tensorflow2 CNN模型验证码识别

验证码识别是一个常见的图像识别问题，卷积神经网络（CNN）是其中一种常用的解决方案。下面是一个使用 TensorFlow 2 实现的简单 CNN 模型来识别验证码的例子：

首先，导入必要的库：

import os
import numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

接着，定义一些超参数：

IMG_WIDTH = 60
IMG_HEIGHT = 20
BATCH_SIZE = 32
EPOCHS = 10
NUM_CLASSES = 4

其中，`IMG_WIDTH` 和 `IMG_HEIGHT` 分别代表输入图像的宽度和高度，`BATCH_SIZE` 是每次训练时使用的样本数量，`EPOCHS` 是训练迭代次数，`NUM_CLASSES` 是验证码字符集的大小。

然后，准备数据集。假设我们有一个包含 1000 张验证码图片的数据集，每张图片都是 60x20 的灰度图像，保存在 `data` 文件夹下，文件名为 `captcha_{i}.png`（`i` 从 1 到 1000）。我们需要将数据集分成训练集和测试集，并使用 `ImageDataGenerator` 类来对图像进行预处理：

train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    validation_split=0.2)

train_generator = train_datagen.flow_from_directory(
    'data',
    target_size=(IMG_HEIGHT, IMG_WIDTH),
    batch_size=BATCH_SIZE,
    color_mode='grayscale',
    class_mode='categorical',
    subset='training')

test_generator = train_datagen.flow_from_directory(
    'data',
    target_size=(IMG_HEIGHT, IMG_WIDTH),
    batch_size=BATCH_SIZE,
    color_mode='grayscale',
    class_mode='categorical',
    subset='validation')

其中，`train_datagen` 定义了一系列图像增强操作，包括缩放、剪切、旋转、平移等。`train_generator` 和 `test_generator` 分别是训练集和测试集的生成器。

接下来，构建 CNN 模型：

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH, 1)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dropout(0.5),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(NUM_CLASSES, activation='softmax')
])

该模型包含 3 个卷积层、3 个池化层和 2 个全连接层，其中每个卷积层后面都跟着一个最大池化层。最后一层是一个大小为 `NUM_CLASSES` 的 softmax 层，用于分类。

最后，编译模型并开始训练：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.fit(train_generator, epochs=EPOCHS, validation_data=test_generator)

训练完成后，我们可以使用模型来预测新的验证码图片：

def predict_captcha(filename):
    img = tf.keras.preprocessing.image.load_img(filename, color_mode='grayscale', target_size=(IMG_HEIGHT, IMG_WIDTH))
    img = tf.keras.preprocessing.image.img_to_array(img)
    img = np.expand_dims(img, axis=0)
    img /= 255.

    prediction = model.predict(img)
    prediction = np.argmax(prediction, axis=1)

    return prediction[0]

该函数接受一个验证码图片的文件名，返回模型预测出的验证码字符的标签。

以上就是使用 TensorFlow 2 实现验证码识别的一个简单例子。