這是一個(gè)圖片字符型驗(yàn)證碼識別平臺(tái)；
本文主要：
一、簡單介紹圖片驗(yàn)證碼識別平臺(tái)；
二、介紹訓(xùn)練模型（識別圖片驗(yàn)證碼） ：詳細(xì)介紹從獲取驗(yàn)證碼原始數(shù)據(jù)、打標(biāo)簽、特殊處理到訓(xùn)練出模型的過程，解釋什么是訓(xùn)練；
三、平臺(tái)工作原理：介紹平臺(tái)對圖片（驗(yàn)證碼）的處理過程；
一、簡單介紹圖片驗(yàn)證碼識別平臺(tái)：
（1）一個(gè)圖片驗(yàn)證碼識別平臺(tái)，提供接口，接收base64編碼圖片，識別，返回結(jié)果；
（2）基于卷積神經(jīng)網(wǎng)絡(luò)( Convolutional Neural Network, CNN )；
（3）Python語言編寫；
（4）基于Tensorflow框架；
（5）運(yùn)行于Gunicorn服務(wù)器；
（6）示意圖：
解釋：圖片驗(yàn)證碼經(jīng)base64編碼后，發(fā)送到驗(yàn)證碼識別平臺(tái)（PCP），平臺(tái)返回識別結(jié)果；
二、訓(xùn)練模型：
1、獲取原始數(shù)據(jù)
即是到目標(biāo)網(wǎng)站獲取足夠多需要識別的驗(yàn)證碼圖片，用于接下來的訓(xùn)練；
2、對圖片驗(yàn)證碼打標(biāo)簽（有監(jiān)督學(xué)習(xí)）
對獲取到的大量原始驗(yàn)證碼圖片需要正確標(biāo)記：每個(gè)圖片驗(yàn)證碼對應(yīng)的正確字符；標(biāo)記完后還需要核對，確保正確，否則會(huì)非常影響訓(xùn)練的準(zhǔn)確性；
這一步最耗費(fèi)時(shí)間和精力；
目前打標(biāo)簽的過程：
（1）寫一段代碼，使用現(xiàn)有的OCR庫，對一部分圖片（如1000張）進(jìn)行初次識別；
（2）然后進(jìn)行人工修改、打標(biāo)簽；
（3）最后人工核對；得到了1000張正確打好標(biāo)簽的驗(yàn)證碼圖片；
（4）重復(fù)（1）~（3）步，如，得到了2000張正確打好標(biāo)簽的驗(yàn)證碼圖片；——當(dāng)然，可以一直如此重復(fù)，直到得到所需要的圖片數(shù)量；
（5）另：把此2000張圖片進(jìn)行訓(xùn)練，如準(zhǔn)確率能有0.7以上，那么可用此訓(xùn)練的模型識別原始（未打標(biāo)簽）的圖片——即是替換（1），OCR的成功率非常低；
（6）得到所需要的打好標(biāo)簽的圖片數(shù)量，如1萬張；
3、進(jìn)行模型訓(xùn)練
把標(biāo)記好的圖片驗(yàn)證碼輸入寫好的AI程序中，進(jìn)行訓(xùn)練；
一般要求準(zhǔn)確率達(dá)到0.98；
對于訓(xùn)練來說，理想的情況是：輸入的數(shù)據(jù)越多（打好標(biāo)簽的圖片）、訓(xùn)練的次數(shù)越少，如此得到的模型越好，可以用下面的公式表達(dá)：
acc = Ax + By
A、B: 權(quán)重；x: 圖片；y: 次數(shù)；acc: 準(zhǔn)確率；
上面的1~3步，就是訓(xùn)練模型的一般過程；
存在問題：需要大量的打好標(biāo)簽的圖片，耗時(shí)費(fèi)力；
所以，一般采用針對不同的驗(yàn)證碼圖片進(jìn)行特殊處理的方法：切割大法；
切割法操作如下（大致思路，因?yàn)槊總€(gè)驗(yàn)證碼特征不同，處理方法會(huì)不同）：
如有驗(yàn)證碼圖片：
同一種驗(yàn)證碼，模式都會(huì)是固定的，針對上面的驗(yàn)證碼可以這樣切割：
得到：
然后合成一張圖片：
最后，訓(xùn)練、識別都是針對：
其實(shí)，就是將擁有特殊、多字符的驗(yàn)證碼圖片轉(zhuǎn)為簡單、少字符的圖片；
如此一來：
只需要訓(xùn)練識別0-9數(shù)字；
打標(biāo)簽數(shù)量大大減少，300張；
打標(biāo)簽難度也大大減少，僅需要輸入數(shù)字；
再如，此種驗(yàn)證碼：
直接切割4個(gè)單獨(dú)字符的圖片：
然后，訓(xùn)練、識別都是針對單個(gè)字符圖片進(jìn)行，難度也大大降低，準(zhǔn)確率大大提高；
打標(biāo)簽的數(shù)量也大大減少；
一些數(shù)據(jù)：由于此圖片，底色有絕對的干擾，測試中發(fā)現(xiàn)，直接訓(xùn)練的話，3000張圖片進(jìn)行訓(xùn)練，準(zhǔn)確率也只有區(qū)區(qū)0.1%；
利用切割方法，只用1000張圖片，切割得到4000張單獨(dú)字符的圖片，訓(xùn)練8100次，準(zhǔn)確率即可達(dá)到0.995；
簡單解釋一下什么是訓(xùn)練，這是一個(gè)數(shù)學(xué)問題：
先看基本的函數(shù)，如：y = 2x + 1，輸入x=1，輸出y=3；這是已經(jīng)知道函數(shù)對應(yīng)關(guān)系f = 2x + 1；
再看高階一點(diǎn)的數(shù)學(xué)，如：已知 y = 2x + 1，y = 3，求x；從輸出，反推輸入，同樣也是知道函數(shù)對應(yīng)關(guān)系f = 2x + 1；
再進(jìn)階一步，就接觸到機(jī)器學(xué)習(xí)了，函數(shù)對應(yīng)關(guān)系f ，我們不知道，但是知道了x、y的值（x就是驗(yàn)證碼圖片、y就是對應(yīng)的標(biāo)簽），求對應(yīng)關(guān)系f；
如果是簡單的，已知函數(shù)f的形式，如：y = ax + b；只要兩組（x, y）即可求得a、b；從而求得f；
如果是完全不知道函數(shù)的形式，那么就需要構(gòu)造函數(shù)，f 可能是 2x + 1、3x + 3、x^2 + 1等等無數(shù)種情況；僅有兩組（x, y）是無法得出f的；但是如果有大量的（x, y），就能通過“逼近計(jì)算”方法，不斷調(diào)整公式權(quán)重，近似求得函數(shù)f —— 這就是訓(xùn)練過程；
三、平臺(tái)工作原理：
簡單介紹平臺(tái)對圖片（驗(yàn)證碼）的處理過程；
示意圖：
解釋：
圖片驗(yàn)證碼通過base64編碼后，通過提供的API發(fā)送到驗(yàn)證碼識別平臺(tái)；
平臺(tái)獲取圖片的寬高，然后進(jìn)入判別器1：根據(jù)針對此驗(yàn)證碼配置的屬性，決定是否要切割圖片（若要切割，切割的尺寸是多大）；
如果發(fā)現(xiàn)有兩種不同的驗(yàn)證碼尺寸一樣，那么需要進(jìn)入判別器2：根據(jù)圖片特征對圖片進(jìn)行分類；
經(jīng)過判別器1和判別器2，可以確定此圖片驗(yàn)證碼對應(yīng)的是哪個(gè)訓(xùn)練模型（用于最終的識別）、是否要切割、切割成多大；
最后，把圖片切割成預(yù)定的大小，選擇對應(yīng)的模型，進(jìn)行識別，返回結(jié)果；
以上就是利用AI識別驗(yàn)證碼的簡單介紹；
完畢；
