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

caffe introduction & classification

caffe 介绍 caffe是Berkely的深度学习框架,在流行的deep learning framework里属于使用人数很多的,github上的统计显示...

1995
来自专栏人工智能LeadAI

pytorch入门教程 | 第一章:Tensor

1 pytorch安装 安装pytorch之前,需要安装好python,还没安装过python的宝宝请先移步到廖雪峰的python教程,待安装熟悉完之后,再过来...

3409
来自专栏大数据智能实战

LargeVis可视化技术学习

大图可视化一直是大数据可视化领域的一个关键技术,当前有各种办法,但是今年出来了一个LargeVis的技术,因此对这个技术进行复现和学习一下。 前面有很多基础理论...

3047
来自专栏程序员的知识天地

10分钟掌握Python-机器学习小项目

而且,Python 还有很多模块和程序库供我们选择,从而针对一个任务能有很多个解决方案。怎么样,听起来还是很厉害的吧?

601
来自专栏ATYUN订阅号

【学术】在C ++中使用TensorFlow训练深度神经网络

你可能知道TensorFlow的核心是用C++构建的,然而只有python的API才能获得多种便利。 当我写上一篇文章时,目标是仅使用TensorFlow的C ...

51811
来自专栏破晓之歌

神经网络简介 原

754
来自专栏贾志刚-OpenCV学堂

手撕OpenCV源码之高斯模糊

从上述代码的大致分析中可以知道,OpenCV的GaussianBlur本质上依然是filter2D,只是针对一些特殊情况进行了GPU和CPU版本的优化,如果输入...

1582
来自专栏量化投资与机器学习

【机器学习】支持向量机的概念与运用初探

? ? ? ? ? 下面,使用python模块库sklearn自带的iris标准数据集进行简单测试。 ? 获得的分类图为: ? 此外,尝试在优矿平台上,...

1878
来自专栏玉树芝兰

如何用 Python 和循环神经网络(RNN)做中文文本分类?

本文为你展示,如何使用 fasttext 词嵌入预训练模型和循环神经网络(RNN), 在 Keras 深度学习框架上对中文评论信息进行情感分类。

564
来自专栏数据小魔方

随机数函数

今天给大家分享几种常用的随机数函数! ▼ 在excel中生成随机数虽然不是很频繁的需求,但是简单了解几个随机数生成方式,偶尔还是很有帮助的。因为我们时常需要使用...

2634

扫码关注云+社区