tensorflow LSTM+CTC实现端到端的不定长数字串识别
2018-01-24 16:57
573 查看
转载地址:
https://www.jianshu.com/p/45828b18f133
上一篇文章tensorflow 实现端到端的OCR:二代身份证号识别实现了定长18位数字串的识别,并最终达到了98%的准确率。但是实际应用场景中,常常需要面对无法确定字串长度的情况,这时候除了需要对识别字符模型参数进行训练外,还需要对字符划分模型进行训练,本文实现了上文提到的方法2,使用LSTM+CTC识别不定长的数字串。
CTC :Connectionist Temporal Classifier 一般译为联结主义时间分类器 ,适合于输入特征和输出标签之间对齐关系不确定的时间序列问题,CTC可以自动端到端地同时优化模型参数和对齐切分的边界。比如本文例子,32 x 256大小的图片,最大可切分256列,也就是输入特征最大256,而输出标签的长度最大设定是18,这种就可以用CTC模型进行优化。关于CTC模型,笔者认为可以这样理解,假设32 x 256的图片,数字串标签是"123",把图片按列切分(CTC会优化切分模型),然后分出来的每块再去识别数字,找出这块是每个数字或者特殊字符的概率(无法识别的则标记为特殊字符"-"),这样就得到了基于输入特征序列(图片)的每一个相互独立建模单元个体(划分出来的块)(包括“-”节点在内)的类属概率分布。基于概率分布,算出标签序列是"123"的概率P(123),当然这里设定"123"的概率为所有子序列之和,这里子序列包括'-'和'1'、'2'、'3'的连续重复,如下图所示:
所有子序列概率和
本文采用TF框架的CTC封装实现,tf.nn.ctc_loss,我们最后的目标是最小化ctc_loss官方定义如下:
inputs: 输入(训练)数据,是一个三维float型的数据结构[max_time_step , batch_size , num_classes],当修改time_major = False时,[batch_size,max_time_step,num_classes]。
总体的数据流:
image_batch
->[batch_size,max_time_step,num_features]->lstm
->[batch_size,max_time_step,cell.output_size]->reshape
->[batch_sizemax_time_step,num_hidden]->affine projection AW+b
->[batch_size*max_time_step,num_classes]->reshape
->[batch_size,max_time_step,num_classes]->transpose
->[max_time_step,batch_size,num_classes]
本文输入图片大小是(32,256),则num_features是32,max_time_step是256 代表最大划分序列,其中cell.output_size == num_hidden,num_hidden及num_classes的值见下文常量定义
labels:OCR识别结果的标签,是一个稀疏矩阵,下文训练数据生成部分会有相关解释
sequence_length: 一维数据,[max_time_step,…,max_time_step]长度为batch_size,值为max_time_step
因此我们需要做的就是将图片的标签label(需要OCR出的结果),图片数据,以及图片的长度转换为labels,inputs,和sequence_length
这里我们来了解一下什么是稀疏矩阵,下面是百度百科的定义
对于那些零元素数目远远多于非零元素数目,并且非零元素的分布没有规律的矩阵称为稀疏矩阵(sparse)
其实很容易理解这里为什么OCR识别训练的标签labels是一个稀疏矩阵,假设我们生成的batch_size 是64的样本,每个样本是长度为1~18的数字串,则生成一个(64,18)的矩阵,矩阵有数字的是非零元素,无数字的是零元素,且因为这个标签是不定长的,所以非零元素的分布没有规律,标签在存储数字串的同时还要存储位置信息。
我们来看一下tensorflow中,如何把targets转成一个稀疏矩阵的
indices:二维int64的矩阵,代表非0的坐标点
values:二维tensor,代表indice位置的数据值
dense_shape:一维,代表稀疏矩阵的大小
仍然拿刚才的两个串"12"和"1"做例子,转成的稀疏矩阵应该是
indecs = [[0,0],[0,1],[1,0]]
values = [1,2,1]
dense_shape = [2,2] (两个数字串,最大长度为2)
代表dense tensor:
有了序列列表转稀疏矩阵的方法,反过来,当然也需要稀疏矩阵转序列列表的方法:
训练模型
训练第80次后测试结果
训练到第100个epoch的时候,64个测试样本的准确率达到100%了,后续基本上准确率都是100%了
测试准确率达到100%
训练产生的图片数据属于比较理想,无噪音的环境下,所以才会在100个epoch的时候准确率就达到100%了,实际应用中图片可能会有些线段或者离散点的噪音,读者可以自行在生成训练集中增加一些噪音,测试模型训练效果
本文生成的串的所属类别仅是0~9的10个类别,如果后续加上26*2个大小写英文字母,或者加上3500+常用中文汉字去组成串,随着所属类别的不断扩大,模型还能不能很好的识别?模型收敛的速度如何?
在编写本文示例代码的过程中,较多的参考了别人的代码和模型,很多东西深层的原理基本没去了解。先做下记录,后续再研究那些数学模型和推导公式之类的。
作者:某杰
链接:https://www.jianshu.com/p/45828b18f133
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
https://www.jianshu.com/p/45828b18f133
上一篇文章tensorflow 实现端到端的OCR:二代身份证号识别实现了定长18位数字串的识别,并最终达到了98%的准确率。但是实际应用场景中,常常需要面对无法确定字串长度的情况,这时候除了需要对识别字符模型参数进行训练外,还需要对字符划分模型进行训练,本文实现了上文提到的方法2,使用LSTM+CTC识别不定长的数字串。
环境依赖
环境依赖与上一篇基本一致知识准备
LSTM(长短时记忆网络):是一种特殊结构的RNN,能够解决普通RNN不能解决的长期依赖问题。具体介绍可参看这篇译文[译] 理解 LSTM 网络CTC :Connectionist Temporal Classifier 一般译为联结主义时间分类器 ,适合于输入特征和输出标签之间对齐关系不确定的时间序列问题,CTC可以自动端到端地同时优化模型参数和对齐切分的边界。比如本文例子,32 x 256大小的图片,最大可切分256列,也就是输入特征最大256,而输出标签的长度最大设定是18,这种就可以用CTC模型进行优化。关于CTC模型,笔者认为可以这样理解,假设32 x 256的图片,数字串标签是"123",把图片按列切分(CTC会优化切分模型),然后分出来的每块再去识别数字,找出这块是每个数字或者特殊字符的概率(无法识别的则标记为特殊字符"-"),这样就得到了基于输入特征序列(图片)的每一个相互独立建模单元个体(划分出来的块)(包括“-”节点在内)的类属概率分布。基于概率分布,算出标签序列是"123"的概率P(123),当然这里设定"123"的概率为所有子序列之和,这里子序列包括'-'和'1'、'2'、'3'的连续重复,如下图所示:
所有子序列概率和
本文采用TF框架的CTC封装实现,tf.nn.ctc_loss,我们最后的目标是最小化ctc_loss官方定义如下:
ctc_loss( labels, inputs, sequence_length, preprocess_collapse_repeated=False, ctc_merge_repeated=True, time_major=True )
inputs: 输入(训练)数据,是一个三维float型的数据结构[max_time_step , batch_size , num_classes],当修改time_major = False时,[batch_size,max_time_step,num_classes]。
总体的数据流:
image_batch
->[batch_size,max_time_step,num_features]->lstm
->[batch_size,max_time_step,cell.output_size]->reshape
->[batch_sizemax_time_step,num_hidden]->affine projection AW+b
->[batch_size*max_time_step,num_classes]->reshape
->[batch_size,max_time_step,num_classes]->transpose
->[max_time_step,batch_size,num_classes]
本文输入图片大小是(32,256),则num_features是32,max_time_step是256 代表最大划分序列,其中cell.output_size == num_hidden,num_hidden及num_classes的值见下文常量定义
labels:OCR识别结果的标签,是一个稀疏矩阵,下文训练数据生成部分会有相关解释
sequence_length: 一维数据,[max_time_step,…,max_time_step]长度为batch_size,值为max_time_step
因此我们需要做的就是将图片的标签label(需要OCR出的结果),图片数据,以及图片的长度转换为labels,inputs,和sequence_length
正文
定义一些常量
#定义一些常量 #图片大小,32 x 256 OUTPUT_SHAPE = (32,256) #训练最大轮次 num_epochs = 10000 #LSTM num_hidden = 64 num_layers = 1 obj = gen_id_card() num_classes = obj.len + 1 + 1 # 10位数字 + blank + ctc blank #初始化学习速率 INITIAL_LEARNING_RATE = 1e-3 DECAY_STEPS = 5000 REPORT_STEPS = 100 LEARNING_RATE_DECAY_FACTOR = 0.9 # The learning rate decay factor MOMENTUM = 0.9 DIGITS='0123456789' BATCHES = 10 BATCH_SIZE = 64 TRAIN_SIZE = BATCHES * BATCH_SIZE
训练数据集生成
训练数据集的生成基本与上文一致,唯一变化就是增加生成随机长度串的选项,对应方法如下:def gen_text(self, is_ran=False): text = '' vecs = np.zeros((self.max_size * self.len)) //唯一变化,随机设定长度 if is_ran == True: size = random.randint(1, self.max_size) else: size = self.max_size for i in range(size): c = random.choice(self.char_set) vec = self.char2vec(c) text = text + c vecs[i*self.len:(i+1)*self.len] = np.copy(vec) return text,vecs
# 生成一个训练batch def get_next_batch(batch_size=128): obj = gen_id_card() #(batch_size,256,32) inputs = np.zeros([batch_size, OUTPUT_SHAPE[1],OUTPUT_SHAPE[0]]) codes = [] for i in range(batch_size): #生成不定长度的字串 image, text, vec = obj.gen_image(True) #np.transpose 矩阵转置 (32*256,) => (32,256) => (256,32) inputs[i,:] = np.transpose(image.reshape((OUTPUT_SHAPE[0],OUTPUT_SHAPE[1]))) #标签转成列表保存在codes codes.append(list(text)) #比如batch_size=2,两条数据分别是"12"和"1",则targets [['1','2'],['1']] targets = [np.asarray(i) for i in codes] #targets转成稀疏矩阵 sparse_targets = sparse_tuple_from(targets) #(batch_size,) sequence_length值都是256,最大划分列数 seq_len = np.ones(inputs.shape[0]) * OUTPUT_SHAPE[1] return inputs, sparse_targets, seq_len
这里我们来了解一下什么是稀疏矩阵,下面是百度百科的定义
对于那些零元素数目远远多于非零元素数目,并且非零元素的分布没有规律的矩阵称为稀疏矩阵(sparse)
其实很容易理解这里为什么OCR识别训练的标签labels是一个稀疏矩阵,假设我们生成的batch_size 是64的样本,每个样本是长度为1~18的数字串,则生成一个(64,18)的矩阵,矩阵有数字的是非零元素,无数字的是零元素,且因为这个标签是不定长的,所以非零元素的分布没有规律,标签在存储数字串的同时还要存储位置信息。
我们来看一下tensorflow中,如何把targets转成一个稀疏矩阵的
#转化一个序列列表为稀疏矩阵 def sparse_tuple_from(sequences, dtype=np.int32): """ Create a sparse representention of x. Args: sequences: a list of lists of type dtype where each element is a sequence Returns: A tuple with (indices, values, shape) """ indices = [] values = [] for n, seq in enumerate(sequences): indices.extend(zip( * len(seq), xrange(len(seq)))) values.extend(seq) indices = np.asarray(indices, dtype=np.int64) values = np.asarray(values, dtype=dtype) shape = np.asarray([len(sequences), np.asarray(indices).max(0)[1] + 1], dtype=np.int64) return indices, values, shape
indices:二维int64的矩阵,代表非0的坐标点
values:二维tensor,代表indice位置的数据值
dense_shape:一维,代表稀疏矩阵的大小
仍然拿刚才的两个串"12"和"1"做例子,转成的稀疏矩阵应该是
indecs = [[0,0],[0,1],[1,0]]
values = [1,2,1]
dense_shape = [2,2] (两个数字串,最大长度为2)
代表dense tensor:
[[1,2],[1,0]]
有了序列列表转稀疏矩阵的方法,反过来,当然也需要稀疏矩阵转序列列表的方法:
def decode_sparse_tensor(sparse_tensor): decoded_indexes = list() current_i = 0 current_seq = [] for offset, i_and_index in enumerate(sparse_tensor[0]): i = i_and_index[0] if i != current_i: decoded_indexes.append(current_seq) current_i = i current_seq = list() current_seq.append(offset) decoded_indexes.append(current_seq) result = [] for index in decoded_indexes: result.append(decode_a_seq(index, sparse_tensor)) return result def decode_a_seq(indexes, spars_tensor): decoded = [] for m in indexes: str = DIGITS[spars_tensor[1][m]] decoded.append(str) return decoded
构建网络,开始训练
数据准备工作完成,则开始构建LSTM+CTC的训练模型,其中TF实现LSTM的方法就不做过多解释,请读者自行百度。def get_train_model(): inputs = tf.placeholder(tf.float32, [None, None, OUTPUT_SHAPE[0]]) #定义ctc_loss需要的稀疏矩阵 targets = tf.sparse_placeholder(tf.int32) #1维向量 序列长度 [batch_size,] seq_len = tf.placeholder(tf.int32, [None]) #定义LSTM网络 cell = tf.contrib.rnn.LSTMCell(num_hidden, state_is_tuple=True) stack = tf.contrib.rnn.MultiRNNCell([cell] * num_layers, state_is_tuple=True) outputs, _ = tf.nn.dynamic_rnn(cell, inputs, seq_len, dtype=tf.float32) shape = tf.shape(inputs) #[batch_size,256] batch_s, max_timesteps = shape[0], shape[1] #[batch_size*max_time_step,num_hidden] outputs = tf.reshape(outputs, [-1, num_hidden]) W = tf.Variable(tf.truncated_normal([num_hidden, num_classes], stddev=0.1), name="W") b = tf.Variable(tf.constant(0., shape=[num_classes]), name="b") #[batch_size*max_timesteps,num_classes] logits = tf.matmul(outputs, W) + b #[batch_size,max_timesteps,num_classes] logits = tf.reshape(logits, [batch_s, -1, num_classes]) #转置矩阵,第0和第1列互换位置=>[max_timesteps,batch_size,num_classes] logits = tf.transpose(logits, (1, 0, 2)) return logits, inputs, targets, seq_len, W, b
训练模型
def train(): global_step = tf.Variable(0, trainable=False) learning_rate = tf.train.exponential_decay(INITIAL_LEARNING_RATE, global_step, DECAY_STEPS, LEARNING_RATE_DECAY_FACTOR, staircase=True) logits, inputs, targets, seq_len, W, b = get_train_model() #tragets是一个稀疏矩阵 loss = tf.nn.ctc_loss(labels=targets,inputs=logits, sequence_length=seq_len) cost = tf.reduce_mean(loss) #optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=MOMENTUM).minimize(cost, global_step=global_step) optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss,global_step=global_step) #前面说的划分块之后找每块的类属概率分布,ctc_beam_search_decoder方法,是每次找最大的K个概率分布 #还有一种贪心策略是只找概率最大那个,也就是K=1的情况ctc_ greedy_decoder decoded, log_prob = tf.nn.ctc_beam_search_decoder(logits, seq_len, merge_repeated=False) acc = tf.reduce_mean(tf.edit_distance(tf.cast(decoded[0], tf.int32), targets)) init = tf.global_variables_initializer() def report_accuracy(decoded_list, test_targets): original_list = decode_sparse_tensor(test_targets) detected_list = decode_sparse_tensor(decoded_list) true_numer = 0 if len(original_list) != len(detected_list): print("len(original_list)", len(original_list), "len(detected_list)", len(detected_list), " test and detect length desn't match") return print("T/F: original(length) <-------> detectcted(length)") for idx, number in enumerate(original_list): detect_number = detected_list[idx] hit = (number == detect_number) print(hit, number, "(", len(number), ") <-------> ", detect_number, "(", len(detect_number), ")") if hit: true_numer = true_numer + 1 print("Test Accuracy:", true_numer * 1.0 / len(original_list)) def do_report(): test_inputs,test_targets,test_seq_len = get_next_batch(BATCH_SIZE) test_feed = {inputs: test_inputs, targets: test_targets, seq_len: test_seq_len} dd, log_probs, accuracy = session.run([decoded[0], log_prob, acc], test_feed) report_accuracy(dd, test_targets) def do_batch(): train_inputs, train_targets, train_seq_len = get_next_batch(BATCH_SIZE) feed = {inputs: train_inputs, targets: train_targets, seq_len: train_seq_len} b_loss,b_targets, b_logits, b_seq_len,b_cost, steps, _ = session.run([loss, targets, logits, seq_len, cost, global_step, optimizer], feed) print b_cost, steps if steps > 0 and steps % REPORT_STEPS == 0: do_report() save_path = saver.save(session, "ocr.model", global_step=steps) return b_cost, steps with tf.Session() as session: session.run(init) saver = tf.train.Saver(tf.global_variables(), max_to_keep=100) for curr_epoch in xrange(num_epochs): print("Epoch.......", curr_epoch) train_cost = train_ler = 0 for batch in xrange(BATCHES): start = time.time() c, steps = do_batch() train_cost += c * BATCH_SIZE seconds = time.time() - start print("Step:", steps, ", batch seconds:", seconds) train_cost /= TRAIN_SIZE train_inputs, train_targets, train_seq_len = get_next_batch(BATCH_SIZE) val_feed = {inputs: train_inputs, targets: train_targets, seq_len: train_seq_len} val_cost, val_ler, lr, steps = session.run([cost, acc, learning_rate, global_step], feed_dict=val_feed) log = "Epoch {}/{}, steps = {}, train_cost = {:.3f}, train_ler = {:.3f}, val_cost = {:.3f}, val_ler = {:.3f}, time = {:.3f}s, learning_rate = {}" print(log.format(curr_epoch + 1, num_epochs, steps, train_cost, train_ler, val_cost, val_ler, time.time() - start, lr))
训练结果
训练到第80个epoch的时候,64个测试样本的准确率达到64%训练第80次后测试结果
训练到第100个epoch的时候,64个测试样本的准确率达到100%了,后续基本上准确率都是100%了
测试准确率达到100%
后记
最后完整的代码托管在我的Github下训练产生的图片数据属于比较理想,无噪音的环境下,所以才会在100个epoch的时候准确率就达到100%了,实际应用中图片可能会有些线段或者离散点的噪音,读者可以自行在生成训练集中增加一些噪音,测试模型训练效果
本文生成的串的所属类别仅是0~9的10个类别,如果后续加上26*2个大小写英文字母,或者加上3500+常用中文汉字去组成串,随着所属类别的不断扩大,模型还能不能很好的识别?模型收敛的速度如何?
在编写本文示例代码的过程中,较多的参考了别人的代码和模型,很多东西深层的原理基本没去了解。先做下记录,后续再研究那些数学模型和推导公式之类的。
作者:某杰
链接:https://www.jianshu.com/p/45828b18f133
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
相关文章推荐
- tensorflow LSTM + CTC实现端到端OCR
- Android+TensorFlow+CNN+MNIST实现手写数字识别
- Android+TensorFlow+CNN+MNIST 手写数字识别实现
- Android+TensorFlow+CNN+MNIST 手写数字识别实现
- python tensorflow 使用minist数据集实现手写数字识别
- 对于谷歌开源的TensorFlow Object Detection API视频物体识别系统实现教程
- TensorFlow在MNIST中的应用 识别手写数字(OpenCV+TensorFlow+CNN)
- Tensorflow lstm实现的小说撰写预测
- 使用tensorflow objet_detection API 实现遥感影像飞机模型识别全过程
- TensorFlow CNN 以库函数的方式实现MNIST手写识别
- “Tensorflow+OpenCV“容器进行CNN数字识别训练
- 对于谷歌开源的TensorFlow Object Detection API视频物体识别系统实现教程
- tensorflow LSTM实现sin(x)预测
- ROS机器人Diego 1#整合Tensorflow MNIST,玩数字识别
- [置顶] 【tensorflow CNN】构建cnn网络,识别mnist手写数字识别
- tensorflow API学习——LSTM实现
- [052]TensorFlow Layers指南:基于CNN的手写数字识别
- TensorFlow MNIST 手写数字识别之过拟合
- (更新视频教程)Tensorflow object detection API 搭建属于自己的物体识别模型(2)——训练并使用自己的模型
- TensorFlow实现Softmax Regression识别手写数字中"TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应,连接尝试失败”问题