簡(jiǎn)介面向深度學(xué)習(xí)圖像識(shí)別初學(xué)者、安全方向開發(fā)者及課程設(shè)計(jì)學(xué)習(xí)者的字符型驗(yàn)證碼識(shí)別實(shí)踐包圍繞數(shù)字與字符驗(yàn)證碼的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)建模、訓(xùn)練與預(yù)測(cè)流程展開可用于入門項(xiàng)目復(fù)現(xiàn)、算法練手和驗(yàn)證碼識(shí)別方案調(diào)研。壓縮包共1210個(gè)文件約9.58MB其中978張png、202張jpg及少量bmp、jpeg圖片構(gòu)成驗(yàn)證碼樣本17個(gè)py腳本覆蓋數(shù)據(jù)處理、模型構(gòu)建、訓(xùn)練預(yù)測(cè)等環(huán)節(jié)另含txt說(shuō)明、rst文檔、zip壓縮包與模型文件等輔助內(nèi)容。已有1542人學(xué)習(xí)下載具備一定參考熱度。讀者可從中獲得從樣本歸一化、數(shù)據(jù)增強(qiáng)、one-hot編碼到CNN/RNN模型搭建、交叉熵訓(xùn)練與結(jié)果組合的完整源碼脈絡(luò)并借助示例圖片和腳本理解字符序列識(shí)別、過擬合監(jiān)控及多字符輸出思路便于改造成自己的驗(yàn)證碼識(shí)別項(xiàng)目。1. 從一批糊掉的字符圖說(shuō)起這個(gè)基于深度學(xué)習(xí)的字符識(shí)別項(xiàng)目到底能干什么前陣子有人拿著一批自己生成的四位字符圖來(lái)找我圖上壓著干擾線和噪點(diǎn)人眼掃過去都得愣一下。他要的不是接個(gè)現(xiàn)成接口敷衍過去而是基于深度學(xué)習(xí)的字符型圖片數(shù)字驗(yàn)證碼識(shí)別——從零訓(xùn)一個(gè)模型出來(lái)。這份資源就是那條完整鏈路的 Python 實(shí)現(xiàn)數(shù)據(jù)生成、圖像預(yù)處理、網(wǎng)絡(luò)定義、訓(xùn)練收斂、推理解碼一步不落源碼能直接跑起來(lái)。它的適用面比看上去寬。想完整走一遍「圖像輸入到字符串輸出」流程的深度學(xué)習(xí)新手可以拿它當(dāng)?shù)谝粋€(gè)真正跑通的實(shí)戰(zhàn)做 OCR、票據(jù)編號(hào)、工牌數(shù)字、集裝箱號(hào)這類字符識(shí)別落地的開發(fā)者可以把它當(dāng)成一個(gè)能直接改的基線。字符集小、長(zhǎng)度固定、單通道灰度圖訓(xùn)練成本低到一張消費(fèi)級(jí)顯卡幾小時(shí)就出結(jié)果這才是它適合入門的核心原因。2. 目錄結(jié)構(gòu)與技術(shù)選型一個(gè)字符識(shí)別項(xiàng)目該有的骨架先別急著看模型。字符識(shí)別這類項(xiàng)目跑不起來(lái)的原因九成不在網(wǎng)絡(luò)結(jié)構(gòu)而在目錄沒分好、配置散在各處、訓(xùn)練和推理各寫一套預(yù)處理。這套源碼的目錄劃分是我比較認(rèn)可的一種改起來(lái)不牽一發(fā)動(dòng)全身。2.1 六個(gè)文件撐起整條鏈路captcha_rec/ ├── config.py # 訓(xùn)練/推理共用配置超參只在這里改 ├── charset.py # 字符集與索引映射訓(xùn)練推理共用同一份 ├── data/ │ ├── gen_captcha.py # 自建數(shù)據(jù)集生成器 │ ├── dataset.py # Dataset 與預(yù)處理流水線 │ ├── train.txt # 每行 路徑\t標(biāo)簽 │ └── val.txt ├── models/ │ └── cnn.py # CNN 主干 逐位分類頭 ├── train.py # 訓(xùn)練循環(huán)、驗(yàn)證、保存權(quán)重 ├── predict.py # 單圖/批量推理與解碼 └── utils/ ├── metric.py # 整串準(zhǔn)確率、單字符準(zhǔn)確率 └── seed.py # 固定隨機(jī)種子 └── requirements.txt這個(gè)劃分的關(guān)鍵在于三個(gè)「單一出口」config.py管參數(shù)、charset.py管字符和索引、dataset.py管預(yù)處理。很多人在自己寫的時(shí)候把預(yù)處理寫在訓(xùn)練腳本里推理時(shí)又抄一遍抄錯(cuò)一個(gè)cv2.resize的插值參數(shù)線上準(zhǔn)確率立刻掉十幾個(gè)點(diǎn)這種血淚經(jīng)驗(yàn)我在別人的項(xiàng)目里見過不止一次。工程約定上train.txt和val.txt用制表符分隔路徑和標(biāo)簽不用 CSV因?yàn)閳D片路徑里偶爾會(huì)出現(xiàn)逗號(hào)。標(biāo)簽一律小寫不做大小寫混排——字符集里0和O、1和l這類形近字符如果都保留模型在低分辨率下幾乎必然混淆除非你的業(yè)務(wù)真的需要區(qū)分。charset.py是全篇最容易翻車的地方把它單獨(dú)拎出來(lái)是值得的# charset.py 訓(xùn)練和推理都必須 import 這一份禁止在別處重寫 CHARSET 0123456789abcdefghijklmnopqrstuvwxyz # 0 號(hào)位固定留給 CTC 的 blank逐位分類時(shí)從 1 開始用也不會(huì)浪費(fèi)多少參數(shù) CHAR2IDX {c: i 1 for i, c in enumerate(CHARSET)} IDX2CHAR {i 1: c for i, c in enumerate(CHARSET)} BLANK 0 NUM_CLASSES len(CHARSET) 1 # 36 blankNUM_CLASSES加 1 是為了兼容后面第 6 章要講的 CTC 改造逐位分類時(shí)多出來(lái)的那一類永遠(yuǎn)學(xué)不會(huì)對(duì)結(jié)果沒有影響。參數(shù)說(shuō)明CHAR2IDX的索引從 1 開始BLANK0是 CTC 的硬性約定改不了。IDX2CHAR必須和CHAR2IDX嚴(yán)格互逆我一般寫個(gè)斷言assert len(IDX2CHAR) len(CHAR2IDX)擋住手抖。config.py里我把所有數(shù)字集中了# config.py 所有超參的唯一來(lái)源 IMG_H, IMG_W 60, 160 # 統(tǒng)一尺寸寬高比 8:3 比較接近 4 位字符的排版 MAX_LEN 4 # 固定長(zhǎng)度變長(zhǎng)方案見第 6 章 BATCH_SIZE 64 EPOCHS 40 LR 1e-3 WEIGHT_DECAY 1e-4 DEVICE cuda # 沒有顯卡就寫 cpu訓(xùn)練慢但能跑 TRAIN_LIST data/train.txt VAL_LIST data/val.txt CKPT ckpt/best.pthIMG_H和IMG_W不是隨便定的。4 位字符橫排寬度至少要是單字符寬度的 4 倍還留出間隙60 高度能保住字符的筆畫細(xì)節(jié)又不至于讓全連接層參數(shù)爆炸。把IMG_W提到 320 而模型不變Flatten后的維度翻倍全連接層參數(shù)量直接四倍小數(shù)據(jù)集上過擬合會(huì)來(lái)得非常快。2.2 技術(shù)選型為什么先做逐位分類而不是一上來(lái)就 CRNN 配 CTC字符識(shí)別主流兩條路一條是固定長(zhǎng)度逐位分類一條是 CRNN CTC 的序列識(shí)別。這個(gè)項(xiàng)目選的是前者理由很實(shí)在固定長(zhǎng)度場(chǎng)景下逐位分類的訓(xùn)練信號(hào)更直接。逐位分類把「識(shí)別 4 個(gè)字符」拆成 4 個(gè)獨(dú)立的分類任務(wù)每個(gè)位置一個(gè) softmax損失是 4 個(gè)交叉熵的均值。梯度回傳路徑短收斂快20 到 30 個(gè) epoch 就能把整串準(zhǔn)確率推到很高的水位。CTC 則是把模型輸出當(dāng)成一條時(shí)間序列靠動(dòng)態(tài)規(guī)劃把所有可能的對(duì)齊方式加起來(lái)它對(duì)齊能力更強(qiáng)、支持變長(zhǎng)但訓(xùn)練早期收斂慢標(biāo)簽長(zhǎng)度和輸入長(zhǎng)度不匹配時(shí)還會(huì)直接給你inf損失。對(duì)比項(xiàng)逐位分類本項(xiàng)目CRNN CTC字符長(zhǎng)度必須固定任意長(zhǎng)度收斂速度快幾十 epoch 見效慢常要上百 epoch實(shí)現(xiàn)復(fù)雜度低多一個(gè) view 就行中要處理 input_lengths對(duì)字符粘連的魯棒性一般靠位置先驗(yàn)硬扛較好典型翻車點(diǎn)字符集順序錯(cuò)亂標(biāo)簽長(zhǎng)度 時(shí)間步導(dǎo)致 inf選逐位分類不等于偷懶。字符長(zhǎng)度固定的業(yè)務(wù)場(chǎng)景——四位驗(yàn)證碼、六位工單號(hào)、固定位數(shù)的批次號(hào)——占了實(shí)際需求的大頭用 CTC 屬于殺雞用牛刀還多背一份對(duì)齊邏輯的維護(hù)成本。真到了變長(zhǎng)那天主干網(wǎng)絡(luò)和數(shù)據(jù)集代碼基本不用動(dòng)只換分類頭和損失函數(shù)第 6 章會(huì)給具體的改法。主干網(wǎng)絡(luò)用的是最樸素的四段卷積。這套結(jié)構(gòu)在字符識(shí)別上有個(gè)隱含優(yōu)勢(shì)四段MaxPool把 60×160 壓到 2×10特征圖上橫向還剩 10 個(gè)位置剛好夠 4 個(gè)字符各自找到自己的感受野又不會(huì)因?yàn)閴旱锰莅严噜徸址谝黄?。換成三段卷積特征圖剩 7×20全連接層參數(shù)量漲到四倍小數(shù)據(jù)集上直接過擬合。2.3 環(huán)境和依賴別在版本上栽跟頭依賴不多但鎖版本這件事別省# requirements.txt torch2.0,3.0 torchvision0.15 opencv-python4.8 numpy1.24 pillow10.0 tqdm4.66opencv-python和opencv-python-headless千萬(wàn)別同時(shí)裝裝重了cv2.imread在無(wú)圖形界面的服務(wù)器上會(huì)報(bào)libGL.so.1找不到。這種錯(cuò)誤看起來(lái)像系統(tǒng)環(huán)境問題實(shí)際是依賴裝串了浪費(fèi)半天時(shí)間排查。我一般在服務(wù)器上只裝 headless 版本。charset.py里的字符集順序一旦定下來(lái)就不能隨便動(dòng)。改了字符集順序而不重訓(xùn)模型輸出的索引全部錯(cuò)位表現(xiàn)是「訓(xùn)練時(shí)好好的推理出來(lái)全是亂碼」這個(gè)坑在第 5 章會(huì)單獨(dú)展開。種子也要固定utils/seed.py里把random、numpy、torch三家的種子一起設(shè)復(fù)現(xiàn)實(shí)驗(yàn)才有意義。3. 數(shù)據(jù)管線從字符圖片到能喂進(jìn)網(wǎng)絡(luò)的張量模型再漂亮數(shù)據(jù)管線錯(cuò)了全白搭。這一章拆的是data/gen_captcha.py和data/dataset.py兩個(gè)文件前者負(fù)責(zé)造數(shù)據(jù)后者負(fù)責(zé)把圖片變成張量。3.1 自建數(shù)據(jù)集字符圖怎么生成、怎么標(biāo)注沒有現(xiàn)成數(shù)據(jù)集的時(shí)候自己生成是最快的路。真實(shí)業(yè)務(wù)里的字符圖片通常來(lái)自截圖或掃描件但練手階段用 PIL 合成完全夠用關(guān)鍵是干擾要加到「人眼勉強(qiáng)能認(rèn)」的程度太干凈學(xué)不到東西太臟模型直接放棄。# data/gen_captcha.py 生成一張四位字符圖并寫入標(biāo)注文件 import random from PIL import Image, ImageDraw, ImageFont, ImageFilter def gen_one(text, size(160, 60), font_pathfonts/mono.ttf): img Image.new(RGB, size, (255, 255, 255)) draw ImageDraw.Draw(img) font ImageFont.truetype(font_path, 34) cell size[0] // len(text) for i, ch in enumerate(text): # 每個(gè)字符獨(dú)立抖動(dòng)坐標(biāo)模擬真實(shí)場(chǎng)景的排版漂移 x i * cell random.randint(-2, 4) y random.randint(0, 8) color tuple(random.randint(0, 90) for _ in range(3)) draw.text((x, y), ch, fontfont, fillcolor) # 干擾線1~3 條顏色比字符略淺避免完全遮住筆畫 for _ in range(random.randint(1, 3)): x1, y1 random.randint(0, size[0]), random.randint(0, size[1]) x2, y2 random.randint(0, size[0]), random.randint(0, size[1]) draw.line((x1, y1, x2, y2), fill(random.randint(120, 200),) * 3, width1) # 椒鹽噪點(diǎn)密度控制在千分之五左右 for _ in range(int(size[0] * size[1] * 0.005)): draw.point((random.randint(0, size[0] - 1), random.randint(0, size[1] - 1)), fill(random.randint(0, 255),) * 3) return img.filter(ImageFilter.GaussianBlur(radius0.6))參數(shù)說(shuō)明cell是單個(gè)字符分到的橫向格子寬度x的抖動(dòng)范圍[-2, 4]讓字符略微越界模擬真實(shí)排版里的擠壓fill取0~90的深色而不是純黑是因?yàn)榧兒谠诙祷髮?duì)比過強(qiáng)模型會(huì)過度依賴筆畫粗細(xì)這個(gè)捷徑特征。噪點(diǎn)密度0.005是我試下來(lái)比較平衡的值提到0.02之后整串準(zhǔn)確率會(huì)掉但單字符準(zhǔn)確率還在說(shuō)明模型開始靠猜。生成完記得寫標(biāo)注文件路徑和標(biāo)簽用制表符隔開一次寫一行訓(xùn)練集和驗(yàn)證集用不同的隨機(jī)種子分開生成——這一步是很多人的翻車點(diǎn)同一個(gè)種子生成兩批圖驗(yàn)證集里混進(jìn)和訓(xùn)練集幾乎一模一樣的樣本準(zhǔn)確率虛高得嚇人。3.2 預(yù)處理流水線灰度、去噪、歸一化與尺寸統(tǒng)一預(yù)處理的目標(biāo)只有一個(gè)讓訓(xùn)練和推理走完全相同的代碼路徑。dataset.py里這段是核心# data/dataset.py 預(yù)處理 張量化訓(xùn)練和推理共用 import cv2 import torch from torch.utils.data import Dataset class CaptchaDataset(Dataset): def __init__(self, list_file, char2idx, img_w160, img_h60): self.items [] with open(list_file, encodingutf-8) as f: for line in f: path, label line.rstrip(\n).split(\t) if len(label) ! 4: # 長(zhǎng)度對(duì)不上直接丟掉別讓它污染訓(xùn)練 continue self.items.append((path, label)) self.char2idx char2idx self.img_w, self.img_h img_w, img_h def __len__(self): return len(self.items) def __getitem__(self, idx): path, label self.items[idx] img cv2.imread(path, cv2.IMREAD_GRAYSCALE) # 單通道省顯存也省參數(shù) if img is None: raise FileNotFoundError(path) img cv2.resize(img, (self.img_w, self.img_h), interpolationcv2.INTER_AREA) img cv2.medianBlur(img, 3) # 3x3 中值濾波壓椒鹽噪點(diǎn) img img.astype(float32) / 255.0 # 歸一到 0~1 img (img - 0.5) / 0.5 # 拉到 -1~1 tensor torch.from_numpy(img).unsqueeze(0) # (1, H, W) target torch.tensor([self.char2idx[c] for c in label], dtypetorch.long) return tensor, target邏輯說(shuō)明先 resize 再濾波是有講究的先濾波再 resize 會(huì)讓噪點(diǎn)在插值時(shí)被拉伸成條狀反而更難去掉。INTER_AREA用于縮小是最不容易產(chǎn)生摩爾紋的插值方式換成INTER_LINEAR在 160 寬度下問題不大但換成INTER_CUBIC會(huì)引入振鈴邊緣出現(xiàn)假的筆畫。參數(shù)說(shuō)明medianBlur的核大小必須是奇數(shù)且大于 13 是最小有效值5 會(huì)開始吃掉細(xì)筆畫。歸一化用(x - 0.5) / 0.5拉到[-1, 1]配合 BatchNorm 收斂更快如果網(wǎng)絡(luò)里全是 ReLU 而沒有 BN用[0, 1]也能跑差別不大但別兩套混用。DataLoader那邊兩個(gè)參數(shù)值得調(diào)from torch.utils.data import DataLoader train_loader DataLoader( CaptchaDataset(data/train.txt, CHAR2IDX), batch_size64, shuffleTrue, num_workers4, pin_memoryTrue, drop_lastTrue, # 最后一批不足 batch_size 時(shí)丟掉 )drop_lastTrue在 BatchNorm 上很關(guān)鍵。最后一批如果只剩 1 張圖BN 在單個(gè)樣本上算方差結(jié)果接近 0反向傳播時(shí)對(duì)這兩層參數(shù)的影響是災(zāi)難性的表現(xiàn)出來(lái)就是「每個(gè) epoch 最后 loss 尖刺一下」。我見過有人為此把學(xué)習(xí)率砍半其實(shí)是數(shù)據(jù)加載的問題。num_workers4在機(jī)械硬盤上開太高反而更慢開了pin_memory才真正省下主機(jī)到顯存的那段拷貝時(shí)間。3.3 數(shù)據(jù)增強(qiáng)的邊界能加什么不能加什么字符識(shí)別的增強(qiáng)比自然圖像窄得多?？梢约虞p微旋轉(zhuǎn)±3 度、小幅平移±5%、對(duì)比度抖動(dòng)、隨機(jī)加噪點(diǎn)。不能加水平翻轉(zhuǎn)字符會(huì)變成鏡像、大角度旋轉(zhuǎn)超出手寫體常識(shí)、隨機(jī)裁剪會(huì)切掉字符。import random def augment(img): # 只在訓(xùn)練集上調(diào)用驗(yàn)證集和推理一律走原圖 if random.random() 0.3: img cv2.convertScaleAbs(img, alpharandom.uniform(0.8, 1.2), betarandom.randint(-20, 20)) if random.random() 0.2: h, w img.shape[:2] M cv2.getRotationMatrix2D((w / 2, h / 2), random.uniform(-3, 3), 1.0) img cv2.warpAffine(img, M, (w, h), borderValue255) return img增強(qiáng)函數(shù)里最忌諱的是「訓(xùn)練加了、驗(yàn)證也加了」。驗(yàn)證集的唯一職責(zé)是反映真實(shí)分布一旦對(duì)它做隨機(jī)變換準(zhǔn)確率曲線就失去了參考價(jià)值你根本不知道模型是在進(jìn)步還是在適應(yīng)增強(qiáng)。這條我在自己項(xiàng)目里定成硬規(guī)則augment只在trainTrue的分支里調(diào)用。4. 網(wǎng)絡(luò)與訓(xùn)練CNN 逐位分類頭的完整實(shí)現(xiàn)前面鋪墊的數(shù)據(jù)和結(jié)構(gòu)到這里收口。這一章拆三段代碼網(wǎng)絡(luò)定義、訓(xùn)練循環(huán)、推理解碼每一段都能直接抄進(jìn)自己的項(xiàng)目改。4.1 CNN 主干與逐位分類頭網(wǎng)絡(luò)結(jié)構(gòu)上沒有花活四段卷積加兩層全連接重點(diǎn)是最后一層的形狀處理。# models/cnn.py import torch.nn as nn class CaptchaCNN(nn.Module): def __init__(self, num_classes, max_len4): super().__init__() self.max_len max_len self.features nn.Sequential( nn.Conv2d(1, 32, 3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 60x160 - 30x80 nn.Conv2d(32, 64, 3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # - 15x40 nn.Conv2d(64, 128, 3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # - 7x20 nn.Conv2d(128, 128, 3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.MaxPool2d((3, 2)), # - 2x10 ) self.head nn.Sequential( nn.Flatten(), nn.Linear(128 * 2 * 10, 512), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(512, max_len * num_classes), ) def forward(self, x): x self.features(x) x self.head(x) # 關(guān)鍵一步把一維輸出拆回 (batch, 字符位置, 類別) return x.view(-1, self.max_len, self.num_classes)邏輯說(shuō)明四次池化把空間維度壓到2×10Flatten后的長(zhǎng)度是 2560接 512 維隱層。最后的view是整個(gè)設(shè)計(jì)的樞紐——如果不拆模型輸出是個(gè) 144 維向量沒法逐位算交叉熵拆開之后logits[:, i, :]就是第 i 個(gè)字符位置的分類分布損失可以直接逐位相加。參數(shù)說(shuō)明Dropout(0.3)放在兩層全連接之間字符識(shí)別這種小數(shù)據(jù)集上 0.3 到 0.5 都試過0.5 會(huì)欠擬合0.3 比較穩(wěn)。最后一個(gè)池化用(3, 2)是為了把 7 壓成 2、20 壓成 10非對(duì)稱池化在這種寬扁輸入上比強(qiáng)行方形池化更合理。num_classes傳NUM_CLASSES含 blankmax_len傳MAX_LEN兩個(gè)都從config.py來(lái)。還有一點(diǎn)容易忽略輸入必須是(B, 1, H, W)且 H、W 和訓(xùn)練時(shí)完全一致。動(dòng)態(tài)尺寸的網(wǎng)絡(luò)不是不能寫但全連接層會(huì)立刻鎖死尺寸后面改圖片寬高就得重訓(xùn)所以一開始統(tǒng)一到 60×160 是省事的做法。4.2 訓(xùn)練循環(huán)損失、優(yōu)化器和學(xué)習(xí)率調(diào)度訓(xùn)練循環(huán)里最值得講的是損失怎么算以及為什么必須做梯度裁剪。# train.py節(jié)選 import torch import torch.nn.functional as F def train_one_epoch(model, loader, optimizer, device): model.train() loss_sum, char_correct, char_total 0.0, 0, 0 for imgs, targets in loader: imgs, targets imgs.to(device), targets.to(device) logits model(imgs) # (B, L, C) # 逐位交叉熵取平均 loss 0.0 for i in range(model.max_len): loss loss F.cross_entropy(logits[:, i, :], targets[:, i]) loss loss / model.max_len optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() loss_sum loss.item() * imgs.size(0) char_correct (logits.argmax(-1) targets).sum().item() char_total targets.numel() return loss_sum / len(loader.dataset), char_correct / char_total邏輯說(shuō)明F.cross_entropy內(nèi)部已經(jīng)做了log_softmax加負(fù)對(duì)數(shù)似然不要在它前面再手動(dòng)過一遍 softmax否則等于算了兩遍梯度會(huì)被壓扁到幾乎不動(dòng)。逐位求和再除以max_len而不是直接相加是為了讓損失量級(jí)和單個(gè)分類任務(wù)對(duì)齊學(xué)習(xí)率不用跟著字符長(zhǎng)度重新調(diào)。參數(shù)說(shuō)明clip_grad_norm_的max_norm5.0是經(jīng)驗(yàn)值字符識(shí)別里梯度爆炸大多來(lái)自 BatchNorm 在小 batch 上的方差抖動(dòng)裁剪能擋住絕大部分尖刺。訓(xùn)練循環(huán)外配套調(diào)度器optimizer torch.optim.Adam(model.parameters(), lr1e-3, weight_decay1e-4) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience3 ) # 每個(gè) epoch 結(jié)束用驗(yàn)證集整串準(zhǔn)確率驅(qū)動(dòng) scheduler.step(val_acc)patience3表示連續(xù) 3 個(gè) epoch 驗(yàn)證準(zhǔn)確率不漲就把學(xué)習(xí)率砍半。這個(gè)策略比固定步長(zhǎng)衰減更適合小數(shù)據(jù)集因?yàn)槭諗壳€經(jīng)常是階梯式的卡住三個(gè) epoch 之后往往還能再上一個(gè)臺(tái)階。weight_decay1e-4對(duì) Adam 來(lái)說(shuō)相當(dāng)于 L2 正則在三千張左右的訓(xùn)練集上能明顯壓住過擬合。驗(yàn)證函數(shù)里我只算兩個(gè)指標(biāo)——整串準(zhǔn)確率和單字符準(zhǔn)確率torch.no_grad() def evaluate(model, loader, device): model.eval() full_ok, full_total 0, 0 char_ok, char_total 0, 0 for imgs, targets in loader: imgs, targets imgs.to(device), targets.to(device) pred model(imgs).argmax(-1) # (B, L) full_ok (pred targets).all(dim1).sum().item() full_total imgs.size(0) char_ok (pred targets).sum().item() char_total targets.numel() return full_ok / full_total, char_ok / char_total關(guān)鍵在all(dim1)只有四個(gè)位置全對(duì)才算整串正確這個(gè)指標(biāo)才是業(yè)務(wù)真正關(guān)心的。單字符準(zhǔn)確率 95% 聽起來(lái)漂亮四個(gè)字符乘起來(lái)只剩 81%整串準(zhǔn)確率才是能拿去交付的數(shù)字。兩個(gè)指標(biāo)一起看還能定位問題——單字符高、整串低說(shuō)明模型在個(gè)別位置上系統(tǒng)性混淆通常是對(duì)應(yīng)字符樣本不足。4.3 推理解碼把 logits 還原成字符串推理代碼短但坑集中。# predict.py節(jié)選 import cv2 import torch from charset import IDX2CHAR torch.no_grad() def predict_one(model, path, device, img_w160, img_h60): model.eval() img cv2.imread(path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (img_w, img_h), interpolationcv2.INTER_AREA) img cv2.medianBlur(img, 3) img img.astype(float32) / 255.0 img (img - 0.5) / 0.5 x torch.from_numpy(img).unsqueeze(0).unsqueeze(0).to(device) # (1,1,H,W) ids model(x).argmax(-1)[0].cpu().tolist() return .join(IDX2CHAR[i] for i in ids)邏輯說(shuō)明unsqueeze用了兩次第一次補(bǔ)通道維、第二次補(bǔ) batch 維最后得到(1, 1, 60, 160)和訓(xùn)練時(shí)DataLoader吐出來(lái)的形狀完全對(duì)齊。model.eval()不能漏它把 BatchNorm 從按 batch 統(tǒng)計(jì)切到用滑動(dòng)平均值漏掉這一行單張推理時(shí) BN 會(huì)拿自己這一張圖的方差去歸一化輸出會(huì)飄得非常離譜——這個(gè)現(xiàn)象很像「模型沒訓(xùn)好」實(shí)際只是忘了切模式。參數(shù)說(shuō)明img_w、img_h必須和config.py里的IMG_W、IMG_H一致建議直接從 config import 而不是寫默認(rèn)值寫死默認(rèn)值是遲早要出事的。IDX2CHAR從charset.py來(lái)和訓(xùn)練時(shí)的CHAR2IDX同源這是保證索引不亂的根本。批量推理時(shí)把循環(huán)換成DataLoader再把join換成列表推導(dǎo)即可速度能快三到五倍。如果要導(dǎo)出 ONNX 給別的語(yǔ)言用torch.onnx.export的輸入形狀要寫死成(1, 1, 60, 160)動(dòng)態(tài) batch 雖然支持但很多推理引擎對(duì)動(dòng)態(tài)軸的處理不一致反而增加調(diào)試成本。5. 常見問題排查訓(xùn)練不收斂、準(zhǔn)確率虛高、顯存爆掉的真實(shí)踩坑下面五條是這類項(xiàng)目里出現(xiàn)頻率最高的問題每條按現(xiàn)象、原因、解決寫。看的時(shí)候?qū)φ兆约旱娜罩緞e急著改模型結(jié)構(gòu)。5.1 loss 一路降到 0.1 就卡死驗(yàn)證整串準(zhǔn)確率停在 30% 左右現(xiàn)象訓(xùn)練損失很漂亮前 10 個(gè) epoch 從 4.0 掉到 0.1之后紋絲不動(dòng)。驗(yàn)證集整串準(zhǔn)確率在 30% 上下徘徊單字符準(zhǔn)確率能到 70%。原因最典型的是學(xué)習(xí)率太大導(dǎo)致模型掉進(jìn)一個(gè)「只認(rèn)部分位置」的局部解。四個(gè)位置里有三個(gè)位置猜得準(zhǔn)第四個(gè)位置全錯(cuò)整串準(zhǔn)確率就恒定在低位。另一種可能是最后一個(gè)位置的樣本分布和前面不同——比如生成數(shù)據(jù)時(shí)第四個(gè)字符的坐標(biāo)抖動(dòng)范圍更小模型學(xué)到的特征沒有泛化。解決先把學(xué)習(xí)率從1e-3降到3e-4重跑看曲線形狀有沒有變化。還是卡就打印每個(gè)位置的單獨(dú)準(zhǔn)確率定位到具體是哪個(gè)位置在拖后腿。如果確實(shí)是某個(gè)位置的問題檢查數(shù)據(jù)生成代碼里那個(gè)位置的坐標(biāo)范圍、顏色范圍是不是和其他位置不一致。我遇到過一次是生成腳本里random.randint(0, 6)寫成了random.randint(0, 60)字符被抖到畫布外模型學(xué)不到任何東西。提示逐位打印準(zhǔn)確率的代碼只有五行加上去比盲猜快得多。5.2 訓(xùn)練集 99%驗(yàn)證集 40%但兩批圖明明是分開生成的現(xiàn)象訓(xùn)練集準(zhǔn)確率一路飆到 99% 以上驗(yàn)證集卡在 40% 不動(dòng)損失曲線在兩邊分叉得越來(lái)越大。原因數(shù)據(jù)泄漏。最常見的形式是訓(xùn)練集和驗(yàn)證集用了同一個(gè)隨機(jī)種子生成或者生成完之后按文件順序切分導(dǎo)致高度相似的樣本兩邊都有。另一種隱蔽的情況是標(biāo)簽寫錯(cuò)——驗(yàn)證集的標(biāo)注文件里有一批標(biāo)簽和實(shí)際圖片對(duì)不上模型輸出其實(shí)是對(duì)的評(píng)測(cè)腳本判它錯(cuò)。解決先把驗(yàn)證集里挑 20 張圖人眼看一遍確認(rèn)標(biāo)簽沒錯(cuò)。然后算一下兩批圖的哈希md5重復(fù)的直接揪出來(lái)。生成腳本里訓(xùn)練集和驗(yàn)證集必須用不同的種子并且切分時(shí)按標(biāo)簽分層抽樣別讓某個(gè)字符在驗(yàn)證集里完全缺席。我一般會(huì)在切分后打印兩邊字符頻率的分布做一次比對(duì)這一步花不了一分鐘能省下幾小時(shí)的懷疑人生。5.3 換了字符集之后模型輸出固定幾個(gè)字符怎么訓(xùn)都一樣現(xiàn)象把字符集從小寫字母擴(kuò)到大小寫加數(shù)字重新訓(xùn)練之后模型輸出永遠(yuǎn)是0000或者aaaa。原因CHAR2IDX改了但I(xiàn)DX2CHAR沒同步改或者推理腳本里 import 的是另一份舊的映射表。訓(xùn)練時(shí)標(biāo)簽編碼用的是新表解碼用的是舊表兩邊一錯(cuò)位輸出看起來(lái)就像模型啥也沒學(xué)會(huì)。解決字符映射表只能存在一個(gè)地方訓(xùn)和推理都從charset.pyimport。加一個(gè)自檢函數(shù)訓(xùn)練啟動(dòng)時(shí)跑一遍from charset import CHARSET, CHAR2IDX, IDX2CHAR assert all(IDX2CHAR[CHAR2IDX[c]] c for c in CHARSET), 字符映射不互逆 assert len(CHARSET) len(set(CHARSET)), 字符集有重復(fù)字符第二行斷言防的是字符集里混進(jìn)重復(fù)字符比如013456789里漏看了個(gè)3映射表的長(zhǎng)度和實(shí)際類別數(shù)對(duì)不上模型最后一層維度會(huì)算錯(cuò)但報(bào)錯(cuò)信息很難指向根因。5.4 把 batch_size 從 64 調(diào)到 8loss 直接變成 NaN現(xiàn)象為了在顯存小的機(jī)器上跑把 batch 改小訓(xùn)練幾百步之后損失變成nan之后再也回不來(lái)。原因BatchNorm 在極小 batch 上方差估計(jì)極不穩(wěn)定。batch 為 8 時(shí)每個(gè)通道只有 8 個(gè)樣本參與統(tǒng)計(jì)方差可能接近 0除下來(lái)數(shù)值爆炸反向傳播時(shí)梯度變成inf參數(shù)被污染后整個(gè)訓(xùn)練崩掉。解決三條路按優(yōu)先級(jí)排。一是保持 batch 不小于 32顯存不夠就降分辨率或者減小通道數(shù)二是把 BatchNorm 換成 GroupNorm它對(duì) batch 大小不敏感代價(jià)是收斂稍慢一點(diǎn)三是用梯度累積optimizer.step()每累積 4 個(gè)小 batch 調(diào)一次等效于把 batch 放大四倍但 BN 統(tǒng)計(jì)仍然是按小 batch 算的所以必須配合方案二才徹底。# 梯度累積 GroupNorm 的組合寫法 loss loss / 4 loss.backward() if step % 4 0: torch.nn.utils.clip_grad_norm_(model.parameters(), 5.0) optimizer.step() optimizer.zero_grad()5.5 訓(xùn)練時(shí)準(zhǔn)確率很好換了批圖推理結(jié)果全錯(cuò)現(xiàn)象驗(yàn)證集上整串準(zhǔn)確率 90%拿幾張新生成的圖去推理輸出幾乎是隨機(jī)的。原因推理腳本的預(yù)處理和訓(xùn)練不一致。常見差異包括訓(xùn)練用cv2.imread讀灰度推理用 PIL 讀 RGB 再手動(dòng)轉(zhuǎn)灰度兩個(gè)庫(kù)的灰度轉(zhuǎn)換系數(shù)不同訓(xùn)練做了中值濾波推理忘了訓(xùn)練歸一化到[-1,1]推理只除以 255。這些差異單看都微不足道疊加起來(lái)足以讓模型失效。解決把預(yù)處理抽成一個(gè)函數(shù)訓(xùn)練和推理都調(diào)它。參數(shù)從同一個(gè) config 讀別在推理腳本里寫默認(rèn)值。我習(xí)慣在訓(xùn)練開始前隨手存一張預(yù)處理后的中間結(jié)果到磁盤推理時(shí)拿同樣一張圖跑一遍兩張圖逐像素比對(duì)差超過 1e-6 就說(shuō)明路徑不一致。這個(gè)檢查不用改任何業(yè)務(wù)代碼兩分鐘能做完。6. 二次開發(fā)換字符集、改變長(zhǎng)、上部署的改造路徑真拿這個(gè)項(xiàng)目去接需求改動(dòng)能落到三個(gè)地方按改動(dòng)成本從低到高排。6.1 換字符集與變長(zhǎng)輸出的具體改法換字符集是最簡(jiǎn)單的一種。只改charset.py的CHARSET字符串和config.py的MAX_LEN然后從頭重訓(xùn)。別試圖在舊權(quán)重上繼續(xù)訓(xùn)類別數(shù)一變最后一層全連接的維度就變了加載權(quán)重必然報(bào) shape 不匹配硬改strictFalse會(huì)丟掉整個(gè)分類頭等于重訓(xùn)還多了個(gè)錯(cuò)誤來(lái)源。字符長(zhǎng)度不固定時(shí)把逐位分類頭換成 CTC。主干網(wǎng)絡(luò)和數(shù)據(jù)集基本不動(dòng)改三處import torch.nn as nn # 1) 分類頭輸出時(shí)間步而非字符位置把最后的 view 改成 # return x.view(-1, self.num_classes, T) 然后 permute # 2) 損失換成 CTCLossblank 必須是 0 ctc nn.CTCLoss(blank0, zero_infinityTrue) log_probs model(imgs).log_softmax(2).permute(1, 0, 2) # (T, B, C) input_lengths torch.full((B,), T, dtypetorch.long) loss ctc(log_probs, targets_flat, input_lengths, target_lengths) # 3) 解碼走貪心argmax 之后去重、去 blank def greedy_decode(ids): out, prev [], -1 for i in ids: if i ! prev and i ! 0: out.append(IDX2CHAR[i]) prev i return .join(out)參數(shù)說(shuō)明zero_infinityTrue是必須開的否則當(dāng)某個(gè)樣本的標(biāo)簽長(zhǎng)度超過時(shí)間步 T 時(shí)損失會(huì)返回inf并污染整個(gè) batch 的梯度。T 的大小由特征圖的寬度決定輸入 160 寬經(jīng)過四次池化剩 10 個(gè)時(shí)間步意味著標(biāo)簽長(zhǎng)度最多 10四位字符綽綽有余但如果要識(shí)別十幾位的長(zhǎng)串就得減少池化次數(shù)或者加寬輸入。這個(gè)約束在寫網(wǎng)絡(luò)結(jié)構(gòu)的時(shí)候就要算清楚訓(xùn)到一半發(fā)現(xiàn) T 不夠只能推倒重來(lái)。改造前建議先用小數(shù)據(jù)集跑通整條鏈路確認(rèn)識(shí)別正確再上全量。判斷標(biāo)準(zhǔn)很直接訓(xùn)練 500 步之后loss應(yīng)該穩(wěn)定下降到 3 以下如果一直在 8 附近晃八成是input_lengths或target_lengths傳錯(cuò)了單位。6.2 落地前的驗(yàn)證清單上線前我會(huì)過一遍這張表每一項(xiàng)都對(duì)應(yīng)過真實(shí)的翻車場(chǎng)景。改造點(diǎn)涉及文件驗(yàn)證方法主要風(fēng)險(xiǎn)換字符集charset.py、config.py訓(xùn)練前跑互逆斷言新舊映射混用導(dǎo)致亂碼改圖片尺寸config.py、models/cnn.py打印 Flatten 后維度全連接層維度不匹配換 CTCmodels/cnn.py、train.py單 batch 過擬合測(cè)試時(shí)間步不足導(dǎo)致 inf導(dǎo)出 ONNXpredict.py與 PyTorch 輸出逐元素比對(duì)BN 未切 eval 模式加數(shù)據(jù)增強(qiáng)data/dataset.py驗(yàn)證集不加增強(qiáng)增強(qiáng)污染驗(yàn)證指標(biāo)單 batch 過擬合測(cè)試是我最常用的手段拿 8 張圖反復(fù)訓(xùn) 200 步如果損失降不到接近 0說(shuō)明網(wǎng)絡(luò)容量或者數(shù)據(jù)管線有問題跟超參無(wú)關(guān)。這個(gè)測(cè)試能在十分鐘內(nèi)排掉一大半「訓(xùn)練不收斂」的偽問題。從那以后我每次動(dòng)數(shù)據(jù)管線都會(huì)先拿 8 張圖做一遍過擬合測(cè)試確認(rèn)這條路走得通再去碰全量訓(xùn)練。字符識(shí)別這行沒有玄學(xué)絕大部分「模型學(xué)不會(huì)」都是數(shù)據(jù)和預(yù)處理在背后捅刀子把這條紀(jì)律守住能省下的時(shí)間遠(yuǎn)超想象。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取