(self.data_path, self.alphabet, self.num_class, self.num_char)

def __len__(self):
    return len(self.samples)

def __getitem__(self, index):
    img_path, target = self.samples[index]
    img = img_loader(img_path)
    if self.transform is not None:
        img = self.transform(img)
    if self.target_transform is not None:
        target = self.target_transform(target)
    return img, torch.Tensor(target)  
其中make_dataset为读取图片路径和标签的函数，返回[(img_path, target), (img_path, target), ...]的数据形式。img_loader为读取图片的函数，并且转换成RGB三通道。 这两个函数具体实现如下：

[代码]py代码： def img_loader(img_path): img = Image.open(img_path) return img.convert('RGB')

def make_dataset(data_path, alphabet, num_class, num_char): img_names = os.listdir(data_path) samples = [] for img_name in img_names: img_path = os.path.join(data_path, img_name) target_str = img_name.split('.')[0] assert len(target_str) == num_char target = [] for char in target_str: vec = [0] * num_class vec[alphabet.find(char)] = 1 target += vec samples.append((img_path, target)) return samples DataLoader是Dataset的进一步封装，Dataset每次通过__getitem__方法取到的是一个样本，经过DataLoader封装为dataloader后，每次取的是一个batch大小的样本批次。

[代码]py代码： transforms = Compose([ToTensor()]) train_dataset = CaptchaData('./data/train', transform=transforms) train_data_loader = DataLoader(train_dataset, batch_size=batch_size, num_workers=0, shuffle=True, drop_last=True) test_data = CaptchaData('./data/test', transform=transforms) test_data_loader = DataLoader(test_data, batch_size=batch_size, num_workers=0, shuffle=True, drop_last=True) transform是数据预处理操作，一般数据增强就通过transform实现，可以随机亮度，随机翻转，随机缩放等等。此处只使用了ToTensor()，将PIL.Image对象转换成Tensor。

5. 训练 训练网络的一般流程为：
   1. 定义网络
   2. 定义优化器optimizer和损失函数criterion
   3. 遍历dataloader，每次取一个batch训练。计算loss，将优化器梯度置零，loss向后传播，计算梯度，优化器更新参数。
   4. 训练集训练完一个epoch后，使用测试集计算下准确率。
   5. 保存模型 主要代码如下： [代码]py代码： cnn = CNN() if torch.cuda.is_available(): cnn.cuda() optimizer = torch.optim.Adam(cnn.parameters(), lr=base_lr) criterion = nn.MultiLabelSoftMarginLoss()

for epoch in range(max_epoch): cnn.train() for img, target in train_data_loader: img = Variable(img) target = Variable(target) if torch.cuda.is_available(): img = img.cuda() target = target.cuda() output = cnn(img) loss = criterion(output, target) optimizer.zero_grad() loss.backward() optimizer.step()

loss_history = []
acc_history = []
cnn.eval()
for img, target in test_data_loader:
    img = Variable(img)
    target = Variable(target)
    if torch.cuda.is_available():
        img = img.cuda()
        target = target.cuda()
    output = cnn(img)

    acc = calculat_acc(output, target)
    acc_history.append(acc)
    loss_history.append(float(loss))
torch.save(cnn.state_dict(), model_path)  
其中，cnn.train()将网络切换到训练状态，cnn.eval()将网络切换到模型评估状态，这两者的差别主要体现在dropout和batchnorm层中，模型评估状态下，将不会启用dropout层，batchnrom不会更新均值和标准差。cnn.cuda()将数据张量分配到cuda设备上（英伟达显卡），加快运算速度。 损失函数使用的是nn.MultiLabelSoftMarginLoss()，多分类多标签损失函数。每个类别有多个标签，集每张验证码有四个字符。

选择accuracy（预测准确率）做为模型的评估指标，需要再编写一个计算准确率的函数：

[代码]py代码： def calculat_acc(output, target): output, target = output.view(-1, 36), target.view(-1, 36) output = nn.functional.softmax(output, dim=1) output = torch.argmax(output, dim=1) target = torch.argmax(target, dim=1) output, target = output.view(-1, 4), target.view(-1, 4) correct_list = [] for i, j in zip(target, output): if torch.equal(i, j): correct_list.append(1) else: correct_list.append(0) acc = sum(correct_list) / len(correct_list) return acc
训练结果：

最终训练了五十几个epoch后，测试集准确率最高达75%，训练集已过拟合达100%。

再将验证码打印出来，预测与实际标签对比： 

6. 结语 仅使用800张验证码图片做为训练集，就能最终达到75%的准确率，效果还是比较满意的，已经和打码平台差不多了。要想进一步的提高准确率，需要扩充数据集。可以将已经训练好，准确率达到75%的模型代替打码平台，去获取更多标注好的验证码。数据集充分的情况下，准确率达到90%是比较容易的。

   完整代码可以从Github上获取：https://github.com/ice-tong/pytorch-captcha

   数据集可以从百度网盘下载： 链接: https://pan.baidu.com/s/1pHSl-5nHJWazXVqda-2IcA 提取码: mv3u

   文：icetong 更多人工智能相关文章：http://siligence.ai

转载于:https://my.oschina.net/u/3999598/blog/3054909