共计 4205 个字符，预计需要花费 11 分钟才能阅读完成。
随着验证码技术的更新换代，传统的验证码识别算法已经越来越无用武之地了。近些年来人工智能迅速发展，尤其是在深度学习神经网络这一块生态尤为繁荣，各种算法和模型层出不穷。
本文来自 Serverless 社区用户「乂乂又又」供稿
今天本文就尝试带大家借助 Kaggle+SCF 快速训练部署一个端到端的通用验证码识别模型，真正的验证码识别从入门到应用的一条龙服务，哈哈哈~
效果展示
操作步骤
第一步：了解 kaggle
没做过数据科学竞赛的同学，可能不太了解 kaggle 哈。
Kaggle is the world’s largest data science community with powerful tools and resources to help you achieve your data science goals.
这是 kaggle 官网）的自我介绍，简单来说 kaggle 是全球最大的数据科学交流社区，上面有许多关于数据科学的竞赛和数据集，并且提供了一些数据科学在线分析的环境和工具，一直以来吸引了全球大批数据科学爱好者，社区极其繁荣。
这里我们主要是用 kaggle 的 Notebooks 服务里的 kernel 环境来快速在云端训练自己的验证码识别模型。
你可能会问在本地训练不可以吗，为啥非得折腾着上云？哈哈，这还真不是折腾，普通人的电脑算力其实是有限的，而训练模型是需要强大 GPU 算力的支持，不然要训练到猴年马月~
我们再来看一下 kaggle 上的 kernel 环境的配置：
- CPU 4 核心，16 GB 运行内存
- GPU 2 核心 13 GB 运行内存
每个 kernel 有 9 小时的运行时长，GPU 资源每周 30 小时使用时长。除了硬件资源之外，kernel 环境里已经配置好了一些机器学习的常用库，包括 Pytorch，Tensorflow 2 等，它的机器学习环境是开箱即用的，零配置，零维护。
Kaggle Notebooks run in a remote computational environment. We provide the hardware—you need only worry about the code.
正如 kaggle notebooks 官方文档所言，kaggle 免费为你提供硬件和机器学习环境，你唯一需要关心的是你的代码。这么好的东西关键还是免费提供的啊，果断选它来训练模型就对了。
第二步：注册 kaggle 账号，新建一个 kernel 环境
账号注册、新建 kernel 等相关问题，网上有很多相关文章，这里不再细说了。
第三步：clone git 仓库，修改成自己的验证码数据集
这里我在 github.com/nickliqian/cnn_captcha 项目的基础上，把原项目升级更新到了 Tensorflow 2.0，然后做了个 kaggle 训练 + SCF 部署的通用验证码识别方案。
现在你只需要将我修改好的仓库 https://gitee.com/LoveWJG/tflite_train 克隆到本地，
然后按照项目里的 readme 配置一下训练参数，替换一下自己的验证码数据集即可。
第四步：上传项目到 kaggle 开始训练
然后把配置好的项目压缩上传到 kaggle 直接解压按照说明文件进行训练即可。
这里用了 20000 张验证码，训练了 10000 轮左右，大概耗时 30 分钟，还是相当给力的。训练结束后你可以根据仓库里的 readme 文件，把模型、日志文件打包下载到本地，然后再在本地将模型转成 tflite 格式（方便在移动端使用，本地识别验证码），如果模型文件过大你也可以在本地运行 tflite.py 程序把 tflite 模型量化，大概可以把模型文件缩小到原来的 1/4，最终你应该得到一个 .tflite 格式的模型文件。
第五步：使用云函数快速部署验证码识别模型
云函数的创建、配置和发布可参考我之前的系列文章，这里就不再细讲了。
新建一个 python 空白云函数，然后把 scf.py 文件里的代码填到 index.py 里保存。
# -*- coding:utf-8 -*-
import io
import json
import os
import time
import numpy as np
import tensorflow as tf
from PIL import Image
model_path = "model_quantized.tflite" #模型文件地址
chars = '23456789abcdefghjkmpqrstuvwxy' #验证码字符，顺序要与 config.json 里的一致
# Load TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_path=model_path)
interpreter.allocate_tensors()
# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
#将验证码数据转换成模型输入格式
def img2input(img, width, height):
tmpe_array = [serverless]
for i in range(height):
for j in range(width):
pixel = img.getpixel((j, i))
tmpe_array.append((0.3*pixel[0]+0.6*pixel[1]+0.1*pixel[2])/255)
tmpe_array = np.array(tmpe_array).astype('float32')
input_array = np.expand_dims(tmpe_array, axis=0)
return input_array
#识别验证码
def predict(image):
captcha_image = Image.open(io.BytesIO(image))
image_np_expanded = img2input(captcha_image, 100, 50)
interpreter.set_tensor(input_details[0]['index'], image_np_expanded)
interpreter.invoke()
output_data = interpreter.get_tensor(output_details[0]['index'])
codes = ''
for i in output_data[0]:
codes += chars[i]
return codes
# api 网关响应集成
def apiReply(reply, txt=False, content_type='application/json', code=200):
return {
"isBase64Encoded": False,
"statusCode": code,
"headers": {'Content-Type': content_type},
"body": json.dumps(reply, ensure_ascii=False) if not txt else str(reply)
}
#云函数入口
def main_handler(event, context):
return apiReply(
{"ok": False if not 'image' in event.keys() else True,
"message": "请求参数无效" if not 'image' in event.keys() else predict(event['queryString']['image'])
}
)把模型文件上传到云函数根目录，然后配置一下自己的验证码识别模型参数
model_path = "model_quantized.tflite" #模型文件地址
chars = '23456789abcdefghjkmpqrstuvwxy' #验证码字符，顺序要与 config.json 里的一致 之后给我们的云函数添加一个 API 网关触发器，并启用响应集成，然后发布上线即可
没有问题的话，你只需 GET 一下，就可以返回验证码识别结果了。
api 网关 +?base64Image=base64 编码后的验证码数据 写在最后
本文带大家从头训练并部署了一个通用验证码识别模型。我们再一次看到基于 Serverless 的云函数在开发线上应用的过程中是多么方便和迅速！
如果你对验证码识别比较感兴趣，想要了解更多的识别方案，这里我推荐几个 github 仓库，都是可以直接上手应用的程度。
- use cnn recognize captcha by tensorflow 本项目针对字符型图片验证码，使用 tensorflow 实现卷积神经网络，进行验证码识别。
- 验证码识别 - 训练 This project is based on CNN/ResNet/DenseNet+GRU/LSTM+CTC/CrossEntropy to realize verification code identification. This project is only for training the model.
- 验证码识别 - 部署 This project is based on CNN+BLSTM+CTC to realize verificationtion. This projeccode identificat is only for deployment models.
Serverless Framework 30 天试用计划
我们诚邀您来体验最便捷的 Serverless 开发和部署方式。在试用期内，相关联的产品及服务均提供免费资源和专业的技术支持，帮助您的业务快速、便捷地实现 Serverless！
详情可查阅：Serverless Framework 试用计划
One More Thing
3 秒你能做什么？喝一口水，看一封邮件，还是 —— 部署一个完整的 Serverless 应用？
复制链接至 PC 浏览器访问：https://serverless.cloud.tenc…
3 秒极速部署，立即体验史上最快的 Serverless HTTP 实战开发！
传送门：
- GitHub: github.com/serverless
- 官网：serverless.com
欢迎访问：Serverless 中文网，您可以在 最佳实践 里体验更多关于 Serverless 应用的开发！
推荐阅读：《Serverless 架构：从原理、设计到项目实战》
