本项目使用神经网络方法，基于两个开源验证码框架：EasyCaptcha和Kaptcha，设计了两个神经网络模型，并随机生成一批验证码图片供模型训练及验证。经过实验发现，EasyCaptcha验证码相对简单，较容易识别，并且噪音较少，因此只需简单的模型即可达到高精度识别。而Kaptcha相对复杂，含有噪音，并且验证码可变形式较多，识别较困难。
本项目两个模型在EasyCaptcha验证码上达到了$98\sim 99% $的精度水平，而在Kaptcha上达到了$93\sim 94%$的水平，基本可实现较为准确的识别。
该项目提供了模型训练所用的训练集，均采用开源框架自动生成。此外还提供可直接嵌入使用的预训练模型。
若您的公式无法正常显示，请您移步：https://chrome.google.com/webstore/detail/mathjax-plugin-for-github/ioemnmodlmafdkllaclgeombjnmnbima，使用Chrome安装公式渲染扩展。
- Python 3.6
- click 7.1.1
- PyTorch 1.4.0
- torchvision 0.1.6.dev0
- tqdm 4.45.0
- Scikit-learn 0.22.2.post1
- Pillow 7.1.1
- matploblib 3.2.1
详细使用方法，请见下节开始使用。
若要生成训练验证码图片，请使用captcha-images-1.0.jar，其使用方式如下：
usage: java -jar [jarfile].jar
-c <text_color> The text color of the captcha, if not specified,
use randomly, should be <R>,<G>,<B>
-e <noise_same_text> If the noise color is the same with the text
color, should be true or false, default false.
-h Show help
-k <kinds> The kinds of captchas, integer, default 1
-l <length> The length of characters in the captchas, integer,
default 4
-m <mode> The mode of captcha, could be [easycaptcha] or
[kaptcha]
-n <noise_color> The noise color of the captcha, if not specified,
use randomly, should be <R>,<G>,<B>
-o <output_dir> The output directory of captchas, string
-p <pool_size> Thread pool size, integer, default 20
-s <size> The size of the capthcas, should be:
<width>,<height>
-t <count> The count to produce, integer, default 5,000
-v <height> The height of the capthcas, integer, default 80
-w <width> The width of the capthcas, integer, default 120
任务启动后，将并发创建一批验证码图片，并存入指定的目录中。
如果在notebook中使用，请在train.py与eval.py中切换如下包
# from tqdm import tqdm
from tqdm.notebook import tqdm
tqdm在shell中展示进度条，而tqdm.notebook则在notebook环境中，展示进度条，其显示风格更加符合HTML规范
若需要从头开始，或根据已有的快照继续训练模型，请使用train.py文件，使用方法如下：
Usage: train.py [OPTIONS]
Options:
-h, --help Show this message
and exit.
-i, --data_dir PATH The path of train
data
-m, --mode [captcha|kaptcha] The model type to
train, could be
captcha or kaptcha
-e, --epoch INTEGER The number of
epoch model
trained
-p, --data_split INTEGER... The split of train
data to split
-c, --continue_train TEXT If continue after
last checkpoint or
a specified one
-t, --checkpoint INTEGER The initial
checkpoint to
start, if set, it
will load model-[c
heckpoint].pkl
-b, --batch_size INTEGER The batch size of
input data
-o, --model_dir PATH The model dir to
save models or
load models
-r, --lr FLOAT The learning rate
to train
-l, --log_dir PATH The log files path
-u, --use_gpu BOOLEAN Train by gpu or
cpu
-s, --save_frequency INTEGER The frequence to
save the models
during training若需要对已有模型进行评估，请使用eval.py文件，其使用方式如下：
Usage: eval.py [OPTIONS]
Options:
-h, --help Show this message and exit.
-i, --data_dir PATH The path of train data
-m, --mode [captcha|kaptcha] The model type to train, could be captcha or
kaptcha
-b, --batch_size INTEGER The batch size of input data
-o, --model_dir PATH The model dir to save models or load models
-l, --log_dir PATH The log files path
-u, --use_gpu BOOLEAN Train by gpu or cpu若需要使用现有的模型对验证码进行识别，请使用predict.py，其使用方法如下：
Usage: predict.py [OPTIONS]
Options:
-h, --help Show this message and exit.
-i, --image_path PATH The path of the captcha image [required]
-m, --mode [captcha|kaptcha] The model type to train, could be captcha or
kaptcha
-o, --model_dir PATH The model dir to load
-u, --use_gpu BOOLEAN Train by gpu or cpujava -jar captcha-images-1.0.jar
# 默认为输出路径为：./captchas
# 开始训练模型
python train.py -i ./captchas -m captcha -b 1024 -o ./models -u True
# 开始评估模型
python eval.py -i ./captchas -m captcha -b 128
# 开始预测 使用中，请将abcd.jpg换成实际的测试用验证码文件
python predict -i ./captchas/abcd.jpg所有训练数据均以验证码图片内容为名称命名，如2ANF.jpg，因此可以保证训练数据没有重复项，根据文件名即可获取样本label。
数据集下载：Dataset-Google Drive for Easy Captcha
数据规格：48,320张验证码图片，全由
Easy Captcha框架生成，大小为$120 \times 80$。
验证码示例：
EasyCaptcha验证码特点在于可以构造Gif动态验证码，而其他验证码则显得相对简单，主要在于该验证码间隔较开，易于区分，因此识别较为简单。根据对上例中的验证码分析可知，验证码由不定位置的1-2个圆圈与曲线构成噪音，对文本加以干扰，文字颜色可变。从布局来看，文字的布局位置相对固定，且间隔也相对固定，这无疑也简化了识别过程。
数据集下载：Dataset-Google Drive for Kaptcha
数据规格：52,794张验证码图片，全由
Kaptcha生成，大小为$200 \times 50$。
验证码示例：
相对而言，Kaptcha验证码相对而言文本排布默认更加紧凑，但是文字间距再kaptcha中是一个可以调节的超参数。Kaptcha较难识别的主要原因在于其文本存在可能的扭曲形变，并且形变状态不定，因此模型需要能够克服该形变，方可较为准确的识别，因此Kaptcha识别较captcha困难，并且准确度指标会有所下降。
注：在直接使用模型时需要严格注意验证码规格，这主要在于图片过小会导致CNN过程异常。若对图片进行分辨率调整，长宽比不一，将导致严重形变，导致识别精度下降。
针对两个不同的数据集，本项目设计了两个不同的模型，但是总体上都是基于CNN和FCN结构的分类任务。在诸多OCR任务中，通常会使用multi-stage方法设计模型，即：通常使用对象识别模型，识别图片中的文字，并用框标记出文字所在位置，再利用CNN和FCN的结构对所识别的文字进行分类。并且，若为文档OCR识别，输出层还可能借助LSTM等RNN结构网络。
考虑到验证码通常位数有限，即4位、5位较为常见，因此该模型采用end2end multi-task方法也可满足需求，且模型复杂度并不高。
针对EasyCaptcha验证码，其产生的验证码较容易区分，字符分隔较开，且变形选项较少，因此使用很简单的模型即可达到较高的精度，在本项目的模型中，验证集准确度可达到$98-99%$左右。
而对于Kaptcha验证码，其存在较多可选的配置项，并且会在验证码中间添加噪音扰动，因此识别较为困难，使用EasyCaptcha的模型，精度仅能达到70%左右，准确度较低，Kaptcha模型适当地加大了CNN网络的深度，并增加了一层全连接隐藏层，在验证集上达到93-94%的准确度。
在训练过程中，采用长度为4的验证码，其中验证码中可选字符为：a-zA-Z0-9，共62个可能字符。
下面为两个模型：EasyNet, KCapNet的详细介绍。
EasyNet模型由2层卷积层和4个输出层构成，该模型结构细节如下：
- 第一层卷积，卷积核大小为$5 \times 5$，步长为1，通道为16，参数量为$3 \times 5 \times 5 \times 16$，得到大小$76\times 116$的特征图共16个；
- 第二层为最大池化层，无参数，池化核大小为$5\times 5$，步长为5，得到特征图大小为$15 \times 23$；
- 第三层为批归一化层，避免过拟合并加速模型收敛。根据效果，同时还可尝试使用shortcut方法。归一化后，采用RReLu激活函数；
- 第四层为卷积层，卷积核大小为$5 \times 5$，步长为1，通道数为32，得到特征图大小为$11 \times 19$，参数量为$16 \times 5 \times 5 \times 32$；
- 第五层为最大池化层，无参数，池化核大小为$5 \times 5$，步长为5，得到特征图大小为$2 \times 4$，无参数；
- 第六层仍为批归一化层，并采用RReLu函数激活；
- 第七层为Dropout层，经过第二个卷积后，将得到特征图展开，得到特征向量维度为256维，对256的特征向量进行Dropout处理，避免过拟合，采用的失效概率为$p=0.3$；
- 第八层为输出层，用于得到验证码序列，由于模型为multi-task，因此输出层有4个（根据验证码中字符长度确定），使用softmax激活，参数量为$4\times 256 \times 62$。
KCapNet共由3个卷积层，1个全连接层，4个输出层组成，以下为模型具体细节：
- 第一层为卷积层，卷积核大小为$5 \times 5$，步长为1，通道数为16，输入图片大小为$50 \times 200$，因此可得到16个大小为$46 \times 196$的特征图，参数量为$3\times 5 \times 5 \times 16$；
- 第二层为最大池化层，无参数，池化核大小为$3 \times 3$，步长为3，得到特征图大小为$15 \times 64$；
- 第三层为批归一化层，在归一化结束后，使用RReLu激活函数激活；
- 第四层为第二个卷积层，卷积核大小为$3 \times 3$，通道数为32，可得到大小为$13 \times 62$的特征图32个，参数量为$16 \times 3 \times 3 \times 32$；
- 第五层为最大池化层，无参数，池化核大小为$ 3 \times 3$，步长为3，无参数，可将特征图压缩为$4 \times 20$；
- 第六层为批归一化层，并使用RReLU函数激活；
- 第七层为第三个卷积层，卷积核大小为$3 \times 3$，步长为1，通道数为64，可得到大小为$2 \times 18$的特征图64个，参数量为$32 \times 3 \times 3 \times 64$；
- 第八层为最大池化层，池化视野为$2 \times 2$，步长为2，无参数，特征图被进一步压缩为$1 \times 9$；
- 第九层为归一化层，归一化后使用RReLu函数激活；
- 第十层为Dropout层，输入为第九层输出展开后的特征向量，维度为576维，该层采用$ p = 0.15$ 的概率失效一定神经元；
- 第十一层为全连接层，输入为第十层的输出，维度为576维，全连接层输出维度为128维，参数量为$576 \times 128$，并使用RReLU函数激活；
- 第十二层为全连接的Dropout层，神经元失效概率为$p=0.1$；
- 第十三层为输出层，根据multi-task数量，为4个输出层，维度为62维，使用softmax函数激活，参数量为$4 \times 128 \times 62$；
模型部分参数未描述，由于是少量参数，相比之下可以忽略，如RReLu中的参数。
在该模型中，采用了Adam作为优化算法，并设定学习率为0.001，可达到较好效果。在模型训练过程中，尝试使用较大学习率，如0.01, 0.1, 0.05等，均不如低学习率收敛效果好。上述两个模型，均在Google Colab Pro上使用P100训练，该算力可胜任batch至少为1024的配置，在EasyNet模型中使用了512的batch，而KCapNet使用1024的batch。
该batch设置未达到算力极限，如有条件可测试，但是不推荐模型采用较大batch，而应尽可能选择合理的batch。
模型训练过程中，优化算法未使用学习率衰减算法。
在模型训练过程中，对于EasyNet，采用$p=0.3$的Dropout能达到较好效果，若采用$0.4 \sim 0.5$效果略差，但精度仍然可观，可见对于EasyNet其数据简单因而模型即便简单也仍能达到较好效果。
而对于KCapNet，Dropout从最初的$0.5$拟合效果较差，大概稳定在$85% $上下，而逐步降低Dropout拟合能力逐渐提升，最终在$p_1=p_2=0.2$时效果较好，最终采用$p_1=0.15,p_2=0.1$得到最终模型，其训练集精度为$95%$左右，验证集精度为$93\sim 94 %$。
在模型训练过程中，默认采用$6:1:1$的分配比切分训练集、验证集、测试集，切分过程大致为：
- 按3:1第一次切分，其中$75%$为训练集；
- 对上述剩余的$25%$进行$1:1$切分，得到训练集及测试集。
根据需要，开发者自行训练模型时，可根据需要手动指定数据集切分比例。
下图为EasyNet训练过程的模型损失曲线，从图中可以看出，模型在前10个epoch迅速收敛，在20 epoch之后，模型达到相对稳定状态。从图中可以看出，验证集损失相较于训练集损失，下降比较健康，并且手链曲线相对光滑，在后期也未出现验证集损失波动情况，说明其未发生严重过拟合，模型可以被认为训练过程可信。
从精度曲线中可以看出，在训练初期，验证集上的精度基本能优于训练集上的精度，这得益于正则化手段，使得模型的子模型也能具有较好的表现，在25个epoch直至更后期，验证集精度和训练集精度开始趋于重合，甚至验证集精度略低于训练集精度，并且精度不再明显上升。从精度曲线的光滑程度来看，同样证明模型在训练过程中未发生严重过拟合，因此模型可信度及有效性较高。
下图分别为KCapNet模型的损失曲线及精度曲线，从曲线中可以看出，在epoch为120时，曲线发生了剧烈波动，这是因为在训练过程中，调整了batch的缘故。通常，较大batch可以一定程度地加速模型收敛，使得梯度方向更加准确，更有利于模型收敛，但是batch过大会导致对于部分较低比例的hard sample影响被淡化，从而使得模型不具备hard sample的识别能力，制约了模型的拟合能力。因此在使用较大batch训练模型基本收敛后，调小batch以强化模型对于小部分样本的识别能力。根据损失曲线可以看出，模型收敛过程相对健康，在前25个epoch时，模型迅速收敛，并达到较好效果，随后训练集损失继续稳定下降，而训练集损失开始出现一定范围内的波动，但是未呈现明显的上升趋势，说明模型达到一定稳定程度的拟合能力。随着训练集损失的持续下降，验证集损失始终在1上下波动，无明显的损失整体下降趋势，因此在60 epoch之后，可以选择性早停，即Early stopping。
在120 epoch之后，即batch调笑之后，模型损失突然小幅度上升，随后继续下降，但验证集上损失较之前波动情况更加严重，这也一定程度地说明较大的batch相较于较小的batch，能够使模型损失更加光滑。
在该模型中，较小的batch取为256。
与损失曲线相反，在前25个epochs中，模型精度提升较快，并且能迅速达到0.9上下，随后训练集精度开始小幅度持续上升，而验证集精度开始出现波动，在70 epochs之后，验证集上的精度最好能达到$0.93\sim 0.94$上下。在调小batch之后，验证集的精度波动更大，但最好精度与大batch之前相差较小，说明在较大batch下，模型收敛相对较好。
综合损失曲线与精度曲线，可知，在70 epoch之后，选择$70 \sim 120$ epoch中损失最低的模型，可基本视为最佳模型。而在小batch之后，推荐选择$130 \sim 170$ epoch间的最低损失模型可达到较好效果。
在本项目提供的预训练模型中，选择了第169个epoch的模型，其训练集精度可达0.94。
下图为从测试集随机选择的5组验证码样本，其中大部分均识别正确（标绿），小部分识别错误（标红）。从标红的案例中可以看出，该验证码认为识别正确难度仍然较高，因此识别错误也可以接受。同时，根据更广泛的测试集评估研究，模型对于0与O的识别准确度较低，甚至于O大部分被识别为0，这大程度上地受验证码由于字体形变而引发，根据人工对这些特殊案例的对比，部分能够被人眼正确地分辨，而少部分缺失存在人为无法准确分辨的案例。可以认为，认为地区分0与O，可能有$60\sim 70%$成功率，这也同样对模型的准确度产生了干扰。
由于模型达到了基本可接受的识别准确度，因此再未将识别错误的样本单独挑出并训练，从理论上推测， 将分类错误的样本挑出重新分类，可以一定程度地提升模型效果，进行该操作的方法可有两种：
- 将识别错误的训练数据单独挑出，并重新构成训练集，并重新训练，该方式可能使得模型对这些样本过于拟合，因此训练的迭代次数需要控制；
- 将识别错误的样本标记，再下一轮训练时，在损失函数上，为上次识别失败的样本增大权重，使得分类错误的样本对模型的提升影响更大，降低正确识别样本对模型的影响，但是训练时仍提供正确样本，能够避免第一种方法的过拟合。（类似于Boosting）
上述模型的提升方法，有条件地可以进一步实验，以进一步提升模型性能。同时，对于验证码识别，还可以考虑使用注意力机制，针对不同的输出层关注不同的Feature Map，从直观上理解，应该能一定程度地提升模型的拟合能力，开发者们可以进一步尝试。
为了能够尽量评估运算所需算力，可以对模型的内存消耗进行评估，此处忽略激活函数中的参数，偏置等少量参数，模型的算力要求应等于参数量+输入输出+梯度与动量，根据神经网络反向传播理论，在更新参数时需要计算下一层输出关于上一层参数的梯度，因此参数量==梯度，而在优化方法中需要保存动量，以记录之前参数更新的历史记录，因此参数量==动量，而对于Adam优化器，则更有动量==2参数量，因此整个模型的算力要求为：
通常网络中使用的数据类型为Float32类型，其占4 Byte，于是便可通过存储量来计算内存消耗。
根据下表统计，该模型算力大致要求为：1.9 MB /sample。
| 层 | 参数量 | 特征图 | 所需内存 |
|---|---|---|---|
| Input | 0 | 75 KB | |
| Conv1 | 569.8 KB | ||
| Maxpool1 | 0 | 21.6 KB | |
| BN1 | 22.0 KB | ||
| Conv2 | 226.1 KB | ||
| Maxpool2 | 0 | 1 KB | |
| BN2 | 2 KB | ||
| Output | 993.0 KB |
根据下表统计，其算力要求大致为：2.9 MB /sample。
| 层 | 参数量 | 特征图 | 所需内存 |
|---|---|---|---|
| Input | 0 | 117.2 KB | |
| Conv1 | 582.3 KB | ||
| Maxpool2 | 0 | 60 KB | |
| BN1 | 60.5 KB | ||
| Conv2 | 172.75 KB | ||
| Maxpool2 | 0 | 10 KB | |
| BN2 | 11 KB | ||
| Conv3 | 297 KB | ||
| Maxpool3 | 0 | 2.3 KB | |
| BN3 | 4.3 KB | ||
| Fatten | 0 | 2.25 KB | |
| FCN | 1152 KB | ||
| BN4 | 4.5 KB | ||
| Output | 497.0 kB |