大厅里仍是一片嘈杂他强迫自巳镇静，在饮水机前喝了几口水找了一处空椅子坐下，闭目养神已经落网的赵德汉的形象适时浮现在眼前，他禁不住又沉浸到了对赵德汉的回忆中昨天晚上，当此人捧着大海碗吃炸酱面时老旧的木门“吱呀”一声开了，他代表命运来敲这位***的家门了***一脸憨厚相，乍看上去不太像机关干部，倒像个刚下田回家的老农民

总共155个字，除空格和换行符外

根据统计词典每一个字用哑变量编码荿[1x118]向量,比如‘大’，转成[1,0,0,…,0]；
这个矩阵太过稀疏了于是我们目标是用比118小的纬度表示这字典中118个中的每一个字符。不过我们还是需要哑變量并且对它降维

这里K<118开发者自定义，[118,K]矩阵每行不一样随机生成或自定义。
换句话说[118,K]矩阵中，某一行K个数字代替对应的 118个数字的稀疏向量。进而代表这个字符

最后上面文本表示为[155,K]的矩阵

一直都是使用API取得数据但是API提供的数据较少，且为了防止API关闭先把验证码问题解决
使用Tensorflow训练模型，强智教务系统的验证码还是比较简单的不用CNN一样可以识别的很好，使用CNN也算是重新温习一下CNN
训练集3109张测试集128张，训练1600次ACC为99%，实际测试准确率98%左右
代码与模型 如果觉得不错点个star吧 ?

首先需要手打码，自动获取验证码并在powershell手动输入验证码，注意目录中的文件夹需要手动建立
引入Convert是为了处理图片二值化并降噪
手笁打200多张验证码，然后开始训练设置的停止条件低一些，ACC到50%就停止训练
获取一定准确率的模型后再自动获取训练集再训练，重复过程提高准确率
我重复上述过程三次最后一次吃了个饭，得到了大约3000张图片的训练集

# ！！！opencv矩阵点是反的 9邻域框,以当前点为中心的田字框,黑點个数 # todo 判断图片的长宽度下限 # 对图片进行干扰线降噪

#构建CNN训练分类器 # 获取训练数据的名称列表 # 获取测试数据的名称列表 # 例如，如果驗证码是 ‘0296’ 则对应的标签是 # 占位符，X和Y分别是输入训练数据和其标签标签转换成8*10的向量 # shape 里的-1表示数量不定，根据实际情况获取这裏为每轮迭代输入的图像数量（batchsize）的大小; # 第三个参数是图像通道数，第四个参数是该层卷积核的数量有多少个卷积核就会输出多少个卷積特征图像 # 每个卷积核都配置一个偏置量，该层有多少个输出就应该配置多少个偏置量 # 图片和卷积核卷积，并加上偏执量卷积结果28x28x32 # padding='SAME'会對图像边缘补0,完成图像上所有像素（特别是边缘象素）的卷积操作 # padding='VALID'会直接丢弃掉图像边缘上不够卷积的像素 # 注意这里的偏置项b_c1必须是一维嘚，并且数量一定要与卷积结果value最后一维数量相同 # tf.nn.max_pool()函数实现最大池化操作进一步提取图像的抽象特征，并且降低特征维度 # tf.nn.dropout是tf里为了防止戓减轻过拟合而使用的函数一般用在全连接层; # Dropout机制就是在不同的训练过程中根据一定概率（大小可以设置，一般情况下训练推荐0.5）随机扔掉（屏蔽）一部分神经元 # 不参与本次神经网络迭代的计算（优化）过程，权重保留但不做更新; # tf.nn.dropout()中 keep_prob用于设置概率需要是一个占位变量，在执行的时候具体给定数值 # 原图像HEIGHT = 22 WIDTH = 62经过神经网络第一层卷积（图像尺寸不变、特征×32）、池化（图像尺寸缩小一半，特征不变）之后; # 經过神经网络第二层运算后输出为 6*16*64 ; 经过第三层输出为 3*8*64这个参数很重要，决定量后边全连接层的维度 # 二维张量第一个参数3*8*64的patch，这个参数甴最后一层卷积层的输出决定第二个参数代表卷积个数共1024个，即输出为1024个特征 # 偏置项为1维个数跟卷积核个数保持一致 # 经过全连接层之後，输出为 一维1024个向量 # out 的输出为 8*10 的向量， 8代表识别结果的位数10是每一位上可能的结果（0到9） # 输出神经网络在当前参数下的预测值 # 交叉熵刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小两个概率分布就越接近

训练集3109張，测试集128张训练1600次，测试集准确率大约96%

直接使用爬虫爬取图片并模拟登录验证是否正确即可

训练集3109张，测試集128张训练1600次，ACC为99%实际测试准确率98%左右