基于caffe的LSTM CTC OCR案例，能够利用该案例完成序列的识别，包括验证码、车牌、身份证号码、地址等长序列动长的内容识别
这是一个resnet+blstm的例子，blstm是双向lstm的意思，resnet也只是采用了其中的126部分，丢掉了一大半

这个最大的贡献，是
能够训练长序列的ocr识别，可以使用这个技术完成比如身份证号码、地址、车牌等识别任务

lstm网络设计注意事项：
1.保证CNN得到的featuremap输入到lstm时的宽度至少大于等于最大字符数的3倍左右，即time_step大于等于最大字符数3倍，否则小了不行
2.如果是配合完整的resnet精度应该能够更好
3.这次训练的精度为100%停止的，测试精度是97%左右，算是对复杂验证码OCR的一个证明，证明能力
4.对于自己衔接网络，只要保证最后的time_step能配的上就不会有错
5.训练过程中，如果出现难以收敛，把dropout层的dropout_ratio调低到0.5或者更低比如0.3甚至0，如果过拟合了，就调高，甚至可以0.7、0.9。当然默认是不要修改他，除非你也在研究
6.lstm的num_output个数也影响精度，还有所谓的多层lstm也是可以有的

模型、演示图片、和依赖项，依赖项编译自https://github.com/dlunion/CCDL

CaffeLSTM-OCR.rar
train Dataset