前言

之前参加深度学习比赛的时候，对计算机视觉有一些小小的积累。 虽然不足道， 但是还是记录一下， 以便以后碰到这方面的岗位问题时， 可以有一些展示的东西。 之前参加了华为赞助的一个汉字识别大赛， 要求通过神经网络，识别出图片中的汉字。 其中每张图片的汉字数量不一。 我这里先采用了 CRNN的方法， 这篇博文记叙一下。

代码

本文的代码全部分享于 github。已经配备了简单的训练集和验证集作为示例， 确保可以直接下载后使用。 读者可以用自己的数据集替代， 来实现一个自己的课堂demo。

背景

需要识别的图片大致如下： 是竖着写的， 果然是中国传统文化。 目标就是用这些图片作为输入， 输出识别的汉字结果。

CRNN介绍

CRNN， 即 CNN + RNN 的缩写 （注意不要和另一著名网络RCNN搞混）。 该网络在https://arxiv.org/pdf/1507.05717.pdf 中提出， 其核心思路在于：

• 图片中提取特征， 那显然由CNN来完成这一操作。
• 既然是文字， 往往前后有所联系，那从特征再输出文字这一节， 认为每个字都和前后的字有关联， 因此， 使用RNN来实现 特征到输出文字这一步。 （个人觉得这个古文的话，比如上面的示例图片，上下文字没什么关系， 其实RNN不太合适， 但也没什么影响。 本文重点还是介绍下CRNN的应用。）

网络模型

这是截取自文中的网络模型， 描述一下步骤：

• 首先用经典的CNN 卷积神经网络， 提取图片中的特征， 得到图中的 feature maps。 在我的github代码中， 我使用了 四层卷积网络，具体参数见代码。 输入的维度是 $640\times 64\times 3$， 即尺寸为 640 * 64， RGB颜色。 （这里我个人感觉其实可以不指定尺寸，这样就可以应用于各种不同尺寸的样本了）。 经过四层CNN网络后， 输出维度是 $160\times 4\times 512$ （经过了池化）。
• 通过全连接层（Dense层）， 把提取的512个channel的特征， 整理成 维度维 $32\times 64$ 的 数据， 等待输入到接下来的RNN网络中。 （可以理解为 $64$ 个时刻的输入， 每个时刻的输入维度是 32。）
• 用BiLSTM网络， 即双向LSTM网络进行最后的处理。 用双向LSTM的意思就是每一位置的信息输出，和之前位置及之后位置的信息输出相关。 得到 $32\times 512$的输出数据。
• 最后， 用全连接层， 输出结果。

具体实现

标签

由于我们采用的是汉字， 因此，在制作标签的时候，我们要把汉字转为数字表示的标签。
思路很简单： 比如所有样本中， 我们共有9000个不同的汉字。 那么我们就以1~9000个整数， 来一一对应这每个汉字。 而由于每张图的汉字数量不一， 我们可以进行补零操作——首先，统计出样本中单张图片最大汉字数， 比如30。 那么 每张图的标签的维度就是 $30\times 1$， 其中前$K$维就对应于图片中$K$个汉字的序号（1~9000）， 而后则用0填充。 当输出再映射回汉字时， 去掉0即可。

损失函数

使用了经典的CTC损失函数， 这里有几篇讲的比较好的文章：
https://blog.csdn.net/huangyiping12345/article/details/102668605
语音识别：深入理解CTC Loss原理

简单来说， 就是使用这个损失函数， 可以解决 输出与标签之间的对齐问题。