本文讨论了基于卷积神经网络的验证码识别问题。提出了一种基于卷积神经网络的CAPTCHA训练数据捕获新方法和不切字识别算法。讨论了损失函数、Metrics函数的选择以及网络参数选择的方向。
训练数据的生成
直觉上，我们应该从网站上抓取验证码并标记它，然后使用这些数据进行训练。但是这样做可能会出现一些问题：
用于训练的图片往往需要在几万甚至几十万的数量级，要抓到这么多图片又不被网站扣分可能并不容易。假设网站可以容忍一个IP在一秒内抓取一张验证码图片，那么一天只能抓取8万张图片。如果您在此期间受到网站的处罚，收集这些图像将需要更长的时间。
二是图像标注问题。假设你要收集 500,000 张图片，手动识别并一一标注。假设以验证码文本作为文件名完成注解，在Windows上完成这样的操作可能需要5秒。这样一来，标注全部50万张图片需要29天（按24小时计算易语言过验证码，不是8小时作为工作时间计算）。当然，我们可以使用一些脚本来加速这个操作。比如先把50万张图片按照1到50万的数字命名，然后分成几个文件夹（减少错误，方便校对；另外，出于性能考虑，一个文件夹不宜存放太多文件。） ，然后在资源管理器中以缩略图的形式依次显示这些图片。人工识别后，将验证码文件写入文本文件，每行一个，然后使用脚本将这个一个一个读取，存储大量验证码。, 并将原来以数字命名的验证码文件一一重命名。尽管如此，即使验证码只有4位数字和英文字母，输入一次也需要2~3秒左右。以这种方式标注 500,000 张图像仍然需要将近 15 天的时间。
这只是完成一个网站验证码注释的时间和资源成本。
考虑到 CAPTCHA 识别不是一个值得大量投资的话题，投入如此多的资源来收集训练数据很可能并不经济。因此，我们必须想出更好的方法。
事实上，大多数网站都使用开源框架来生成验证码。虽然这样的开源框架很多，但是生成验证码的套路大同小异，只是参数不同造成的一些视觉差异。如果我们的神经网络模型具有足够的泛化能力，那么这些参数的变化应该是可以容忍的。这样易语言过验证码，我们的思路就变成了，参考开源框架的实现，生成类似网站的验证码进行训练，更好的解决了训练数据问题。
Github上有很多开源的验证码生成框架，其中PHP语言最多：
下面是常用的验证码：
可以看出，它的产生具有以下特点：
字符颜色变化 背景颜色变化和阴影变化 插入干涉线和干涉点 整个画面已经变形
根据以上特点，我们使用python实现了一个简单的验证码。主要由两个文件组成，一个是vocab.py，用于管理验证码的词汇；另一个是captcha.py，用于实际生成验证码图片。
# vocab.py
词汇管理模块除了生成随机字符串外，还提供编码转换功能，后续训练需要用到。
现在看看 captcha.py：
# PIL是一个常用的python图像库。在python 3.5中， 应该使用pip install pillow来安装
此代码由两个类组成。Captcha 基类提供了一个简单的默认实现，其派生类可以修改和添加一些行为（例如添加噪音）以适应不同的网站验证码需求。
代码先画背景，这里我们简单画一个白色的背景。然后画出文字。请注意，没有为不同的字符选择不同的颜色。接下来画出干涉线和干涉点。最后，对图像进行变形，并通过滤波器进行边缘增强。
为了完整起见，这里简单介绍一下从网站抓取验证码图片的技术问题。
网站验证码抓取
推荐使用 scrapy 工具包。该工具包具有先进的多线程管理、调度功能、限流机制和易于使用的调试工具。在 Github 上获得 18k 颗星。
具体用法请参考这里
以数据uri格式发送的验证码
一些网站在通过验证码时使用数据uri而不是单独的图像文件来传输验证码。这样做的好处是验证码图像通常很小并且（可能）不值得单独使用 HTTP 请求。另一方面，验证码一般是一次生成一个，以后不需要保存。如果生成了图片文件，必然会保存到磁盘，并为它生成一个URL，这也是不必要的。
以下代码以今日头条的登录验证码为例，展示了如何从数据uri中恢复图片：
from 