项目目标：

从一张图片中的8个手写汉字中，找到两个一样的汉字，并给出位置

图片示例：

python手写中文识别库_数据

数据存储

为了更好的对数据进行保存，将数据统一存放在baidu网盘上，Projects/captcha下

工程实现

整体思路

针对此类数据，采用传统方法分割，再分类的方法去识别

详细介绍

• Code 
  
• ModelTf
 基于tensorflow1.14，实现的单字分类算法 
    • backbone 
      
• resnet.py
 基于tensorflow的slim实现了resnet网络，
 为了适配onnx格式（tensorflow的pad默认是最优最少的pad，
 如3*3 stride=2的话右下pad就行，而pytorch和onnx都是
 四周padding），对stride=2的卷积进行了拆分，先pad再卷积• losses 
      
• loss.py
 loss文件• cfg.py
 配置文件，如字典、训练数据地址、验证数据地址等• classify.py
 分类模型实现• data_generator.py
 训练过程中的数据生成，实现了一个迭代器，不断生成训练数据，以及一个多进程的数据生成• train.py
 模型训练脚本，实现了模型搭建、优化器配置、训练、验证• ckpt_slim.py
 训练保存的模型ckpt文件存在优化器的信息，比较大，这边处理后得到的只有模型结构和权重• ModelPaddle 
    
• 基于paddlepaddle实现了整个工程，并完成了onnx转换及trt动态输入和推理的过程，复现了2019年tf1的结果
• DataGenerator
 此项目只提供几百张测试图片，未提供训练图片，所有都需要自己去生成，因为是手写体，
 常规字体不能使用，爬虫了部分手写字体
 生成过程: 
    1. python image_generator.py --data_path=/data/yujiangyong/Projects/products/rec_data1
 –font_path=/data/yujiangyong/baiduocr/ocr_font12. python image_generator.py --data_path=/data/yujiangyong/Projects/products/rec_data2 --font_path=/data/yujiangyong/mathocr/mathhaoweilai/shou_font3
• util 
      
• font_util.py
 字体文件解析，得到每个字体文件包含的文字数• gen_text_util.py
 根据文字生成图片• transform_util.py
 图像变换脚本• image_generator.py
 生成文字脚本• jian_cha_dict.pkl
 字符字典• PreviewsDemo
 2019年交付的模型demo，熟悉一下之前怎么做的，效果如何 
    • models
 训练好的模型文件• demo.py
 使用的demo脚本，效果是直接识别出两个相同的字的精度是67.2%，使用余弦相似度来进行相同字的比较，精度是96.5%，但是里面求余弦距离好像存在问题，
 当时是这么做的，8_c的特征，进行点成，变成8 _8 *c的特征，然后取max，可以得到那两个特征在那个字符上的概率最大，而且差不多• demo_advance.py
 demo.py计算距离的时候，范数计算是有问题的，直接计算的是8*c的范数，并不是8个c的范数，这个demo脚本测试范数单独计算时的精度，此时的精度是95.99%• demo_debug.py
 采用正常的余弦相似度的计算方法来计算余弦距离，再进行精度统计，采用的softmax之后的特征来做的余弦距离计算，然后取max，此时的精度是95.8%，
 比上一种方法低• server.py
 在demo的基础上做了一些策略，当识别出两个一样的字的时候采用识别结果，当识别不出的时候采用余弦距离• read_ckpt_value.py
 读取ckpt里面的key和value，加载meta，再加载data，再打印variable• ckpt_show.py
 读取meta，然后写入log，tf.train.import_meta_graph()读取meta，tf.summary.FileWriter()写入log• cpkt_to_pb.py
 将ckpt模型转换为pb，由于模型既用了keras又用了tf，导致无法导出pb• images