欧美性猛交XXXX免费看蜜桃,成人网18免费韩国,亚洲国产成人精品区综合,欧美日韩一区二区三区高清不卡,亚洲综合一区二区精品久久

注意：若使用云服務(wù)器 (Windows Server版) 遇到閃退，請按照步驟：我的電腦——屬性——管理——添加角色和功能——勾選桌面體驗，點(diǎn)擊安裝，安裝之后重啟即可。

2020/06/01編外：

想必各位只是偶然間搜到這篇文章，網(wǎng)上文章參差不齊，標題黨很多，能跑起來(lái)的開(kāi)源代碼很少，對于能跑起來(lái)的代碼，也經(jīng)常遇到以下問(wèn)題如：內存泄漏，網(wǎng)絡(luò )參數寫(xiě)死導致更換訓練集報錯，網(wǎng)絡(luò )跑其他樣本識別率低，沒(méi)有調用示例等等。

再往下看之前，我可以向你們保證，它絕對會(huì )是你所見(jiàn)過(guò)的所有驗證碼有關(guān)的文章中最實(shí)用，最接近生產(chǎn)水平的。

1. 對小白： 你可以不需要動(dòng)手寫(xiě)任何一行代碼。

2. 對小企業(yè)： 它的可用性和穩定性是經(jīng)得起考驗的，在性能上也是同行領(lǐng)先的，可以放心入坑。

添加描述

因為小編打算轉行了，離開(kāi)這個(gè)行業(yè)之前總要留下點(diǎn)什么證明自己來(lái)過(guò)，總有人和我說(shuō)的這個(gè)部署不會(huì )調用，可能你們想要的是一行pip就搞定環(huán)境的，所以今天給你們安排了麻瓜OCR（MuggleOCR）。

https://pypi.org/project/muggle-ocr 它整合了簡(jiǎn)單驗證碼識別通用模型+印刷文字通用識別，并且支持調用本文框架訓練的模型。調用只需要三行核心代碼：

import time# STEP 1import muggle_ocrimport os# STEP 2sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.OCR)root_dir = r"./imgs"for i in os.listdir(root_dir):    n = os.path.join(root_dir, i)    with open(n, "rb") as f:        b = f.read()    st = time.time()    # STEP 3    text = sdk.predict(image_bytes=b)    print(i, text, time.time() - st)

這真的很簡(jiǎn)單，應付一般的文字識別和驗證碼都足夠了。（文字識別過(guò)幾天會(huì )更新一下新模型，畢竟0601模型就跑了半天。

1. 前言

本項目適用于Python3.7，GPU>=NVIDIA GTX1050Ti，原master分支新增了GUI配置界面以及編譯版本了，是時(shí)候寫(xiě)一篇新的文章了。

長(cháng)話(huà)短說(shuō)，開(kāi)門(mén)見(jiàn)山，網(wǎng)絡(luò )上現有的代碼以教學(xué)研究為主，本項目是為實(shí)用主義者定制的，只要基本的環(huán)境安裝常識，便可很好的訓練出期望的模型，重定義幾個(gè)簡(jiǎn)單的參數任何人都能使用深度學(xué)習技術(shù)訓練一個(gè)商業(yè)化成品。

筆者選用的時(shí)下最為流行的CNN+BLSTM+CTC（CRNN）進(jìn)行端到端的不定長(cháng)驗證碼識別，代碼中預留了CNNX（搜不到因為是小編自己拼湊的）/MobileNet/DenseNet121/ResNet50等選項，可以在配置界面中直接選用。首先，介紹個(gè)大概吧。

添加描述

H16/H64指的是Bi-LSTM的隱藏神經(jīng)元個(gè)數UnitsNum，所以本項目使用GPU訓練，使用CPU進(jìn)行預測。

預測服務(wù)部署項目源碼請移步此處：https://github.com/kerlomz/captcha_platform

部署項目的編譯版下載地址：https://github.com/kerlomz/captcha_platform/releases

2.環(huán)境依賴(lài)：

花了超長(cháng)篇幅介紹了訓練環(huán)境的基本搭建，主要是給尚未入門(mén)的讀者看的，老鳥(niǎo)們隨便跳過(guò)，若不希望在環(huán)境上面浪費時(shí)間的，歡迎使用編譯版，可在文章開(kāi)頭找到下載地址。

關(guān)于CUDA和cuDNN版本的問(wèn)題，不少人很糾結，這里就列出官方通過(guò)pip安裝的TensorFlow的版本對應表：

Linux

Windows

如果希望使用上面對應之外的搭配的CUDA和cuDNN，可以自行編譯TensorFlow，或者去Github上搜索TensorFlow Wheel找到第三方編譯的對應版本的whl安裝包。提前預警，若是自己編譯將會(huì )苦難重重，坑很多，這里就不展開(kāi)了。

2.1 本項目環(huán)境依賴(lài)

目前在以下主流操作系統平臺均測試通過(guò)：

本訓練項目主要的環(huán)境依賴(lài)清單如下

2.1.1 Ubuntu 16.04 下的 Python 3.7

1）先安裝Python環(huán)境（有Python 3.7環(huán)境的可以忽略）

sudo apt-get install openssl  sudo apt-get install libssl-devsudo apt-get install libc6-dev gcc  sudo apt-get install -y make build-essential zlib1g-dev libbz2-dev libreadline-dev $ libsqlite3-dev wget curl llvm tk-dev wget https://www.python.org/ftp/python/3.7.6/Python-3.7.6.tgztar -vxf Python-3.7.6.tar.xzcd Python-3.7.6./configure --prefix=/usr/local  --enable-sharedmake -j8sudo make install -j8

經(jīng)過(guò)上面指令就安裝好Python3.7環(huán)境了，如果提示找不到libpython3.7m.so.1.0就到/usr/local/lib路徑下將該文件復制一份到/usr/lib和/usr/lib64路徑下。 2）安裝相關(guān)依賴(lài)（這一步Windows和Linux通用） 可以直接在項目路徑下執行pip3 install -r requirements.txt安裝所有依賴(lài)，注意這一步是安裝在全局Python環(huán)境下的，強烈建議使用虛擬環(huán)境進(jìn)行項目間的環(huán)境隔離，如Virtualenv或Anaconda等等。 我一般使用的是Virtualenv，有修改代碼需要的，建議安裝PyCharm作為Python IDE

virtualenv -p /usr/bin/python3 venv # venv is the name of the virtual environment.cd venv/ # venv is the name of the virtual environment.source bin/activate # to activate the current virtual environment.cd captcha_trainer # captcha_trainer is the project path.pip3 install -r requirements.txt

2.1.2 Ubuntu 16.04 下的 CUDA/cuDNN

網(wǎng)上看到過(guò)很多教程，我自己也部署過(guò)很多次，Ubuntu 16.04遇到的坑還是比較少的。14.04支持就沒(méi)那么好，如果主板不支持關(guān)閉SecureBoot的話(huà)千萬(wàn)不要安裝Desktop版，因為安裝好之后一定會(huì )無(wú)限循環(huán)在登陸界面無(wú)法進(jìn)入桌面。 網(wǎng)上教程說(shuō)要加驅動(dòng)黑名單什么的我直接跳過(guò)了，親測沒(méi)那個(gè)必要。就簡(jiǎn)單的幾步： 1. 下載好安裝包 注意下載runfile類(lèi)型的安裝包，deb安裝會(huì )自動(dòng)安裝默認驅動(dòng)，極有可能導致登陸循環(huán) NVIDIA 驅動(dòng)下載：https://www.geforce.cn/drivers CUDA 下載地址：https://developer.nvidia.com/cuda-downloads cuDNN 下載地址：https://developer.nvidia.com/cudnn （需要注冊NVIDIA賬號且登陸，下載deb安裝包）

2. 關(guān)閉圖形界面 Ctrl+alt+F1進(jìn)入字符界面，關(guān)閉圖形界面

sudo service lightdm stop

3. 安裝Nvidia Driver

命令中的版本自己對應下載的版本改，在上面的下載地址根據自己的顯卡型號下載最新版，切記是runfile格式的安裝包。

sudo chmod a+x NVIDIA-Linux-x86_64-384.90.run //獲取執行權限sudo ./NVIDIA-Linux-x86_64-384.90.run –no-x-check –no-nouveau-check –no-opengl-files //安裝驅動(dòng)

安裝成功以后使用以下命令驗證，如果顯示顯卡信息則表示安裝成功

nvidia-smi

4. 安裝CUDA

1）先安裝一些系統依賴(lài)庫

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

2) 執行安裝程序，按指示無(wú)腦繼續就好了，如果提示是否安裝驅動(dòng)選不安裝。

sudo sh cuda_9.0.176_384.81_linux.run

安裝完如果環(huán)境變量沒(méi)配上去，就寫(xiě)到 ~/.bashrc 文件的尾部

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后在終端執行 sudo ldconfig更新，安裝完畢就可以重啟機器重啟圖形界面了。

sudo service lightdm start

2.1.3 Windows 系統

在Windows其實(shí)簡(jiǎn)單很多，只要到官網(wǎng)下載安裝包無(wú)腦安裝就可以了，下載連接同Ubuntu，先安裝Python，顯卡驅動(dòng)，CUDA，然后下載對應的cuDNN替換到對應路徑即可。

3 使用

在訓練之前，有不少群友經(jīng)常問(wèn)我“訓練4位數英文數字需要多少樣本？”諸如此類(lèi)的問(wèn)題，我這里統一做個(gè)回復，樣本數量主要是看樣本的特征復雜度而定。

這里可以提供幾個(gè)參考依據： 是否變形？是否旋轉？是否有復雜背景干擾？是否多種字體？字符集（分類(lèi)數）多大？位數（標簽數）多少？

1. 一般簡(jiǎn)單的幾百個(gè)樣本（需要自行調整 驗證集大小 和 驗證批次大小 ）即可。

2. 稍微復雜的幾千個(gè)樣本一般都能搞定。

3. 特別復雜的幾萬(wàn)樣本起。

4. 中文這種幾千個(gè)分類(lèi)的一般十萬(wàn)起。

注：只準備一百個(gè)不到樣本的親們，千萬(wàn)不要嘗試訓練測試，因為根本跑不起來(lái)。

入手的第一步環(huán)境搭建好了，那就是準備跑代碼了，還是有幾個(gè)必要的條件，巧婦難為無(wú)米之炊，首先，既然是訓練，要先有訓練集，有一個(gè)新手嘗鮮的訓練集，是mnist手寫(xiě)識別的例子，可以在騰訊云下載：https://share.weiyun.com/5pzGF4V ，現在萬(wàn)事俱備，只欠東風(fēng)。

3.1 定義一個(gè)模型

本項目基于參數化配置，不需要改動(dòng)任何代碼，可以通過(guò)可視化界面操作訓練幾乎任何字符型圖片驗證碼。訓練框架界面可以大致劃分為幾個(gè)部分：

1. Neural Network - 神經(jīng)網(wǎng)絡(luò )區

添加描述

1. Project Configuration - 項目配置區

添加描述

1. Sample Source - 樣本源配置區

添加描述

1. Training Configuration - 訓練配置區

添加描述

1. Buttons - 功能控制區

添加描述

依此類(lèi)推的訓練配置的步驟如下：

1. 神經(jīng)網(wǎng)絡(luò )區 的配置項看起來(lái)很多，對于新手來(lái)說(shuō)，可以直接使用默認的配置：CNNX+GRU+CTC+C1組合（CNN前置網(wǎng)絡(luò )+GRU+CTC+單通道）。

2. 項目配置區 的配置項在網(wǎng)絡(luò )選好之后配置項目名，按回車(chē)或者點(diǎn)擊空白處確認。

3. 樣本源配置區 的配置項用來(lái)配置樣本源的路徑，訓練樣本是根據此路徑進(jìn)行打包成TFRecords格式，驗證樣本可以不指定，使用Validation Set Num參數隨機從訓練集總抽樣成驗證集。

4. 訓練配置區 的配置項負責定義訓練完成的條件如：結束準確率，結束COST，結束Epochs，批次大小

5. 功能控制區 的配置項，設置完上面步驟，先點(diǎn)擊Make Dataset 打包樣本，再點(diǎn)擊Start Training開(kāi)始訓練。

以下部分有基礎的讀者們可以了解一下：

如若使用CrossEntropy作為解碼器需要注意標簽數LabelNum和圖片尺寸需要滿(mǎn)足的關(guān)系，因為網(wǎng)絡(luò )為多標簽而設計（一般的多標簽采用直接連接多個(gè)分類(lèi)器），卷積層的輸出 outputs 經(jīng)過(guò)了以下變換：

Reshape([label_num, int(outputs_shape[1] / label_num)])

為了保證運算 int(outputs_shape1 / label_num) 能夠取得正整數，也意味著(zhù)他們之間存在某種關(guān)系，對于CNN5+Cross Entropy的網(wǎng)絡(luò )結構，Conv2D層的步長(cháng)皆為1，那么需要保證以下關(guān)系成立：

輸入寬度輸入高度輸出層參數池化步長(cháng)池化層數標簽數

所以有時(shí)候需要Resize網(wǎng)絡(luò )輸入的Shape

例如使用CNN5+CrossEntropy組合，則輸入寬度與輸入高度需要滿(mǎn)足：

輸入寬度輸入高度標簽數

同理如果CNN5+RNN+CTC，卷積層之后的輸出經(jīng)過(guò)以下變換：

Reshape([-1, outputs_shape[2] * outputs_shape[3]])

原輸出(batch_size, outputs_shape1, outputs_shape2, outputs_shape3)，RNN層的輸入輸出要求為(batch, timesteps, num_classes)，為了接入RNN經(jīng)過(guò)以上操作，那么又引出一個(gè)Time Step的概念，所以timesteps的值也是 outputs_shape1，而CTC Loss要求的輸入為 batch_size, frames, num_labels，若是 timesteps 小于標簽數則無(wú)法計算損失，也就無(wú)法找損失函數中找到極小值，梯度何以下降。timesteps 最合理的值一般是標簽數的2倍，為了達到目的，也可以通過(guò)Resize網(wǎng)絡(luò )輸入的Shape解決，一般情況timesteps直接關(guān)聯(lián)于圖片寬度，大多情況只要按比例放大寬度即可。

ExtractRegex 參數：

注意：如果訓練集的命名格式和我提供的新手訓練集不一樣，請根據實(shí)際情況修改ExtractRegex的正則表達式。目前只支持在yaml配置文件中直接修改，尚未提供GUI界面修改的支持。 DatasetPath 和SourcePath參數允許多個(gè)路徑，這種操作適用于需要將多種樣本訓練為一個(gè)模型，或者希望訓練一套通用泛化模型的人。 字符集Category其實(shí)大多數情況下不需要修改，一般的圖形驗證碼離不開(kāi)數字和英文，而且一般來(lái)說(shuō)是大小寫(xiě)不敏感的，不區分大小寫(xiě)，因為打碼平臺收集的訓練集質(zhì)量參差不齊，有些大寫(xiě)有些小寫(xiě)，不如全部統一為小寫(xiě)，默認ALPHANUMERIC_LOWER則會(huì )自動(dòng)將大寫(xiě)的轉為小寫(xiě)，字符集可定制化很靈活，除了配置備注上提供的幾種類(lèi)型，還可以訓練中文，自定義字符集用list表示，示例如下：

Category: ['常', '世', '寧', '慢', '南', '制', '根', '難']

如果是單標簽分類(lèi)，可以配合LabelNum=1，例如：

Category: ["航母", "雨靴", "毛線(xiàn)", "安全帽", "調色板", "海鷗", "日歷", "網(wǎng)球拍", ......]

其文件名示例：航母_1231290424123.png

如果是多標簽分類(lèi)，可以配合LabelSplit=&，例如：

Category: ["航母", "雨靴", "毛線(xiàn)", "安全帽", "調色板", "海鷗", "日歷", "網(wǎng)球拍", ......]

其文件名示例：航母&雨靴&毛線(xiàn)_1231290424123.png

可以自己根據收集訓練集的實(shí)際字符集使用率來(lái)定義，也可以無(wú)腦網(wǎng)上找3500常用字來(lái)訓練，注意：中文字符集一般比數字英文大很多，剛開(kāi)始收斂比較慢，需要更久的訓練時(shí)間，也需要更多的樣本量，請量力而行

添加描述

形如上圖的圖片能輕松訓練到95%以上的識別率。 ImageWidth、ImageHeight只要和當前圖片尺寸匹配即可，其實(shí)這里的配置主要是為了方便后面的部署智能策略。

Pretreatment參數：

該參數是用來(lái)做圖片預處理的，例如形如以下的GIF動(dòng)圖，

添加描述

可以使用ConcatFrames參數選取幀對兩幀進(jìn)行水平拼接，適用于處理滾動(dòng)型GIF，而閃爍型GIF可以使用BlendFrames參數進(jìn)行融合。

3.2 開(kāi)始訓練

1. 經(jīng)過(guò) 采集標注樣本形如 xxx_隨機數.png

添加描述

1. 打包樣本 通過(guò)GUI界面的 Make Dataset 或者 make_dataset.py 直接打包。 注意：使用源碼運行本項目的功能模塊需要具備一定的語(yǔ)言基礎，參數修改的部分和示例已預留好，盡量不修改核心類(lèi)或函數的代碼以免出現錯誤。

按照上面的介紹，配置只要修改極少數的參數對應的值，就可以開(kāi)啟正式的訓練之旅了，具體操作如下： 可以直接使用 PyCharm 的 Run，執行 trains.py，也可以在激活Virtualenv下使用終端亦或在安裝依賴(lài)的全局環(huán)境下執行，但本文建議全程使用GUI界面進(jìn)行操作，使用GUI僅需啟動(dòng) app.py 即可。

python3 trains.py

剩下的就是等了，看過(guò)程，等結果。 正常開(kāi)始訓練的模樣應該是這樣的：

訓練結束會(huì )在項目的out路徑下生成一個(gè)包含pb文件的graph目錄和包含yaml文件的model目錄，下面該到部署環(huán)節了。

3.3 部署

真的很有必要認真的介紹一下部署項目，比起訓練，這個(gè)部署項目?jì)A注了筆者更多的心血，為什么呢？ 項目地址：https://github.com/kerlomz/captcha_platform

如希望將本系統集成于自己的項目中的可以參考python-sdk的使用： https://pypi.org/project/muggle-ocr/ 該項目的核心基于 captcha_platform/sdk/pb/sdk.py 可以根據需要自行修改，抑或直接使用MuggleOCR 調用訓練框架生產(chǎn)的模型。（具體調用方法可點(diǎn)擊上面鏈接有對應的文檔介紹）

編譯版：https://github.com/kerlomz/captcha_platform/releases，使用編譯版無(wú)需安裝Python和TensorFlow環(huán)境。

真的值得了解的幾點(diǎn)

1. 同時(shí)管理多個(gè)模型，支持模型熱拔插

2. 靈活的版本控制

3. 支持批量識別

4. 服務(wù)智能路由策略

首先筆者重寫(xiě)了TensorFlow的Graph會(huì )話(huà)管理，設計會(huì )話(huà)池，允許同時(shí)管理多模型，實(shí)現多模型動(dòng)態(tài)部署方案。

1） 訓練好的 pb模型只要放在部署項目的graph路徑下，yaml模型配置文件放在model， 即可被服務(wù)發(fā)現并加載。（用SDK調用時(shí)，兩者置于同一目錄下）

2） 如果需要卸載一個(gè)正在服務(wù)的模型，只需要在model中刪除該模型的yaml配置文件，在graph中刪除對應的pb模型即可。

3） 如果需要更新一個(gè)已經(jīng)服務(wù)中的模型，只需修改新版的模型yaml配置文件的版本號高于原模型的版本號，按先放pb后放yaml的順序，服務(wù)便會(huì )自動(dòng)發(fā)現新版的模型并加載使用，舊的模型將因版本低于新版模型不會(huì )被調用，可以按照上述的卸載方法卸載已被棄用的模型釋放內存。 上面的操作中無(wú)需重啟服務(wù)，完全的無(wú)縫切換

其次，一套服務(wù)想要服務(wù)于各式各樣的圖像識別需求，可以定義一套策略，訓練時(shí)將所有尺寸一樣的圖片訓練成一個(gè)模型，服務(wù)根據圖片尺寸自動(dòng)選擇使用哪個(gè)模型，這樣的設計使定制化和通用性共存，等積累到一定多樣的訓練集時(shí)可以將所有的訓練集合到一起訓練一個(gè)通用模型，亦可以彼此獨立，每個(gè)模型的疊加僅僅增加了少量的內存或顯存，網(wǎng)上的方案大多是不同的模型單獨部署一套服務(wù)，每個(gè)進(jìn)程加載了一整套TensorFlow框架勢必是過(guò)于龐大和多余的。

用到批量識別需求的人相對少很多這里就不展開(kāi)介紹了。但是這里給出一個(gè)12306的例子：

FieldParam:  CorpParams: [    {      "start_pos": [118, 0],      "interval_size": [0, 0],      "corp_num": [1, 1],      "corp_size": [60, 30]    },    {      "start_pos": [5, 40],      "interval_size": [5, 5],      "corp_num": [4, 2],      "corp_size": [66, 66]    }  ]  OutputCoord: True

該參數可以用于大圖的裁剪組成一批小圖作為一個(gè)批次的輸入，改用法可以避免多次調用。

但是識別項目提供了多套可選的服務(wù)有：gRPC，Flask，Tornado，Sanic，其中Flask和Tornado提供了加密接口，類(lèi)似于微信公眾號開(kāi)發(fā)接口的SecretKey和AccessKey接口，感興趣的可以在demo.py中閱讀調用源碼了解。

部署的使用可以經(jīng)過(guò)package.py編譯為可執行文件，這樣可以免去更換機器環(huán)境安裝的煩惱，部署項目安裝流程同訓練項目，項目中提供的requirements.txt已經(jīng)將所需的依賴(lài)都列清楚了，強烈建議部署項目安裝cpu版TensorFlow。

本項目部署推薦使用Tornado版，功能最齊全，性能最為穩定。

Linux：

1. Tornado：

# 端口 19952python3 tornado_server.py

1. Flask

# 方案1，裸啟動(dòng)， 端口 19951python flask_server.py # 方案2，使用gunicorn，端口 5000pip install gunicorn gunicorn -c deploy.conf.py flask_server:app

1. Sanic：

# 端口 19953python3 sanic_server.py

1. gRPC:

# 端口 50054python3 grpc_server.py

1. 編譯版(基于Tornado)

# 前臺運行./captcha_platform_tornado#后臺運行nohup ./captcha_platform_tornado &

Windows： Windows平臺下都是通過(guò)python3 xxx_server.py啟動(dòng)對應的服務(wù)，注意，Tornado、Flask、Sanic的性能在Windows平臺都大打折扣，gRPC是Google開(kāi)源的RPC服務(wù)，有較為優(yōu)越的性能。 編譯版直接運行編譯后的exe可執行文件即可。

3.4 調用/測試

1. Tornado服務(wù)：

具體參數：

請求為JSON格式，形如：{"image": "base64編碼后的圖像二進(jìn)制流"}

返回結果：

該返回為JSON格式，形如：{"message": "xxxx", "code": 0, "success": true}

2. Flask服務(wù)：

請求參數和返回格式同上

3. Sanic服務(wù)：

請求參數和返回格式同上

4. gRPC服務(wù)： 需要安裝依賴(lài)，grpcio、grpcio_tools和對應的grpc.proto文件，可以直接從項目中的示例代碼demo.py中提取。

python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. ./grpc.proto

grpcio、grpcio_tools 是根據 grpc.proto 使用上述命令生成的。

class GoogleRPC(object):    def __init__(self, host: str):        self._url = '{}:50054'.format(host)        self.true_count = 0        self.total_count = 0    def request(self, image, model_type=None, model_site=None):        import grpc        import grpc_pb2        import grpc_pb2_grpc        channel = grpc.insecure_channel(self._url)        stub = grpc_pb2_grpc.PredictStub(channel)        response = stub.predict(grpc_pb2.PredictRequest(            image=image, split_char=',', model_type=model_type, model_site=model_site        ))        return {"message": response.result, "code": response.code, "success": response.success}if __name__ == '__main__':    result = GoogleRPC().request("base64編碼后的圖片二進(jìn)制流")    print(result)

3.5 奇技淫巧

該項目還可以直接用于識別帶顏色的驗證碼，部署項目middleware/impl/color_extractor.py基于k-means實(shí)現了顏色分離模塊，可用于處理如下形式的驗證碼：

添加描述

還有一種方案是同時(shí)預測驗證碼和每個(gè)字符對應的顏色，不過(guò)這需要修改現有的神經(jīng)網(wǎng)絡(luò )進(jìn)行支持，在最后一層修改為雙輸出，一個(gè)輸出顏色，一個(gè)輸出對應字符，這對于樣本標注的要求較高，也提高的成本，所以如果能用無(wú)限生成樣本，那問(wèn)題就迎刃而解了，比如上圖，筆者就寫(xiě)了樣本生成代碼，感興趣的可以移步： https://www.jianshu.com/p/da1b972e24f2 其實(shí)還有很多很多技巧，例如，用生成的樣本代替訓練集，其實(shí)網(wǎng)上的圖片驗證碼大多是采用開(kāi)源的，稍作修改而已，大多數情況都能被近似生成出來(lái)，上述展示的驗證碼圖片不代表任何實(shí)際的網(wǎng)站，如有雷同，純屬巧合，該項目只能用于學(xué)習和交流用途，不得用于非法用途。

后記

如果文章描述不夠詳盡或需要技術(shù)支持的，可以加群 857149419 咨詢(xún)，或在開(kāi)源項目中提issue，很榮幸能為開(kāi)源社區貢獻綿薄之力。