【北京大学】13 TensorFlow1.x的项目实战之手写英文体识别OCR技术
1 项目介绍
1.1 项目功能
视频讲解
（1）项目功能：英文手写识别，如输入数据为手写英文作文扫描图片，技术：OCR技术
（2）应用场景：
1.2 评估指标
模型评估指标：动态规划实现的字符串相似度算法，公式如下
2 数据集介绍
2.1 数据特征
数据集中存在的问题和难点
（1）数据集数量不够大，
（2）扫描得到的图像倾斜，文字区域无法定位，或文字区域无法精准定位
（3）图片中有很多噪声信息，如下划线
（4）图片中手写英文存在很多连笔，涂改等。
3 数据的预处理
3.1 数据增强
数据集的预处理工作，为提升模型的性能，做了数据预处理工作。
（1）图像旋转
（2）图像缩放
（3）对图像添加噪声
（4）对图像进行模糊
（5）将图像往x、y方向上按指定的数量移动图像像素
3.2 倾斜矫正
扫描版或拍着图片会存在图像倾斜的情况，将大大降低识别效果，因此需要对图像进行倾斜矫正预处理。
原理:
（1）首先对图像进行边缘轮廓检测
（2）对边缘轮廓检测后的图片进行霍夫曼倾斜矫正
霍夫曼倾斜矫正原理：通过识别图像中的直线，检测直线倾斜角度和直线的位置信息对图像进行旋转，实测效果佳，且边缘轮廓检测对霍夫曼倾斜矫正起到很好的辅助作用。
3.3 去横线
图像中的横线对文字识别有一定的影响，因此需要在识别前对图像进行横线去除工作，去除横线方法调用Ieptonical库
原理：
（1）首先旋转图片进行倾斜矫正，使得横线变水平，然后提取出水平横线调用函数班背景去掉，只留下横线
（2）接着将横线进行阈值处理，高于阈值的横线加黑，低于阈值的变白，将处理图片上的黑色横线翻转为白色
（3）步骤2原图的横线被去掉，但原图人物身体的部分也被擦除
（4）此时调用相关函数使横线图片与人物擦除的图片想结合，补出擦除的部分，得到较好的去横线的效果。
3.4 文本区域定位
英文行全页面自动定位算法，文本区域定位，在输入神经网络模型前需要做文本区域定位，基于MSER算法进行改进。
算法原理：MSER算法产生的局部文字区域杂乱，对MSER产生的边框又进行了下面的四步筛选，大大提升了问题区域定位的效果
（1）首先根据矩形的大小，将过大或过小的矩形筛除掉
（2）将大矩形和小矩形如果交叠部分大于设定的阈值，将小矩形筛除掉
（3）此步特殊之处在于并不筛除掉矩阵，而是按照规则取min_left_top_x min_left_y max_right_bottom_x max_right_bottom_y 将一个类的矩阵合并成一个大的矩形
（4）按照矩形边框的height > min_height weight > min_weight筛选出最后的边框。
4 网络结构
（1）神经网络结构：四层卷积层+四层池化层
（2）神经网络使用的是：双向LSTM
（3）结构分析
该神经网络使用的是双向递归神经网络tf.nn.bidirectional_dynamic_rnn()
双向的RNN，当cell使用LSTM时，便是双向LSTMD。单向的RNN只考虑上文的信息对下文信息的影响，双向RNN即考虑当前信息不仅受到上文的影响，同时也考虑下文的影响。
前向RNN和dynamic_rnn完全一致，后向RNN输入的序列经过了反转。
（4）优化算法
本神经网络使用的参数优化算法：AdamOptimizer。除了该算法还有Momentum优化算法
（5）损失函数
CTC损失函数（connectionist temporal classification）
CTC在神经网络中计算一种损失值，主要用于可以对没有对齐的数据进行自动补齐，即主要是用在没有事先对齐的序列化数据训练上，应用领域如：语音识别、OCR识别
（6）池化
池化过程使用最大池化max_pool.
原因：虽然最大池化和平均池化都对数据进行了下采样，但是最大池化做特征选择，选出了分类识别度更好的特征
（7）使用Dropout
使用Dropout简化训练的网络结构，控制过拟合出现的风险，并通过调整，得到了一个比较合适的dropout参数
（8）激活函数
使用relu函数。可以降低网络参数训练过程中梯度消失或者梯度爆炸的风险
（9）断点续训
保证函数在训练中断后继续进行训练。
5 OCR实现
OCRGitHub源码下载
ocr_generated.py
import os import glob import random import numpy as np from PIL import Image from PIL import ImageFilter #记录一个问题： tf.placeholder 报错InvalidArgumentError: You must feed a value for placeholder tensor 'inputs/x_input' #chr函数： 将数字转化成字符 #ord函数： 将字符转化成数字 #characterNo字典：a-z, A-Z, 0-10, " .,?'-:;!/"<>&(+" 为key分别对应值是0-25,26-51,52-61,62... #characters列表： 存储的是cahracterNo字典的key #建立characterNo字典的意思是： 为了将之后手写体对应的txt文件中的句子转化成 数字编码便于存储和运算求距离 charactersNo={} characters=[] length=[] for i in range(26): charactersNo[chr(ord('a')+i)]=i characters.append(chr(ord('a')+i)) for i in range(26): charactersNo[chr(ord('A')+i)]=i+26 characters.append(chr(ord('A')+i)) for i in range(10): charactersNo[chr(ord('0')+i)]=i+52 characters.append(chr(ord('0')+i)) punctuations=" .,?'-:;!/"<>&(+" for p in punctuations: charactersNo[p]=len(charactersNo) characters.append(p) def get_data(): #读取了train_img和train_txt文件夹下的所有文件的读取路径 #下面代码的作用是： #Imgs:列表结构 存储的是手写的英文图片 #Y: 数组结构 存储的是图片对应的txt文件中句子，只不过存储的是字符转码后的数字 #length: 数组结构 存储的是图片对应的txt文件中句子含有字符的数量 imgFiles=glob.glob(os.path.join("train_img", "*")) imgFiles.sort() txtFiles=glob.glob(os.path.join("train_txt", "*")) txtFiles.sort() Imgs=[] Y=[] length=[] for i in range(len(imgFiles)): fin=open(txtFiles[i]) line=fin.readlines() line=line[0] fin.close() y=np.asarray([0]*(len(line))) succ=True for j in range(len(line)): if line[j] not in charactersNo: succ=False break y[j]=charactersNo[line[j]] if not succ: continue Y.append(y) length.append(len(line)) im = Image.open(imgFiles[i]) width,height = im.size#1499,1386 im = im.convert("L") Imgs.append(im) #np.asarray()函数 和 np.array()函数： 将list等结构转化成数组 #区别是np.asarray()函数不是copy对象，而np.array()函数是copy对象 print("train:",len(Imgs),len(Y)) Y = np.asarray(Y) length = np.asarray(length) return Imgs, Y
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374'ocr_forward.py
import tensorflow as tf import os import glob import random import numpy as np from PIL import Image from PIL import ImageFilter import ocr_generated conv1_filter=32 conv2_filter=64 conv3_filter=128 conv4_filter=256 def get_weight(shape, regularizer): #参数w初始化，并且对w进行正则化处理，防止模型过拟合 w = tf.Variable(tf.truncated_normal((shape), stddev=0.1, dtype=tf.float32)) if regularizer != None: tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w)) return w def get_bias(shape): #参数b初始化 b = tf.Variable(tf.constant(0., shape=shape, dtype=tf.float32)) return b def conv2d(x,w): #卷积层函数tf.nn.conv2d return tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x, kernel_size): #池化层函数，在池化层采用最大池化，有效的提取特征 return tf.nn.max_pool(x, ksize=kernel_size, strides=kernel_size, padding='VALID') def forward(x, train, regularizer): #前向传播中共使用了四层神经网络 #第一层卷积层和池化层实现 conv1_w = get_weight([3, 3, 1, conv1_filter], regularizer) conv1_b = get_bias([conv1_filter]) conv1 = conv2d(x, conv1_w) relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_b)) pool1 = max_pool_2x2(relu1, [1,2,2,1]) #通过keep_prob参数控制drop_out函数对神经元的筛选 if train: keep_prob = 0.6 #防止过拟合 else: keep_prob = 1.0 #第二层卷积层和池化层实现 conv2_w = get_weight([5, 5, conv1_filter, conv2_filter], regularizer) conv2_b = get_bias([conv2_filter]) conv2 = conv2d(tf.nn.dropout(pool1, keep_prob), conv2_w) relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_b)) pool2 = max_pool_2x2(relu2, [1,2,1,1]) #第三层卷积层和池化层 conv3_w = get_weight([5, 5, conv2_filter, conv3_filter], regularizer) conv3_b = get_bias([conv3_filter]) conv3 = conv2d(tf.nn.dropout(pool2, keep_prob), conv3_w) relu3 = tf.nn.relu(tf.nn.bias_add(conv3, conv3_b)) pool3 = max_pool_2x2(relu3, [1,4,2,1]) #第四层卷积层和池化层 conv4_w = get_weight([5, 5, conv3_filter, conv4_filter], regularizer) conv4_b = get_bias([conv4_filter]) conv4 = conv2d(tf.nn.dropout(pool3, keep_prob), conv4_w) relu4 = tf.nn.relu(tf.nn.bias_add(conv4, conv4_b)) pool4 = max_pool_2x2(relu4, [1,7,1,1]) rnn_inputs=tf.reshape(tf.nn.dropout(pool4,keep_prob),[-1,256,conv4_filter]) num_hidden=512 num_classes=len(ocr_generated.charactersNo)+1 W = tf.Variable(tf.truncated_normal([num_hidden,num_classes],stddev=0.1), name="W") b = tf.Variable(tf.constant(0., shape=[num_classes]), name="b") #前向传播、反向传播，利用双向LSTM长时记忆循环网络 #seq_len = tf.placeholder(tf.int32, shape=[None]) #labels=tf.sparse_placeholder(tf.int32, shape=[None,2]) cell_fw = tf.nn.rnn_cell.LSTMCell(num_hidden>>1, state_is_tuple=True) cell_bw = tf.nn.rnn_cell.LSTMCell(num_hidden>>1, state_is_tuple=True) #outputs_fw_bw: (output_fw, output_bw) 是(output_fw, output_bw)的元组 outputs_fw_bw, _ = tf.nn.bidirectional_dynamic_rnn(cell_fw, cell_bw, rnn_inputs, dtype=tf.float32) #tf.contat 连接前向和反向得到的结果，在指定维度上进行连接 outputs1 = tf.concat(outputs_fw_bw, 2) shape = tf.shape(x) batch_s, max_timesteps = shape[0], shape[1] outputs = tf.reshape(outputs1, [-1, num_hidden]) #全连接层实现 logits0 = tf.matmul(tf.nn.dropout(outputs,keep_prob), W) + b logits1 = tf.reshape(logits0, [batch_s, -1, num_classes]) logits = tf.transpose(logits1, (1, 0, 2)) y = tf.cast(logits, tf.float32) return y
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293ocr_backward.py
import tensorflow as tf import ocr_forward import ocr_generated import os import glob import random import numpy as np from PIL import Image from PIL import ImageFilter REGULARIZER = 0.0001 graphSize = (112,1024) MODEL_SAVE_PATH = "./model/" MODEL_NAME = "ocr_model" def transform(im, flag=True): ''' 将传入的图片进行预处理：对图像进行图像缩放和数据增强 Args: im : 传入的待处理的图片 Return： graph : 返回经过预处理的图片 #random.uniform(a, b)随机产生[a, b)之间的一个浮点数 ''' graph=np.zeros(graphSize[1]*graphSize[0]*1).reshape(graphSize[0],graphSize[1],1) deltaX=0 deltaY=0 ratio=1.464 if flag: lowerRatio=max(1.269,im.size[1]*1.0/graphSize[0],im.size[0]*1.0/graphSize[1]) upperRatio=max(lowerRatio,2.0) ratio=random.uniform(lowerRatio,upperRatio) deltaX=random.randint(0,int(graphSize[0]-im.size[1]/ratio)) deltaY=random.randint(0,int(graphSize[1]-im.size[0]/ratio)) else: ratio=max(1.464,im.size[1]*1.0/graphSize[0],im.size[0]*1.0/graphSize[1]) deltaX=int(graphSize[0]-im.size[1]/ratio)>>1 deltaY=int(graphSize[1]-im.size[0]/ratio)>>1 height=int(im.size[1]/ratio) width=int(im.size[0]/ratio) data = im.resize((width,height),Image.ANTIALIAS).getdata() data = 1-np.asarray(data,dtype='float')/255.0 data = data.reshape(height,width) graph[deltaX:deltaX+height,deltaY:deltaY+width,0]=data return graph def create_sparse(Y,dtype=np.int32): ''' 对txt文本转化出来的数字序列Y作进一步的处理 Args: Y Return: indices: 数组Y下标索引构成的新数组 values: 下标索引对应的真实的数字码 shape ''' indices = [] values = [] for i in range(len(Y)): for j in range(len(Y[i])): indices.append((i,j)) values.append(Y[i][j]) indices = np.asarray(indices, dtype=np.int64) values = np.asarray(values, dtype=dtype) shape = np.asarray([len(Y), np.asarray(indices).max(0)[1] + 1], dtype=np.int64) #[64,180] return (indices, values, shape) def backward(): x = tf.placeholder(tf.float32, shape=[None, graphSize[0], graphSize[1],1]) y = ocr_forward.forward(x, True, REGULARIZER) #y_: 表示真实标签数据 #Y : 从文本中读取到的标签数据，训练时传给y_ #y : 神经网络预测的标签 global_step = tf.Variable(0, trainable=False)#全局步骤计数 seq_len = tf.placeholder(tf.int32, shape=[None]) y_ = tf.sparse_placeholder(tf.int32, shape=[None,2]) Imgs, Y = ocr_generated.get_data() #损失函数使用的ctc_loss函数 loss = tf.nn.ctc_loss(y_, y, seq_len) cost = tf.reduce_mean(loss) #优化函数使用的是Adam算法 optimizer1 = tf.train.AdamOptimizer(learning_rate=0.0003).minimize(cost, global_step=global_step) optimizer2 = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(cost, global_step=global_step) width1_decoded, width1_log_prob=tf.nn.ctc_beam_search_decoder(y, seq_len, merge_repeated=False,beam_width=1) decoded, log_prob = tf.nn.ctc_beam_search_decoder(y, seq_len, merge_repeated=False) width1_acc = tf.reduce_mean(tf.edit_distance(tf.cast(width1_decoded[0], tf.int32), y_)) acc = tf.reduce_mean(tf.edit_distance(tf.cast(decoded[0], tf.int32), y_)) nBatchArray=np.arange(Y.shape[0]) epoch=100 batchSize=32 saver=tf.train.Saver(max_to_keep=1) config = tf.ConfigProto() config.gpu_options.allow_growth = True sess=tf.Session(config=config) bestDevErr=100.0 with sess: sess.run(tf.global_variables_initializer()) ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH) if ckpt and ckpt.model_checkpoint_path: saver.restore(sess, ckpt.model_checkpoint_path) #saver.restore(sess, "model/model.ckpt") #print(outputs.get_shape()) for ep in range(epoch): np.random.shuffle(nBatchArray) for i in range(0, Y.shape[0], batchSize): batch_output = create_sparse(Y[nBatchArray[i:i+batchSize]]) X=[None]*min(Y.shape[0]-i,batchSize) for j in range(len(X)): X[j]=transform(Imgs[nBatchArray[i+j]]) feed_dict={x:X,seq_len :np.ones(min(Y.shape[0]-i,batchSize)) * 256, y_:batch_output} if ep<50: sess.run(optimizer1, feed_dict=feed_dict) else: sess.run(optimizer2, feed_dict=feed_dict) print(ep,i,"loss:",tf.reduce_mean(loss.eval(feed_dict=feed_dict)).eval(),"err:",tf.reduce_mean(width1_acc.eval(feed_dict=feed_dict)).eval()) #saver.save(sess, "model/model.ckpt") saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME)) def main(): backward() if __name__ == '__main__': main()
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131ocr_test.py
import os import glob import random import numpy as np from PIL import Image from PIL import ImageFilter import ocr_forward import tensorflow as tf REGULARIZER = 0.0001 graphSize = (112,1024) def transform(im,flag=True): ''' 对image做预处理，将其形状强制转化成(112, 1024, 1)的ndarray对象并返回 Args: im = Image Object Return: graph = Ndarray Object ''' graph=np.zeros(graphSize[1]*graphSize[0]*1).reshape(graphSize[0],graphSize[1],1) deltaX=0 deltaY=0 ratio=1.464 if flag: lowerRatio=max(1.269,im.size[1]*1.0/graphSize[0],im.size[0]*1.0/graphSize[1]) upperRatio=max(lowerRatio,1.659) ratio=random.uniform(lowerRatio,upperRatio) deltaX=random.randint(0,int(graphSize[0]-im.size[1]/ratio)) deltaY=random.randint(0,int(graphSize[1]-im.size[0]/ratio)) else: ratio=max(1.464,im.size[1]*1.0/graphSize[0],im.size[0]*1.0/graphSize[1]) deltaX=int(graphSize[0]-im.size[1]/ratio)>>1 deltaY=int(graphSize[1]-im.size[0]/ratio)>>1 height=int(im.size[1]/ratio) width=int(im.size[0]/ratio) data = im.resize((width,height),Image.ANTIALIAS).getdata() data = 1-np.asarray(data,dtype='float')/255.0 data = data.reshape(height,width) graph[deltaX:deltaX+height,deltaY:deltaY+width,0]=data return graph def countMargin(v,minSum,direction=True): ''' Args: v = list minSum = Int Return: v中比minSum小的项数 ''' if direction: for i in range(len(v)): if v[i]>minSum: return i return len(v) for i in range(len(v)-1,-1,-1): if v[i]>minSum: return len(v)-i-1 return len(v) def splitLine(seg,dataSum,h,maxHeight): i=0 while i<len(seg)-1: if seg[i+1]-seg[i]<maxHeight: i+=1 continue x=countMargin(dataSum[seg[i]:],3,True) y=countMargin(dataSum[:seg[i+1]],3,False) if seg[i+1]-seg[i]-x-y<maxHeight: i+=1 continue idx=dataSum[seg[i]+x+h:seg[i+1]-h-y].argmin()+h if 0.33<=idx/(seg[i+1]-seg[i]-x-y)<=0.67: seg.insert(i+1,dataSum[seg[i]+x+h:seg[i+1]-y-h].argmin()+seg[i]+x+h) else: i+=1 def getLine(im,data,upperbound=8,lowerbound=25,threshold=30,h=40,minHeight=35,maxHeight=120,beginX=20,endX=-20,beginY=125,endY=1100,merged=True): ''' ''' dataSum=data[:,beginX:endX].sum(1) #dataSum是一个一维向量 lastPosition=beginY seg=[] flag=True cnt=0 for i in range(beginY,endY): if dataSum[i]<=lowerbound: flag=True if dataSum[i]<=upperbound: cnt=0 continue if flag: cnt+=1 if cnt>=threshold: lineNo=np.argmin(dataSum[lastPosition:i])+lastPosition if threshold<=i-beginY else beginY if not merged or len(seg)==0 or lineNo-seg[-1]-countMargin(dataSum[seg[-1]:],5,True)-countMargin(dataSum[:lineNo],5,False)>minHeight: seg.append(lineNo) else: avg1=dataSum[max(0,seg[-1]-1):seg[-1]+2] avg1=avg1.sum()/avg1.shape[0] avg2=dataSum[max(0,lineNo-1):lineNo+2] avg2=avg2.sum()/avg2.shape[0] if avg1>avg2: seg[-1]=lineNo lastPosition=i flag=False lineNo=np.argmin(dataSum[lastPosition:]>10)+lastPosition if threshold<i else beginY if not merged or len(seg)==0 or lineNo-seg[-1]-countMargin(dataSum[seg[-1]:],10,True)-countMargin(dataSum[:lineNo],10,False)>minHeight: seg.append(lineNo) else: avg1=dataSum[max(0,seg[-1]-1):seg[-1]+2] avg1=avg1.sum()/avg1.shape[0] avg2=dataSum[max(0,lineNo-1):lineNo+2] avg2=avg2.sum()/avg2.shape[0] if avg1>avg2: seg[-1]=lineNo splitLine(seg,dataSum,h,maxHeight) results=[] for i in range(0,len(seg)-1): results.append(im.crop((0,seg[i]+countMargin(dataSum[seg[i]:],0),im.size[0],seg[i+1]-countMargin(dataSum[:seg[i+1]],0,False)))) return results def calEditDistance(text1,text2): dp=np.asarray([0]*(len(text1)+1)*(len(text2)+1)).reshape(len(text1)+1,len(text2)+1) dp[0]=np.arange(len(text2)+1) dp[:,0]=np.arange(len(text1)+1) for i in range(1,len(text1)+1): for j in range(1,len(text2)+1): if text1[i-1]==text2[j-1]: dp[i,j]=dp[i-1,j-1] else: dp[i,j]=min(dp[i,j-1],dp[i-1,j],dp[i-1,j-1])+1 return dp[-1,-1] def test(): x = tf.placeholder(tf.float32, shape=[None, graphSize[0], graphSize[1], 1]) y = ocr_forward.forward(x, False, REGULARIZER) seq_len = tf.placeholder(tf.int32, shape=[None]) labels=tf.sparse_placeholder(tf.int32, shape=[None,2]) loss = tf.nn.ctc_loss(labels, y, seq_len) cost = tf.reduce_mean(loss) width1_decoded, width1_log_prob=tf.nn.ctc_beam_search_decoder(y, seq_len, merge_repeated=False,beam_width=1) decoded, log_prob = tf.nn.ctc_beam_search_decoder(y, seq_len, merge_repeated=False) width1_acc = tf.reduce_mean(tf.edit_distance(tf.cast(width1_decoded[0], tf.int32), labels)) acc = tf.reduce_mean(tf.edit_distance(tf.cast(decoded[0], tf.int32), labels)) saver=tf.train.Saver(max_to_keep=1) result=0 imgFiles=glob.glob(os.path.join("test_img","*")) imgFiles.sort() txtFiles=glob.glob(os.path.join("test_txt","*")) txtFiles.sort() for i in range(len(imgFiles)): goldLines=[] fin=open(txtFiles[i]) lines=fin.readlines() fin.close() for j in range(len(lines)): goldLines.append(lines[j]) im = Image.open(imgFiles[i]) width, height = im.size im = im.convert("L") data = im.getdata() data = 1-np.asarray(data,dtype='float')/255.0 data = data.reshape(height,width) #getLine()将图片切割成一行一行的词条 Imgs = getLine(im,data) config = tf.ConfigProto() config.gpu_options.allow_growth = True sess=tf.Session(config=config) with sess: saver.restore(sess,"model/model.ckpt") X=[None]*len(Imgs) for j in range(len(Imgs)): X[j]=transform(Imgs[j],False) feed_dict={inputs:X,seq_len :np.ones(len(X)) * 256} predict = decoded[0].eval(feed_dict=feed_dict) j=0 predict_text="" gold_text="".join(goldLines) for k in range(predict.dense_shape[0]): while j<len(predict.indices) and predict.indices[j][0]==k: predict_text+=characters[predict.values[j]] j+=1 predict_text+="n" predict_text=predict_text.rstrip("n") print("predict_text:") print(predict_text) fout=open("predict%s%s.txt"%(os.sep,txtFiles[i][txtFiles[i].find(os.sep)+1:txtFiles[i].rfind('.')]),'w') fout.write(predict_text) fout.close() print("gold_text:") print(gold_text) cer=calEditDistance(predict_text,gold_text)*1.0/len(gold_text) print("预测正确率： ", end='') print(cer) print() result+=cer print("test composition err:",result*1.0/len(imgFiles)) def main(): test() if __name__ == '__main__': main()
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209相关笔记
以下所有源码以及更详细PDF笔记请在github下载
TensorFolwNotebook-from-Peking-University
相关知识
在线识别汉字
创业大赛参赛实战技巧
深度学习 花卉识别
遗传标记的发展和分子标记的检测技术(2001年)资源
最精准的识别植物软件有哪些 好用的识别植物软件下载推荐
复古文艺花卉背景的春天主题PPT模板.zip资源
植物识别接口 花卉识别 植物花卉识别 图像识别
可以识别图片文字的app
手写模拟器+AI制作自己的手写字体=？
探索中文命名实体识别：BiLSTM+CRF模型实战指南
网址: 【北京大学】13 TensorFlow1.x的项目实战之手写英文体识别OCR技术 https://m.huajiangbk.com/newsview764822.html
| 上一篇: CUBEAI详细使用教程（STM |
下一篇: 手写识别技术再突破：随机森林显著 |
