用 keras 建立超简单的汉字识别模型

之前看过很多 mnist 的识别模型,都是识别数字的,为啥不做一个汉字识别模型呢?因为汉字手写的库找不到啊。当时我还想自己从字库生成汉字用作识别(已经做出来了,导出字体图片再识别之)。 后来看了这篇文章这篇文章 : CASIA-HWDB 这个神奇的东西。原文是用 tensorflow 实现的,比较复杂,现在改成用 keras 去完成。

数据集下载

    $ wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1trn_gnt.zip
    # zip 解压没得说, 之后还要解压 alz 压缩文件
    $ wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1tst_gnt.zip

正好用新学的 keras 来尝试建模识别。

首先要将下载来的 gnt 文件解压。这部分我完全不懂,图像处理部分直接使用他们的代码了。

其中 3500.txt 是常用的 3500 个汉字,这个我用来跟另外一个根据字体生成汉字的脚本配合使用。

    import os
    import numpy as np
    import struct
    from PIL import Image


    data_dir = './hanwriting'
    train_data_dir = os.path.join(data_dir, 'HWDB1.1trn_gnt')
    test_data_dir = os.path.join(data_dir, 'HWDB1.1tst_gnt')

    # f = open('3500.txt', 'r', encoding="utf8")
    f = open('3500.txt', 'r')
    total_words = f.readlines()[0].decode("utf-8")
    print(total_words)

    def read_from_gnt_dir(gnt_dir=train_data_dir):
      def one_file(f):
        header_size = 10
        while True:
          header = np.fromfile(f, dtype='uint8', count=header_size)
          if not header.size:   
            break
          sample_size = header[0]   (header[1] << 8)   (header[2] << 16)   (header[3] << 24)
          tagcode = header[5]   (header[4] << 8)
          width = header[6]   (header[7] << 8)
          height = header[8]   (header[9] << 8)
          if header_size   width*height != sample_size:
            break
          image = np.fromfile(f, dtype='uint8', count=width*height).reshape((height, width))
          yield image, tagcode
      for file_name in os.listdir(gnt_dir):
        if file_name.endswith('.gnt'):
          file_path = os.path.join(gnt_dir, file_name)
          with open(file_path, 'rb') as f:
          for image, tagcode in one_file(f):
            yield image, tagcode
    char_set = set()
    for _, tagcode in read_from_gnt_dir(gnt_dir=train_data_dir):
    tagcode_unicode = struct.pack('>H', tagcode).decode('gb2312')
    char_set.add(tagcode_unicode)
    char_list = list(char_set)
    char_dict = dict(zip(sorted(char_list), range(len(char_list))))
    print len(char_dict)  
    import pickle
    f = open('char_dict', 'wb')
    pickle.dump(char_dict, f)
    f.close()
    train_counter = 0
    test_counter = 0

    for image, tagcode in read_from_gnt_dir(gnt_dir=train_data_dir):
      tagcode_unicode = struct.pack('>H', tagcode).decode('gb2312')
      if tagcode_unicode in total_words:
        im = Image.fromarray(image)
        dir_name = './data/train/'   '%0.5d'%char_dict[tagcode_unicode]
        if not os.path.exists(dir_name):
          os.mkdir(dir_name)
        im.convert('RGB').save(dir_name '/'   str(train_counter)   '.png')
        train_counter  = 1
    for image, tagcode in read_from_gnt_dir(gnt_dir=test_data_dir):
      tagcode_unicode = struct.pack('>H', tagcode).decode('gb2312')
      if tagcode_unicode in total_words:
        im = Image.fromarray(image)
        dir_name = './data/test/'   '%0.5d'%char_dict[tagcode_unicode]
        if not os.path.exists(dir_name):
          os.mkdir(dir_name)
        im.convert('RGB').save(dir_name '/'   str(test_counter)   '.png')
        test_counter  = 1

解压完会生成一个 train 和一个 test 的文件夹,里面分别用数字为文件夹名,里面都是一些别人手写的汉字的图片。

如果用 tensorflow 写的话,大概需要 300 行,需要处理图像(当然 tf 也会帮你处理大部分繁琐的操作),需要写批量加载,还有各种东西。

到了 keras,十分简单。总共的代码就 70 多行,连图像加载和偏移处理都是智能的。图片转换都给你包办了,简直贴心。

    from __future__ import print_function
    import os
    from keras.preprocessing.image import ImageDataGenerator
    from keras.layers import Input, Dense, Dropout, Convolution2D, MaxPooling2D, Flatten
    from keras.models import Model, load_model

    data_dir = './data'
    train_data_dir = os.path.join(data_dir, 'train')
    test_data_dir = os.path.join(data_dir, 'test')

    # dimensions of our images.
    img_width, img_height = 64, 64
    charset_size = 3751
    nb_validation_samples = 800
    nb_samples_per_epoch = 2000
    nb_nb_epoch = 20000;

    def train(model):
      train_datagen = ImageDataGenerator(
        rescale=1. / 255,
        rotation_range=0,
        width_shift_range=0.1,
        height_shift_range=0.1
      )
      test_datagen = ImageDataGenerator(rescale=1./255)

      train_generator = train_datagen.flow_from_directory(
        train_data_dir,
        target_size=(img_width, img_height),
        batch_size=1024,
        color_mode="grayscale",
        class_mode='categorical')
      validation_generator = test_datagen.flow_from_directory(
        test_data_dir,
        target_size=(img_width, img_height),
        batch_size=1024,
        color_mode="grayscale",
        class_mode='categorical')

      model.compile(loss='categorical_crossentropy',
        optimizer='rmsprop',
        metrics=['accuracy'])
      model.fit_generator(train_generator,
        samples_per_epoch=nb_samples_per_epoch,
        nb_epoch=nb_nb_epoch,
        validation_data=validation_generator,
        nb_val_samples=nb_validation_samples)

    def build_model(include_top=True, input_shape=(64, 64, 1), classes=charset_size):
      img_input = Input(shape=input_shape)
      x = Convolution2D(32, 3, 3, activation='relu', border_mode='same', name='block1_conv1')(img_input)
      x = Convolution2D(32, 3, 3, activation='relu', border_mode='same', name='block1_conv2')(x)
      x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)
      x = Convolution2D(64, 3, 3, activation='relu', border_mode='same', name='block2_conv1')(x)
      x = Convolution2D(64, 3, 3, activation='relu', border_mode='same', name='block2_conv2')(x)
      x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)

      if include_top:
        x = Flatten(name='flatten')(x)
        x = Dropout(0.05)(x)
        x = Dense(1024, activation='relu', name='fc2')(x)
        x = Dense(classes, activation='softmax', name='predictions')(x)

      model = Model(img_input, x, name='model')
      return model

    model = build_model()
    # model = load_model("./model.h5")
    train(model)
    # model.save("./model.h5")

可以看到生成模型的代码就 12 行,十分简洁。开头两套双卷积池化层,后面接一个 dropout 防过拟合,再接两个全链接层,最后一个 softmax 输出结果。 于是开我的 GTX1080 机器开跑,大约花了半天时间。

Epoch 20000/20000 1024/2000 [==============>...............] - ETA: 0s - loss: 0.2178 - acc: 0.9482 2048/2000 [==============================] - 2s - loss: 0.2118 - acc: 0.9478 - val_loss: 0.4246 - val_acc: 0.9102

在 20000 次 Epoch 后,准确率在 95%,验证的准确率在 91%左右,基本可以识别大部分库里的汉字了。

实际看来汉字识别是图像识别的一种,不过汉字数量比较多,很多手写的连人类都无法识别,估计难以达到 mnist 数据集的准确率。

最后可以看到,keras 是非常适合新手阶段去尝试的,代码也十分简洁。不过由于底层隐藏的比较深,如果深入研究的话容易会遇到瓶颈,而且包装太多,想对他做出修改优化也不是太容易。后期研究还是建议使用 tensorflow 和 pytorch。(个人在看 pytorch,比 tensorflow 要简洁不少,而且大部分 paper 都移植过去了,github 最近热门全是他,潜力无限)

原创声明,本文系作者授权云+社区-专栏发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

陈佐琪的专栏

1 篇文章1 人订阅

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习实践二三事

一个验证码破解的完整演示

这篇博客主要讲如何去破解一个验证码,for demo我会使用一个完整的工程来做,从原始图片到最终的识别结果,但是破解大部分的验证码其实是个很费力的活,对技术要求...

2698
来自专栏人人都是极客

教程 | 基于计算机视觉使用Python和OpenCV计算道路交通

本文介绍了不使用复杂的深度学习算法计算道路交通的方法。该方法基于计算机视觉,仅使用 Python 和 OpenCV,在背景提取算法的帮助下,使用简单的移动侦测来...

4146
来自专栏AI研习社

如何利用微信监管你的TF训练?

之前回答问题【在机器学习模型的训练期间,大概几十分钟到几小时不等,大家都会在等实验的时候做什么?(http://t.cn/Rl8119m)】的时候,说到可以用微...

3394
来自专栏数据小魔方

标注特定日期的折线图

今天给大家分享的标注特定日期的折线图! ▽▼▽ 有时候我们拿到的数据存在特定日气的波动,比如股市、衍生品等指数会存在星期(周末)的波动,如果能够在图表中标注出特...

3377
来自专栏人工智能头条

如何用微信监管你的TF训练?

903
来自专栏我和未来有约会

Silverlight 4 中摄像头的运用—part1

入的视频 摄像头经过一个Video对象就能让你看到视频,而这个对象是一个显示对象,所以显示对象能做得事情,它都能做,比如滤镜,变形,混合模式等等。当然最强大的还...

16510
来自专栏玉树芝兰

如何用4行 R 语句,快速探索你的数据集?

实践中,大量数据分析时间,都会花在数据清洗与探索性数据分析(Exploratory Data Analysis, EDA)。即缺失值统计处理,和变量分布可视化。

681
来自专栏磐创AI技术团队的专栏

数据可视化详解+代码演练

1324
来自专栏数据派THU

自然语言处理如何检查拼写错误?(Tensorflow实例教程、源代码)

原文:Towards Data Science 作者:Dave Currie 来源:机器人圈 本文长度为2400字,建议阅读5分钟 本文教你用TensorFlo...

5108
来自专栏姬小光

请问#f00是什么颜色?

这道题,对于知道的人来说简直就是送分题,这还用问吗?不就是红色吗?而对于不知道或者没有用心的人来说,却无从入手,怎么回答的都有。

1061

扫码关注云+社区