python手写汉字识别_TensorFlow 2.0实践之中文手写字识别

问题导读：

1、相比于简单minist识别，汉字识别具有哪些难点？

2、如何快速的构建一个OCR网络模型？

3、读取的时候有哪些点需要注意?

4、如何让模型更简单的收敛？

还在玩minist？fashionmnist？不如来尝试一下类别多大3000+的汉字手写识别吧！！虽然以前有一些文章教大家如何操作，但是大多比较古老，这篇文章将用全新的TensorFlow 2.0 来教大家如何搭建一个中文OCR系统！

让我们来看一下，相比于简单minist识别，汉字识别具有哪些难点：

搜索空间空前巨大，我们使用的数据集1.0版本汉字就多大3755个，如果加上1.1版本一起，总共汉字可以分为多达7599+个类别！这比10个阿拉伯字母识别难度大很多！数据集处理挑战更大，相比于mnist和fasionmnist来说，汉字手写字体识别数据集非常少，而且仅有的数据集数据预处理难度非常大，非常不直观，但是，千万别吓到，相信你看完本教程一定会收货满满!汉字识别更考验选手的建模能力，还在分类花？分类猫和狗？随便搭建的几层在搜索空间巨大的汉字手写识别里根本不work！你现在是不是想用很深的网络跃跃欲试？更深的网络在这个任务上可能根本不可行！！看完本教程我们就可以一探究竟！总之一句话，模型太简单和太复杂都不好，甚至会发散！（想亲身体验模型训练发散抓狂的可以来尝试一下！）。

但是，挑战这个任务也有很多好处：

本教程基于TensorFlow2.0，从数据预处理，图片转Tensor以及Tensor的一系列骚操作都包含在内！做完本任务相信你会对TensorFlow2.0 API有一个很深刻的认识！如果你是新手，通过这个教程你完全可以深入体会一下调参（或者说随意修改网络）的纠结性和蛋疼性！

本项目实现了基于CNN的中文手写字识别，并且采用标准的tensorflow 2.0 api 来构建！相比对简单的字母手写识别，本项目更能体现模型设计的精巧性和数据增强的熟练操作性，并且最终设计出来的模型可以直接应用于工业场合，比如票据识别, 手写文本自动扫描等，相比于百度api接口或者QQ接口等，具有可优化性、免费性、本地性等优点。

数据准备

在开始之前，先介绍一下本项目所采用的数据信息。我们的数据全部来自于CASIA的开源中文手写字数据集，该数据集分为两部分：

CASIA-HWDB：离线的HWDB，我们仅仅使用1.0-1.2，这是单字的数据集，2.0-2.2是整张文本的数据集，我们暂时不用，单字里面包含了约7185个汉字以及171个英文字母、数字、标点符号等；CASIA-OLHWDB：在线的HWDB，格式一样，包含了约7185个汉字以及171个英文字母、数字、标点符号等，我们不用。

其实你下载1.0的train和test差不多已经够了，可以直接运行 dataset/get_hwdb_1.0_1.1.sh 下载。原始数据下载链接点击这里.由于原始数据过于复杂，我们使用一个类来封装数据读取过程，这是我们展示的效果：

2019-06-25_155558.jpg (167.8 KB, 下载次数: 6)

2019-6-25 15:56 上传

看到这么密密麻麻的文字相信连人类都.... 开始头疼了，这些复杂的文字能够通过一个神经网络来识别出来？？答案是肯定的.... 不有得感叹一下神经网络的强大。。上面的部分文字识别出来的结果是这样的：

2019-06-25_155631.jpg (121.23 KB, 下载次数: 8)

2019-6-25 15:57 上传

关于数据的处理部分，从服务器下载到的原始数据是 trn_gnt.zip 解压之后是 gnt.alz，需要再次解压得到一个包含 gnt文件的文件夹。里面每一个gnt文件都包含了若干个汉字及其标注。直接处理比较麻烦，也不方便抽取出图片再进行操作，虽然转为图片存入文件夹比较直观，但是不适合批量读取和训练, 后面我们统一转为tfrecord进行训练。

更新:实际上，由于单个汉字图片其实很小，差不多也就最大80x80的大小，这个大小不适合转成图片保存到本地，因此我们将hwdb原始的二进制保存为tfrecord。同时也方便后面训练，可以直接从tfrecord读取图片进行训练。

2019-06-25_155705.jpg (197.68 KB, 下载次数: 5)

2019-6-25 15:57 上传

在我们存储完成的时候大概处理了89万个汉字，总共汉字的空间是3755个汉字。由于我们暂时仅仅使用了1.0，所以还有大概3000个汉字没有加入进来，但是处理是一样。使用本仓库来生成你的tfrecord步骤如下：

cd dataset && python3 convert_to_tfrecord.py, 请注意我们使用的是tf2.0；你需要修改对应的路径，等待生成完成，大概有89万个example，如果1.0和1.1都用，那估计得double。

模型构建

关于我们采用的OCR模型的构建，我们构建了3个模型分别做测试，三个模型的复杂度逐渐的复杂，网络层数逐渐深入。但是到最后发现，最复杂的那个模型竟然不收敛。这个其中一个稍微简单模型的训练过程：

2019-06-25_155744.jpg (91.18 KB, 下载次数: 12)

2019-6-25 15:58 上传

大家可以看到，准确率可以在短时间内达到87%非常不错，测试集的准确率大概在40%，由于测试集中的样本在训练集中完全没有出现，相对训练集的准确率来讲偏低。可能原因无外乎两个，一个事模型泛化性能不强，另外一个原因是训练还不够。

不过好在这个简单的模型也能达到训练集90%的准确率，it's a good start. 让我们来看一下如何快速的构建一个OCR网络模型：

[mw_shl_code=python,true]def build_net_003(input_shape, n_classes):

model = tf.keras.Sequential([

layers.Conv2D(input_shape=input_shape, filters=32, kernel_size=(3, 3), strides=(1, 1),

padding='same', activation='relu'),

layers.MaxPool2D(pool_size=(2, 2), padding='same'),

layers.Conv2D(filters=64, kernel_size=(3, 3), padding='same'),

layers.MaxPool2D(pool_size=(2, 2), padding='same'),

layers.Flatten(),

layers.Dense(n_classes, activation='softmax')

])

return model[/mw_shl_code]

这是我们使用keras API构建的一个模型，它足够简单，仅仅包含两个卷积层以及两个maxpool层。下面我们让大家知道，即便是再简单的模型，有时候也能发挥出巨大的用处，对于某些特定的问题可能比更深的网络更有用途。关于这部分模型构建大家只要知道这么几点：

如果你只是构建序列模型，没有太fancy的跳跃链接，你可以直接用keras.Sequential 来构建你的模型；

Conv2D中最好指定每个参数的名字，不要省略，否则别人不知道你的写的事输入的通道数还是filters。

最后，在你看完本篇博客后，并准备自己动手复现这个教程的时候，可以思考一下为什么下面这个模型就发散了呢？（仅仅稍微复杂一点）：

[mw_shl_code=python,true]

def build_net_002(input_shape, n_classes):

model = tf.keras.Sequential([

layers.Conv2D(input_shape=input_shape, filters=64, kernel_size=(3, 3), strides=(1, 1),

padding='same', activation='relu'),

layers.MaxPool2D(pool_size=(2, 2), padding='same'),

layers.Conv2D(filters=128, kernel_size=(3, 3), padding='same'),

layers.MaxPool2D(pool_size=(2, 2), padding='same'),

layers.Conv2D(filters=256, kernel_size=(3, 3), padding='same'),

layers.MaxPool2D(pool_size=(2, 2), padding='same'),

layers.Flatten(),

layers.Dense(1024, activation='relu'),

layers.Dense(n_classes, activation='softmax')

])

return model[/mw_shl_code]

数据输入

其实最复杂的还是数据准备过程啊。这里着重说一下，我们的数据存入tfrecords中的事image和label，也就是这么一个example：

[mw_shl_code=python,true]example = tf.train.Example(features=tf.train.Features(

feature={

"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),

'image': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img.tobytes()])),

'width': tf.train.Feature(int64_list=tf.train.Int64List(value=[w])),

'height': tf.train.Feature(int64_list=tf.train.Int64List(value=[h])),

}))[/mw_shl_code]

然后读取的时候相应的读取即可，这里告诉大家几点坑爹的地方：

将numpyarray的bytes存入tfrecord跟将文件的bytes直接存入tfrecord解码的方式事不同的，由于我们的图片数据不是来自于本地文件，所以我们使用了一个tobytes()方法存入的事numpy array的bytes格式，它实际上并不包含维度信息，所以这就是坑爹的地方之一，如果你不同时存储width和height，你后面读取的时候便无法知道维度，存储tfrecord顺便存储图片长宽事一个好的习惯.

关于不同的存储方式解码的方法有坑爹的地方，比如这里我们存储numpy array的bytes，通常情况下，你很难知道如何解码。。（不看本教程应该很多人不知道）

最后load tfrecord也就比较直观了：

[mw_shl_code=python,true]def parse_example(record):

features = tf.io.parse_single_example(record,

features={

'label':

tf.io.FixedLenFeature([], tf.int64),

'image':

tf.io.FixedLenFeature([], tf.string),

})

img = tf.io.decode_raw(features['image'], out_type=tf.uint8)

img = tf.cast(tf.reshape(img, (64, 64)), dtype=tf.float32)

label = tf.cast(features['label'], tf.int64)

return {'image': img, 'label': label}

def parse_example_v2(record):

"""

latest version format

:param record:

:return:

"""

features = tf.io.parse_single_example(record,

features={

'width':

tf.io.FixedLenFeature([], tf.int64),

'height':

tf.io.FixedLenFeature([], tf.int64),

'label':

tf.io.FixedLenFeature([], tf.int64),

'image':

tf.io.FixedLenFeature([], tf.string),

})

img = tf.io.decode_raw(features['image'], out_type=tf.uint8)

# we can not reshape since it stores with original size

w = features['width']

h = features['height']

img = tf.cast(tf.reshape(img, (w, h)), dtype=tf.float32)

label = tf.cast(features['label'], tf.int64)

return {'image': img, 'label': label}

def load_ds():

input_files = ['dataset/HWDB1.1trn_gnt.tfrecord']

ds = tf.data.TFRecordDataset(input_files)

ds = ds.map(parse_example)

return ds[/mw_shl_code]

这个v2的版本就是兼容了新的存入长宽的方式，因为我第一次生成的时候就没有保存。。。最后入坑了。注意这行代码：

[mw_shl_code=python,true] img = tf.io.decode_raw(features['image'], out_type=tf.uint8)[/mw_shl_code]

它是对raw bytes进行解码，这个解码跟从文件读取bytes存入tfrecord的有着本质的不同。同时注意type的变化，这里以unit8的方式解码，因为我们存储进去的就是uint8.

训练过程

不瞒你说，我一开始写了一个很复杂的模型，训练了大概一个晚上结果准确率0.00012，发散了。后面改成了更简单的模型才收敛。整个过程的训练pipleline：

[mw_shl_code=python,true]def train():

all_characters = load_characters()

num_classes = len(all_characters)

logging.info('all characters: {}'.format(num_classes))

train_dataset = load_ds()

train_dataset = train_dataset.shuffle(100).map(preprocess).batch(32).repeat()

val_ds = load_val_ds()

val_ds = val_ds.shuffle(100).map(preprocess).batch(32).repeat()

for data in train_dataset.take(2):

print(data)

# init model

model = build_net_003((64, 64, 1), num_classes)

model.summary()

logging.info('model loaded.')

start_epoch = 0

latest_ckpt = tf.train.latest_checkpoint(os.path.dirname(ckpt_path))

if latest_ckpt:

start_epoch = int(latest_ckpt.split('-')[1].split('.')[0])

model.load_weights(latest_ckpt)

logging.info('model resumed from: {}, start at epoch: {}'.format(latest_ckpt, start_epoch))

else:

logging.info('passing resume since weights not there. training from scratch')

if use_keras_fit:

model.compile(

optimizer=tf.keras.optimizers.Adam(),

loss=tf.keras.losses.SparseCategoricalCrossentropy(),

metrics=['accuracy'])

callbacks = [

tf.keras.callbacks.ModelCheckpoint(ckpt_path,

save_weights_only=True,

verbose=1,

period=500)

]

try:

model.fit(

train_dataset,

validation_data=val_ds,

validation_steps=1000,

epochs=15000,

steps_per_epoch=1024,

callbacks=callbacks)

except KeyboardInterrupt:

model.save_weights(ckpt_path.format(epoch=0))

logging.info('keras model saved.')

model.save_weights(ckpt_path.format(epoch=0))

model.save(os.path.join(os.path.dirname(ckpt_path), 'cn_ocr.h5'))[/mw_shl_code]

在本系列教程开篇之际，我们就立下了几条准则，其中一条就是handle everything, 从这里就能看出，它事一个很稳健的训练代码，同事也很自动化：

自动寻找之前保存的最新模型；自动保存模型；捕捉ctrl + c事件保存模型。支持断点续训练

大家在以后编写训练代码的时候其实可以保持这个好的习惯。

OK，整个模型训练起来之后，可以在短时间内达到95%的准确率：

2019-06-25_155959.jpg (62.43 KB, 下载次数: 11)

2019-6-25 16:00 上传

效果还是很不错的！

模型测试

最后模型训练完了，时候测试一下模型效果到底咋样。我们使用了一些简单的文字来测试：

2019-06-25_160034.jpg (106.42 KB, 下载次数: 4)

2019-6-25 16:01 上传

这个字写的还真的。。。。具有鬼神之势。相信普通人类大部分字都能认出来，不过有些字还真的。。。。不好认。看看神经网络的表现怎么样！

2019-06-25_160104.jpg (131.27 KB, 下载次数: 4)

2019-6-25 16:01 上传

这是大概2000次训练的结果，基本上能识别出来了！神经网络的认字能力还不错的! 收工！

总结

通过本教程，我们完成了使用tensorflow 2.0全新的API搭建一个中文汉字手写识别系统。模型基本能够实现我们想要的功能。要知道，这个模型可是在搜索空间多大3755的类别当中准确的找到最相似的类别！！通过本实验，我们有几点心得：

神经网络不仅仅是在学习，它具有一定的想象力！！比如它的一些看着很像的字：拜-佯，扮-捞，笨-苯.... 这些字如果手写出来，连人都比较难以辨认！！但是大家要知道这些字在类别上并不是相领的！也就是说，模型具有一定的联想能力！不管问题多复杂，要敢于动手、善于动手。

最后希望大家对本文点个赞，编写教程不容易。希望大家多多支持。笨教程将支持为大家输出全新的tensorflow2.0教程！欢迎关注！！

作者：金天

来源：https://zhuanlan.zhihu.com/p/68356509

最新经典文章，欢迎关注公众号

python手写汉字识别_TensorFlow 2.0实践之中文手写字识别相关推荐

.net 数字转汉字_TensorFlow 2.0 中文手写字识别（汉字OCR）
TensorFlow 2.0 中文手写字识别(汉字OCR) 在开始之前,必须要说明的是,本教程完全基于TensorFlow2.0 接口编写,请误与其他古老的教程混为一谈,本教程除了手把手教大家完成这个 ...
在Windows上调试TensorFlow 2.0 中文手写字识别（汉字OCR）
在Windows上调试TensorFlow 2.0 中文手写字识别(汉字OCR) 一.环境的搭建 Windows+1080Ti+Cuda10.1 Tsorflow2.0.0 Numpy1.16.4 注 ...
基于tensorflow的MNIST手写字识别
一.卷积神经网络模型知识要点卷积卷积 1.卷积 2.池化 3.全连接 4.梯度下降法 5.softmax 本次就是用最简单的方法给大家讲解这些概念,因为具体的各种论文网上都有,连推导都有,所以本文主要 ...
TensorFlow基于minist数据集实现手写字识别实战的三个模型
手写字识别 model1:输入层→全连接→输出层softmax model2:输入层→全连接→隐含层→全连接→输出层softmax model3:输入层→卷积层1→卷积层2→全连接→dropout层→ ...
利用神经网络实现手写字识别
神经网络介绍神经网络即多层感知机如果不知道感知机的可以看博主之前的文章感知机及Python实现神经网络实现及手写字识别关于数据集: 从http://yann.lecun.com/exdb/mn ...
Pytorch入门练习-kaggle手写字识别神经网络(SNN)实现
采用pytorch搭建神经网络,解决kaggle平台手写字识别问题. 数据来源:https://www.kaggle.com/competitions/digit-recognizer/data 参考 ...
Pytorch入门练习2-kaggle手写字识别神经网络(CNN)实现
目录数据预处理自定义数据集构建网络结构对卷积神经网络进行训练和评估对数据进行预测保存预测数据,提交代码 SNN由于无法考虑到图片数据的维度关系,在预测精度上会被限制,本章我们采用CNN卷积 ...
利用卷积神经网络实现手写字识别
本文我们介绍一下卷积神经网络,然后基于pytorch实现一个卷积神经网络,并实现手写字识别卷积神经网络介绍传统神经网络处理图片问题的不足让我们先复习一下神经网络的工作流程: 搭建一个神经网络将 ...
机器学习之手写字识别(Knn算法应用)
手写字识别对手写字体图片进行识别最重要的一点就是要将其转化为二值化(就是就是将图像上的像素点或灰度值设置为0或1,其呈现就是非黑即白)后的数据,然后再进行处理,在手写体处理中,二值化就是有手写笔画的 ...

python手写汉字识别_TensorFlow 2.0实践之中文手写字识别

python手写汉字识别_TensorFlow 2.0实践之中文手写字识别相关推荐

最新文章

热门文章