TensorFlow與中文手寫漢字識別

Goal

本文目標是利用TensorFlow做一個簡單的圖像分類器，在比較大的數據集上，儘可能高效地做圖像相關處理，從Train，Validation到Inference，是一個比較基本的Example， 從一個基本的任務學習如果在TensorFlow下做高效地圖像讀取，基本的圖像處理，整個項目很簡單，但其中有一些trick，在實際項目當中有很大的好處， 比如絕對不要一次讀入所有的 的數據到內存（儘管在Mnist這類級別的例子上經常出現)…

最開始看到是這篇blog裡面的TensorFlow練習22: 手寫漢字識別, 但是這篇文章只用了140訓練與測試，試了下代碼 很快，但是當擴展到所有的時，發現32g的內存都不夠用，這才注意到原文中都是用numpy，會先把所有的數據放入到內存，但這個不必須的，無論在MXNet還是TensorFlow中都是不必 須的，MXNet使用的是DataIter，會在程序運行的過程中非同步讀取數據，TensorFlow也是這樣的，TensorFlow封裝了高級的api，用來做數據的讀取，比如TFRecord，還有就是從filenames中讀取， 來非同步讀取文件，然後做shuffle batch，再feed到模型的Graph中來做模型參數的更新。具體在tf如何做數據的讀取可以看看reading data in tensorflow

這裡我會拿到所有的數據集來做訓練與測試，算作是對斗大的熊貓上面那篇文章的一個擴展。

Batch Generate

數據集來自於中科院自動化研究所，感謝分享精神！！！具體下載:

wget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1trn_gnt.zipwget http://www.nlpr.ia.ac.cn/databases/download/feature_data/HWDB1.1tst_gnt.zip

解壓後發現是一些gnt文件，然後用了斗大的熊貓裡面的代碼，將所有文件都轉化為對應label目錄下的所有png的圖片。（注意在HWDB1.1trn_gnt.zip解壓後是alz文件，需要再次解壓 我在mac沒有找到合適的工具，windows上有alz的解壓工具)。

import osimport numpy as npimport structfrom PIL import Imagedata_dir = ../datatrain_data_dir = os.path.join(data_dir, HWDB1.1trn_gnt)test_data_dir = os.path.join(data_dir, HWDB1.1tst_gnt)def read_from_gnt_dir(gnt_dir=train_data_dir): def one_file(f): header_size = 10 while True: header = np.fromfile(f, dtype=uint8, count=header_size) if not header.size: break sample_size = header[0] + (header[1]<<8) + (header[2]<<16) + (header[3]<<24) tagcode = header[5] + (header[4]<<8) width = header[6] + (header[7]<<8) height = header[8] + (header[9]<<8) if header_size + width*height != sample_size: break image = np.fromfile(f, dtype=uint8, count=width*height).reshape((height, width)) yield image, tagcode for file_name in os.listdir(gnt_dir): if file_name.endswith(.gnt): file_path = os.path.join(gnt_dir, file_name) with open(file_path, rb) as f: for image, tagcode in one_file(f): yield image, tagcodechar_set = set()for _, tagcode in read_from_gnt_dir(gnt_dir=train_data_dir): tagcode_unicode = struct.pack(>H, tagcode).decode(gb2312) char_set.add(tagcode_unicode)char_list = list(char_set)char_dict = dict(zip(sorted(char_list), range(len(char_list))))print len(char_dict)import picklef = open(char_dict, wb)pickle.dump(char_dict, f)f.close()train_counter = 0test_counter = 0for image, tagcode in read_from_gnt_dir(gnt_dir=train_data_dir): tagcode_unicode = struct.pack(>H, tagcode).decode(gb2312) im = Image.fromarray(image) dir_name = ../data/train/ + %0.5d%char_dict[tagcode_unicode] if not os.path.exists(dir_name): os.mkdir(dir_name) im.convert(RGB).save(dir_name+/ + str(train_counter) + .png) train_counter += 1for image, tagcode in read_from_gnt_dir(gnt_dir=test_data_dir): tagcode_unicode = struct.pack(>H, tagcode).decode(gb2312) im = Image.fromarray(image) dir_name = ../data/test/ + %0.5d%char_dict[tagcode_unicode] if not os.path.exists(dir_name): os.mkdir(dir_name) im.convert(RGB).save(dir_name+/ + str(test_counter) + .png) test_counter += 1

處理好的數據，放到了雲盤，大家可以直接在我的雲盤來下載處理好的數據集HWDB1. 這裡說明下，char_dict是漢字和對應的數字label的記錄。

得到數據集後，就要考慮如何讀取了，一次用numpy讀入內存在很多小數據集上是可以行的，但是在稍微大點的數據集上內存就成了瓶頸，但是不要害怕，TensorFlow有自己的方法：

def batch_data(file_labels,sess, batch_size=128): image_list = [file_label[0] for file_label in file_labels] label_list = [int(file_label[1]) for file_label in file_labels] print tag2 {0}.format(len(image_list)) images_tensor = tf.convert_to_tensor(image_list, dtype=tf.string) labels_tensor = tf.convert_to_tensor(label_list, dtype=tf.int64) input_queue = tf.train.slice_input_producer([images_tensor, labels_tensor]) labels = input_queue[1] images_content = tf.read_file(input_queue[0]) # images = tf.image.decode_png(images_content, channels=1) images = tf.image.convert_image_dtype(tf.image.decode_png(images_content, channels=1), tf.float32) # images = images / 256 images = pre_process(images) # print images.get_shape() # one hot labels = tf.one_hot(labels, 3755) image_batch, label_batch = tf.train.shuffle_batch([images, labels], batch_size=batch_size, capacity=50000,min_after_dequeue=10000) # print image_batch, image_batch.get_shape() coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) return image_batch, label_batch, coord, threads

簡單介紹下，首先你需要得到所有的圖像的path和對應的label的列表，利用tf.convert_to_tensor轉換為對應的tensor， 利用tf.train.slice_input_producer將image_list ,label_list做一個slice處理，然後做圖像的讀取、預處理，以及label的one_hot表示，然後就是傳到tf.train.shuffle_batch產生一個個shuffle batch，這些就可以feed到你的 模型。 slice_input_producer和shuffle_batch這類操作內部都是基於queue，是一種非同步的處理方式,會在設備中開闢一段空間用作cache，不同的進程會分別一直往cache中塞數據 和取數據，保證內存或顯存的佔用以及每一個mini-batch不需要等待，直接可以從cache中獲取。

Data Augmentation

由於圖像場景不複雜，只是做了一些基本的處理，包括圖像翻轉，改變下亮度等等，這些在TensorFlow裡面有現成的api，所以盡量使用TensorFlow來做相關的處理：

def pre_process(images): if FLAGS.random_flip_up_down: images = tf.image.random_flip_up_down(images) if FLAGS.random_flip_left_right: images = tf.image.random_flip_left_right(images) if FLAGS.random_brightness: images = tf.image.random_brightness(images, max_delta=0.3) if FLAGS.random_contrast: images = tf.image.random_contrast(images, 0.8, 1.2) new_size = tf.constant([FLAGS.image_size,FLAGS.image_size], dtype=tf.int32) images = tf.image.resize_images(images, new_size) return images

Build Graph

這裡很簡單的構造了一個兩個卷積+一個全連接層的網路，沒有做什麼更深的設計，感覺意義不大，設計了一個dict，用來返回後面要用的所有op，還有就是為了方便再訓練中查看loss和accuracy， 沒有什麼特別的，很容易理解, labels 為None時 方便做inference。

def network(images, labels=None): endpoints = {} conv_1 = slim.conv2d(images, 32, [3,3],1, padding=SAME) max_pool_1 = slim.max_pool2d(conv_1, [2,2],[2,2], padding=SAME) conv_2 = slim.conv2d(max_pool_1, 64, [3,3],padding=SAME) max_pool_2 = slim.max_pool2d(conv_2, [2,2],[2,2], padding=SAME) flatten = slim.flatten(max_pool_2) out = slim.fully_connected(flatten,3755, activation_fn=None) global_step = tf.Variable(initial_value=0) if labels is not None: loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(out, labels)) train_op = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(loss, global_step=global_step) accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(labels, 1)), tf.float32)) tf.summary.scalar(loss, loss) tf.summary.scalar(accuracy, accuracy) merged_summary_op = tf.summary.merge_all() output_score = tf.nn.softmax(out) predict_val_top3, predict_index_top3 = tf.nn.top_k(output_score, k=3) endpoints[global_step] = global_step if labels is not None: endpoints[labels] = labels endpoints[train_op] = train_op endpoints[loss] = loss endpoints[accuracy] = accuracy endpoints[merged_summary_op] = merged_summary_op endpoints[output_score] = output_score endpoints[predict_val_top3] = predict_val_top3 endpoints[predict_index_top3] = predict_index_top3 return endpoints

Train

train函數包括從已有checkpoint中restore，得到step，快速恢復訓練過程，訓練主要是每一次得到mini-batch，更新參數，每隔eval_steps後做一次train batch的eval，每隔save_steps 後保存一次checkpoint。

def train(): sess = tf.Session() file_labels = get_imagesfile(FLAGS.train_data_dir) images, labels, coord, threads = batch_data(file_labels, sess) endpoints = network(images, labels) saver = tf.train.Saver() sess.run(tf.global_variables_initializer()) train_writer = tf.train.SummaryWriter(./log + /train,sess.graph) test_writer = tf.train.SummaryWriter(./log + /val) start_step = 0 if FLAGS.restore: ckpt = tf.train.latest_checkpoint(FLAGS.checkpoint_dir) if ckpt: saver.restore(sess, ckpt) print "restore from the checkpoint {0}".format(ckpt) start_step += int(ckpt.split(-)[-1]) logger.info(:::Training Start:::) try: while not coord.should_stop(): # logger.info(step {0} start.format(i)) start_time = time.time() _, loss_val, train_summary, step = sess.run([endpoints[train_op], endpoints[loss], endpoints[merged_summary_op], endpoints[global_step]]) train_writer.add_summary(train_summary, step) end_time = time.time() logger.info("the step {0} takes {1} loss {2}".format(step, end_time-start_time, loss_val)) if step > FLAGS.max_steps: break # logger.info("the step {0} takes {1} loss {2}".format(i, end_time-start_time, loss_val)) if step % FLAGS.eval_steps == 1: accuracy_val,test_summary, step = sess.run([endpoints[accuracy], endpoints[merged_summary_op], endpoints[global_step]]) test_writer.add_summary(test_summary, step) logger.info(===============Eval a batch in Train data=======================) logger.info( the step {0} accuracy {1}.format(step, accuracy_val)) logger.info(===============Eval a batch in Train data=======================) if step % FLAGS.save_steps == 1: logger.info(Save the ckpt of {0}.format(step)) saver.save(sess, os.path.join(FLAGS.checkpoint_dir, my-model), global_step=endpoints[global_step]) except tf.errors.OutOfRangeError: # print "============train finished=========" logger.info(==================Train Finished================) saver.save(sess, os.path.join(FLAGS.checkpoint_dir, my-model), global_step=endpoints[global_step]) finally: coord.request_stop() coord.join(threads) sess.close()

Graph

Loss and Accuracy

Validation

訓練完成之後，想對最終的模型在測試數據集上做一個評估，這裡我也曾經嘗試利用batch_data，將slice_input_producer中epoch設置為1，來做相關的工作，但是發現這裡無法和train 共用，會出現epoch無初始化值的問題（train中傳epoch為None），所以這裡自己寫了shuffle batch的邏輯，將測試集的images和labels通過feed_dict傳進到網路，得到模型的輸出， 然後做相關指標的計算：

def validation(): # it should be fixed by using placeholder with epoch num in train stage sess = tf.Session() file_labels = get_imagesfile(FLAGS.test_data_dir) test_size = len(file_labels) print test_size val_batch_size = FLAGS.val_batch_size test_steps = test_size / val_batch_size print test_steps # images, labels, coord, threads= batch_data(file_labels, sess) images = tf.placeholder(dtype=tf.float32, shape=[None, 64, 64, 1]) labels = tf.placeholder(dtype=tf.int32, shape=[None,3755]) # read batch images from file_labels # images_batch = np.zeros([128,64,64,1]) # labels_batch = np.zeros([128,3755]) # labels_batch[0][20] = 1 # endpoints = network(images, labels) saver = tf.train.Saver() ckpt = tf.train.latest_checkpoint(FLAGS.checkpoint_dir) if ckpt: saver.restore(sess, ckpt) # logger.info("restore from the checkpoint {0}".format(ckpt)) # logger.info(Start validation) final_predict_val = [] final_predict_index = [] groundtruth = [] for i in range(test_steps): start = i* val_batch_size end = (i+1)*val_batch_size images_batch = [] labels_batch = [] labels_max_batch = [] logger.info(=======start validation on {0}/{1} batch=========.format(i, test_steps)) for j in range(start,end): image_path = file_labels[j][0] temp_image = Image.open(image_path).convert(L) temp_image = temp_image.resize((FLAGS.image_size, FLAGS.image_size),Image.ANTIALIAS) temp_label = np.zeros([3755]) label = int(file_labels[j][1]) # print label temp_label[label] = 1 # print "====",np.asarray(temp_image).shape labels_batch.append(temp_label) # print "====",np.asarray(temp_image).shape images_batch.append(np.asarray(temp_image)/255.0) labels_max_batch.append(label) # print images_batch images_batch = np.array(images_batch).reshape([-1, 64, 64, 1]) labels_batch = np.array(labels_batch) batch_predict_val, batch_predict_index = sess.run([endpoints[predict_val_top3], endpoints[predict_index_top3]], feed_dict={images:images_batch, labels:labels_batch}) logger.info(=======validation on {0}/{1} batch end=========.format(i, test_steps)) final_predict_val += batch_predict_val.tolist() final_predict_index += batch_predict_index.tolist() groundtruth += labels_max_batch sess.close() return final_predict_val, final_predict_index, groundtruth

在訓練20w個step之後，大概能達到在測試集上能夠達到：

相信如果在網路設計上多花點時間能夠在一定程度上提升accuracy和top 3 accuracy.有興趣的小夥伴們可以玩玩這個數據集。

Inference

def inference(image): temp_image = Image.open(image).convert(L) temp_image = temp_image.resize((FLAGS.image_size, FLAGS.image_size),Image.ANTIALIAS) sess = tf.Session() logger.info(========start inference============) images = tf.placeholder(dtype=tf.float32, shape=[None, 64, 64, 1]) endpoints = network(images) saver = tf.train.Saver() ckpt = tf.train.latest_checkpoint(FLAGS.checkpoint_dir) if ckpt: saver.restore(sess, ckpt) predict_val, predict_index = sess.run([endpoints[predict_val_top3],endpoints[predict_index_top3]], feed_dict={images:temp_image}) sess.close() return final_predict_val, final_predict_index

運氣挺好，隨便找了張圖片就能準確識別出來

Summary

綜上，就是利用tensorflow做中文手寫識別的全部，從如何使用tensorflow內部的queue來有效讀入數據，到如何設計network， 到如何做train，validation，inference，珍格格流程比較清晰， 美中不足的是，原本打算是在訓練過程中，來對測試集做評估，但是在使用queue讀test_data_dir下的filenames，和train本身的好像有點問題，不過應該是可以解決的，我這裡就pass了。另外可能 還有一些可以改善的地方，比如感覺可以把batch data one hot的部分寫入到network，這樣，減緩在validation時內存會因為onehot的sparse開銷比較大。

感覺這個中文手寫漢字數據集價值很大，後面感覺會有好多可以玩的，比如

• 可以參考項亮大神的這篇文章端到端的OCR：驗證碼識別做定長的字元識別和不定長的字元識別，定長的基本原理是說，可以把最終輸出擴展為k個輸出， 每個值表示對應的字元label，這樣cnn模型在feature extract之後就可以自己去識別對應字元而無需人工切割；而LSTM+CTC來解決不定長的驗證碼，類似於將音頻解碼為漢字
• 最近GAN特別火，感覺可以考慮用這個數據來做某個字的生成，和text2img那個項目text-to-image

這部分的代碼都在我的github上tensorflow-101，有遇到相關功能,想參考代碼的可以去上面找找，沒準就能解決你們遇到的一些小問題.

Update in 2017.02.13

感謝@soloice的PR，使得代碼更簡潔， 並且修改了網路的結構，使得模型準確率上升很高, 最後top1和top3的結果：