1. 使用 最后一层全连接层输入的 feature 作为处理对象，即缩小这一 feature 的类内距离

2. 实现 feature 和 label 的对齐，主要解决了 预测重复、预测漏字 时的对齐问题（需要tf1.15）

3. 增加对关键指标的计算和追踪，训练过程更直观，方便 debug （需要tf1.15）

​ center 之间的距离

​ 字符距离自己center、形近字center的距离

​ 经过训练，字符距离差增大，预测置信度和距离差拥有一定相关性

4. 增加 feature 的可视化，使用 tensorboard 的 embedding projector，方便debug

# 生成 embedding 图
python -m libs.projector --model=your_model_path --file=your_label_file_path --dir=your_log_dir
# 启动 tensorboard
tensorboard --logdir=your_log_dir

iter=0

iter=100

iter=500

pip install -r requirements.txt

• 链接: 链接：https://pan.baidu.com/s/12oa1QcjaWiLb7Xsiz7aqbg 提取码：6Dw9

• 1 先用https://github.com/Sanster/tf_crnn 的crnn训练
• 2.对原始crnn训练到val acc 到95% loss 0.1左右，或者直至有满意的效果。
• 3.用gen_CR_data.py，用上面训练好的模型文件进行新的label生成
• 4.修改 crnn.py 文件 109行 centerloss 的权重为0。00001进行crnn 的训练 python train.py
• 5.训练到val acc 95% 或者到自己对效果满意
• 1.先用https://github.com/Sanster/tf_crnn 的crnn训练
• 2.对原始crnn训练到val acc 到95%以上 loss 0.1左右，或者直至有满意的效果。
• 3.把模型作为此工程pretrain model
• python train.py

• python test.py

• 
• 左面图为全量数据 可以看到对于全量也有一点提升
• 右面图为近似字数据 对于形近字提升有15个点。提升明显并且还有增长空间

• 
• 'A1200622287g4811330009'
• 
• '1 79.00 30.02 30.02'
• 
• '令：怜，伶，邻， 冷，领，龄，铃，岭，玲，拎'
• 
• '逢：缝，蓬，篷，峰，锋，逢，蜂'
• 
• '成一一威，风一一凤，干一一千，土一一士，元一一无，他一一地'
• 
• '素一一索，朱一一宋，都一一郡，汨一一汩，李一一季，直一一真，'

训练数据与预训练模型 关注微信公众账号 hulugeAI 留言：ctc 获取 线下wx交流群入门券

copy right huluge