编写一个识别验证码的深度学习代码示例

好的，以下是一个基于卷积神经网络（CNN）的验证码识别示例代码：

import tensorflow as tf
from tensorflow.keras import layers, models

# 定义 CNN 模型
model = models.Sequential()

# 第一层卷积层
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))

# 第二层卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

# 第三层卷积层
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 将卷积层的输出展开成一维向量
model.add(layers.Flatten())

# 添加全连接层
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

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

# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 数据预处理
x_train = x_train.reshape((60000, 28, 28, 1)) / 255.0
x_test = x_test.reshape((10000, 28, 28, 1)) / 255.0

y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=64, validation_data=(x_test, y_test))

# 保存模型
model.save('captcha_model.h5')

这个示例使用了 TensorFlow 和 Keras 框架，使用 MNIST 数据集进行训练。在实际应用中，你需要将代码中的数据集替换成你自己的验证码数据集。此外，你还需要根据验证码的特点和需求来调整模型的参数和结构。