deeplearning4j——卷积神经网络对验证码进行识别

一、前言  

  计算机视觉长久以来没有大的突破，卷积神经网络的出现，给这一领域带来了突破，本篇博客，将通过具体的实例来看看卷积神经网络在图像识别上的应用。

    导读

    1、问题描述

    2、解决问题的思路

    3、用DL4J进行实现

二、问题

    有如下一组验证码的图片，图片大小为60*160，验证码由5个数字组成，数字的范围为0到9，并且每个验证码图片上都加上了干扰背景，图片的文件名，表示验证码上的数字，样本图片如下：

    穷举每张图片的可能性几乎不可能，所以传统的程序思路不可能解这个问题，那么必须让计算机通过自我学习，获取识别验证码的能力。先让计算机看大量的验证码的图片，并告诉计算机这些图片的结果，让计算机自我学习，慢慢地计算机就学会了识别验证码。

三、解决思路

    1、特征

    每个数字的形状各异，各自特征明显，这里的特征实际上指的是线条的走向、弯曲程度等等形状上的不同表征，那么对于侦测图形上的形状，卷积神经网络加上Relu和Max采样，可以很精确的做到这一点，本质原因在于，把卷积核拉直了看，本质上所做的事情就算向量的点积运算，求一个向量在另一个向量上的投影。对于卷积神经网络的原理可以看看《有趣的卷积神经网络》

    2、网络结构设计

    对于每张图片而言，有5个数字作为输出结果，那么得设计一个有5个output的深度神经网络，首先用多个卷积核+Max采样层的结构来抽取明显特征，最后获得的特征经过两个全连接层逼近，这里加全连接层有两个目的，第一：经过sigmoid函数把值压缩到0到1之间，便于softmax计算，第二，加上全连接层可以更加抽象特征，让函数的逼近更加容易。最终的网络结构如下：

    3、张量表示

    对于Label的表示用one-hot来表示，这样可以很好的配合softmax，下图展示了从0到9的数字表示，沿着行的方向，由上而下，分别表示0到9

    

    对于图片上的像素点，值域在0到255之间，图片如果是彩色，那么实际上会有三个通道，这里都是黑白色，所以，只有一个通道，取图片上真实像素点的值，除以255进行归一化即可。

四、代码实现

    1、网络结构

public static ComputationGraph createModel() { ComputationGraphConfiguration config = new NeuralNetConfiguration.Builder() .seed(seed) .gradientNormalization(GradientNormalization.RenormalizeL2PerLayer) .l2(1e-3) .updater(new Adam(1e-3)) .weightInit( WeightInit.XAVIER_UNIFORM) .graphBuilder() .addInputs("trainFeatures") .setInputTypes(InputType.convolutional(60, 160, 1)) .setOutputs("out1", "out2", "out3", "out4", "out5", "out6") .addLayer("cnn1", new ConvolutionLayer.Builder(new int[]{5, 5}, new int[]{1, 1}, new int[]{0, 0}) .nIn(1).nOut(48).activation( Activation.RELU).build(), "trainFeatures") .addLayer("maxpool1", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,2}, new int[]{2, 2}, new int[]{0, 0}) .build(), "cnn1") .addLayer("cnn2", new ConvolutionLayer.Builder(new int[]{5, 5}, new int[]{1, 1}, new int[]{0, 0}) .nOut(64).activation( Activation.RELU).build(), "maxpool1") .addLayer("maxpool2", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,1}, new int[]{2, 1}, new int[]{0, 0}) .build(), "cnn2") .addLayer("cnn3", new ConvolutionLayer.Builder(new int[]{3, 3}, new int[]{1, 1}, new int[]{0, 0}) .nOut(128).activation( Activation.RELU).build(), "maxpool2") .addLayer("maxpool3", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,2}, new int[]{2, 2}, new int[]{0, 0}) .build(), "cnn3") .addLayer("cnn4", new ConvolutionLayer.Builder(new int[]{4, 4}, new int[]{1, 1}, new int[]{0, 0}) .nOut(256).activation( Activation.RELU).build(), "maxpool3") .addLayer("maxpool4", new SubsamplingLayer.Builder(PoolingType.MAX, new int[]{2,2}, new int[]{2, 2}, new int[]{0, 0}) .build(), "cnn4") .addLayer("ffn0", new DenseLayer.Builder().nOut(3072) .build(), "maxpool4") .addLayer("ffn1", new DenseLayer.Builder().nOut(3072) .build(), "ffn0") .addLayer("out1", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .nOut(10).activation(Activation.SOFTMAX).build(), "ffn1") .addLayer("out2", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .nOut(10).activation(Activation.SOFTMAX).build(), "ffn1") .addLayer("out3", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .nOut(10).activation(Activation.SOFTMAX).build(), "ffn1") .addLayer("out4", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .nOut(10).activation(Activation.SOFTMAX).build(), "ffn1") .addLayer("out5", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .nOut(10).activation(Activation.SOFTMAX).build(), "ffn1") .addLayer("out6", new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD) .nOut(10).activation(Activation.SOFTMAX).build(), "ffn1") .pretrain(false).backprop(true) .build(); ComputationGraph model = new ComputationGraph(config); model.init(); return model; }

    2、训练集构建

 public MultiDataSet convertDataSet(int num) throws Exception { int batchNumCount = 0; INDArray[] featuresMask = null; INDArray[] labelMask = null; List<MultiDataSet> multiDataSets = new ArrayList<>(); while (batchNumCount != num && fileIterator.hasNext()) { File image = fileIterator.next(); String imageName = image.getName().substring(0,image.getName().lastIndexOf('.')); String[] imageNames = imageName.split(""); INDArray feature = asMatrix(image); INDArray[] features = new INDArray[]{feature}; INDArray[] labels = new INDArray[6]; Nd4j.getAffinityManager().ensureLocation(feature, AffinityManager.Location.DEVICE); if (imageName.length() < 6) { imageName = imageName + "0"; imageNames = imageName.split(""); } for (int i = 0; i < imageNames.length; i ++) { int digit = Integer.parseInt(imageNames[i]); labels[i] = Nd4j.zeros(1, 10).putScalar(new int[]{0, digit}, 1); } feature = feature.muli(1.0/255.0); multiDataSets.add(new MultiDataSet(features, labels, featuresMask, labelMask)); batchNumCount ++; } MultiDataSet result = MultiDataSet.merge(multiDataSets); return result; }

五、后记

    用deeplearning4j构建一个深度神经网络，几乎没有多余的代码，非常优雅就可以解一个复杂的图像识别问题，对于上述代码有几点说明：

    1、对于DenseLayer层，这里没有设置网络输入的size，实际上在dl4j内部已经做了这个set操作

    2、对于梯度更新优化，这里选用Adam，Adam融合了动量和自适应learningRate两方面的因素，通常会有更好的效果

    3、损失函数用的类Log函数，和交叉熵有相同的效果

    4、模型训练好可以使用 ModelSerializer.writeModel(model, modelPath, true)来保存网络结构，就可以用于图像识别了

    完整的代码，可以查看deeplearning4j的example

 

---------------------------------------------------------------------------------------------------------

快乐源于分享。

   此博客乃作者原创， 转载请注明出处