189 8069 5689
本篇文章为大家展示了如何基于Serverless云函数 SCF+Kaggle端到端验证码识别从训练到部署，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
站在用户的角度思考问题，与客户深入沟通，找到花都网站设计与花都网站推广的解决方案，凭借多年的经验，让设计与互联网技术结合，创造个性化、用户体验好的作品，建站类型包括：成都做网站、成都网站建设、企业官网、英文网站、手机端网站、网站推广、域名注册、网站空间、企业邮箱。业务覆盖花都地区。
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。
今天就尝试带大家借助 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~
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。
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。
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。
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。
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
小编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！
上述内容就是如何基于Serverless云函数 SCF+Kaggle端到端验证码识别从训练到部署，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。