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