训练自己的验证码识别器
首先查看keras中的sequential-api：fit 函数
fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)x: 训练数据的 Numpy 数组。 如果模型中的输入层被命名，你也可以传递一个字典，将输入层名称映射到 Numpy 数组。 如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，x 可以是 None（默认）。
y: 目标（标签）数据的 Numpy 数组。 如果模型中的输出层被命名，你也可以传递一个字典，将输出层名称映射到 Numpy 数组。 如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，y 可以是 None（默认）。
batch_size: 整数或 None。每次梯度更新的样本数。如果未指定，默认为 32。
epochs: 整数。训练模型迭代轮次。一个轮次是在整个 x 或 y 上的一轮迭代。请注意，与 initial_epoch 一起，epochs 被理解为 「最终轮次」。模型并不是训练了 epochs 轮，而是到第 epochs 轮停止训练。
verbose: 0, 1 或 2。日志显示模式。 0 = 安静模式, 1 = 进度条, 2 = 每轮一行。
callbacks: 一系列的 keras.callbacks.Callback 实例。一系列可以在训练时使用的回调函数。详见 callbacks。
validation_split: 在 0 和 1 之间浮动。用作验证集的训练数据的比例。模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。验证数据是清洗之前 x 和y 数据的最后一部分样本中。
validation_data: 元组 (x_val，y_val) 或元组 (x_val，y_val，val_sample_weights)，用来评估损失，以及在每轮结束时的任何模型度量指标。模型将不会在这个数据上进行训练。这个参数会覆盖 validation_split。
shuffle: 布尔值（是否在每轮迭代之前混洗数据）或者 字符串 (batch)。batch 是处理 HDF5 数据限制的特殊选项，它对一个 batch 内部的数据进行混洗。当 steps_per_epoch 非 None 时，这个参数无效。
class_weight: 可选的字典，用来映射类索引（整数）到权重（浮点）值，用于加权损失函数（仅在训练期间）。这可能有助于告诉模型 「更多关注」来自代表性不足的类的样本。
sample_weight: 训练样本的可选 Numpy 权重数组，用于对损失函数进行加权（仅在训练期间）。您可以传递与输入样本长度相同的平坦（1D）Numpy 数组（权重和样本之间的 1：1 映射），或者在时序数据的情况下，可以传递尺寸为 (samples, sequence_length) 的 2D 数组，以对每个样本的每个时间步施加不同的权重。在这种情况下，你应该确保在 compile() 中指定 sample_weight_mode="temporal"。
initial_epoch: 开始训练的轮次（有助于恢复之前的训练）。
steps_per_epoch: 在声明一个轮次完成并开始下一个轮次之前的总步数（样品批次）。使用 TensorFlow 数据张量等输入张量进行训练时，默认值 None 等于数据集中样本的数量除以 batch 的大小，如果无法确定，则为 1。
validation_steps: 只有在指定了 steps_per_epoch时才有用。停止前要验证的总步数（批次样本）。
说明：以固定数量的轮次（数据集上的迭代）训练模型。
这里函数是Keras里的Sequential顺序模型，所以本文也是使用的顺序模型来进行训练的。
from keras.models import Sequential上述代码是导入模型，顺序模型是一种多层网络进行叠加的，所以我们需要创建多个网络层：输入层，卷积，池化，全连接等。
输入层层：Input
卷积层层：conv2d
激活函数：Activation（relu）
池化层：MaxPooling2D
Flatten层：flatten （将多维张量转为一维的张量，卷积层到全连接层的一个过渡层）
防止过拟合：Dropout
全连接层：Dense
大致我们需要上述几个函数构建我们的网络，关于一些概念或者原理的东西，大家可以自行Google，下面是构建网络的代码。
inputs = Input(shape = input_shape, name = "inputs")conv1 = Conv2D(32, (3, 3), name = "conv1")(inputs)relu1 = Activation('relu', name="relu1")(conv1)conv2 = Conv2D(32, (3, 3), name = "conv2")(relu1)relu2 = Activation('relu', name="relu2")(conv2)pool2 = MaxPooling2D(pool_size=(2,2), padding='same', name="pool2")(relu2)conv3 = Conv2D(64, (3, 3), name = "conv3")(pool2)relu3 = Activation('relu', name="relu3")(conv3)pool3 = MaxPooling2D(pool_size=(2,2), padding='same', name="pool3")(relu3)x = Flatten()(pool3)x = Dropout(0.25)(x)x = [Dense(len(NUMBER), activation='softmax', name='fc%d'%(i+1))(x) for i in range(4)]outs = Concatenate()(x)
有了网络模型以后还需要编译一下才能使用。
model = Model(inputs=inputs, outputs=outs)model.compile(optimizer="优化器", loss="损失函数", metrics=['accuracy'])
编译函数第一个参数是优化器，有如下几个可供选择：
SGD
RMSprop
Adam
Adadelta
Adagrad
Adamax
Nadam
Ftrl
第二个参数是损失函数，这里不列出了直接使用binary_crossentropy（交叉熵损失）
tf.keras.losses.BinaryCrossentropy(from_logits=False, label_smoothing=0, reduction="auto", name="binary_crossentropy")
第三个参数是推荐参数，默认就好。
有了模型以后还要有数据，数据的格式有两种
channels_last（以三维为例）：(高度, 宽度, 通道)
channels_first（以三维为例）：(通道, 高度, 宽度)
这里通道代表的就是我们的数据集，不过要进行改变成1维。因为我们通道会定义为1。
== 'channels_first':input_shape = (1, width, height)else:input_shape = (width, height, 1)
然后我们要将图片导入并且转一维。取一维的总长度，纬度是1，宽度，高度，然后重置图片，这里使用的是NumPy。
np.reshape(np.shape[0], 1, width, height)这样我们就有了图片组，和Keras对应的数据格式（这时候是空的）。还记得网络层里的第一层吗？
inputs = Input(shape = input_shape, name = "inputs")这里的input_shape就是我们刚才创建的空的Keras图片格式。这里为什么传入空的，是因为这里只是当做占位符，可以理解为初始化了一个类，但是我们并没有开始执行这个类。
下面就是使用Fit函数进行训练了，训练前我们可以使用
model.summary()进行模型的查看，fit函数训练写法
history = model.fit("训练图片数据","训练图片标签",="训练一轮使用的样本数量",="训练多少轮",verbose=2,=("测试图片数据", "测试图片标签"),=True)
模型输出
Model: "model_1"__________________________________________________________________________________________________Layer (type) Output Shape Param # Connected to==================================================================================================inputs (InputLayer) (None, 37, 100, 1) 0__________________________________________________________________________________________________conv1 (Conv2D) (None, 35, 98, 32) 320 inputs[0][0]__________________________________________________________________________________________________relu1 (Activation) (None, 35, 98, 32) 0 conv1[0][0]__________________________________________________________________________________________________conv2 (Conv2D) (None, 33, 96, 32) 9248 relu1[0][0]__________________________________________________________________________________________________relu2 (Activation) (None, 33, 96, 32) 0 conv2[0][0]__________________________________________________________________________________________________pool2 (MaxPooling2D) (None, 17, 48, 32) 0 relu2[0][0]__________________________________________________________________________________________________conv3 (Conv2D) (None, 15, 46, 64) 18496 pool2[0][0]__________________________________________________________________________________________________relu3 (Activation) (None, 15, 46, 64) 0 conv3[0][0]__________________________________________________________________________________________________pool3 (MaxPooling2D) (None, 8, 23, 64) 0 relu3[0][0]__________________________________________________________________________________________________flatten_1 (Flatten) (None, 11776) 0 pool3[0][0]__________________________________________________________________________________________________dropout_1 (Dropout) (None, 11776) 0 flatten_1[0][0]__________________________________________________________________________________________________fc1 (Dense) (None, 2) 23554 dropout_1[0][0]__________________________________________________________________________________________________fc2 (Dense) (None, 2) 23554 dropout_1[0][0]__________________________________________________________________________________________________fc3 (Dense) (None, 2) 23554 dropout_1[0][0]__________________________________________________________________________________________________fc4 (Dense) (None, 2) 23554 dropout_1[0][0]__________________________________________________________________________________________________concatenate_1 (Concatenate) (None, 8) 0 fc1[0][0]fc2[0][0]fc3[0][0]fc4[0][0]==================================================================================================Total params: 122,280Trainable params: 122,280Non-trainable params: 0
每一轮的训练结果
Train on 5000 samples, validate on 1000 samplesEpoch 1/1048s - loss: 0.6951 - accuracy: 0.5081 - val_loss: 0.6918 - val_accuracy: 0.5217Epoch 2/1047s - loss: 0.6865 - accuracy: 0.5583 - val_loss: 0.6696 - val_accuracy: 0.6655Epoch 3/1052s - loss: 0.6014 - accuracy: 0.6966 - val_loss: 0.5228 - val_accuracy: 0.7720Epoch 4/1042s - loss: 0.4662 - accuracy: 0.7880 - val_loss: 0.4102 - val_accuracy: 0.8217Epoch 5/1041s - loss: 0.3911 - accuracy: 0.8293 - val_loss: 0.3460 - val_accuracy: 0.8558Epoch 6/1041s - loss: 0.3280 - accuracy: 0.8625 - val_loss: 0.2909 - val_accuracy: 0.8835Epoch 7/1041s - loss: 0.2785 - accuracy: 0.8886 - val_loss: 0.2580 - val_accuracy: 0.8947Epoch 8/1037s - loss: 0.2477 - accuracy: 0.9034 - val_loss: 0.2297 - val_accuracy: 0.9143Epoch 9/1044s - loss: 0.2293 - accuracy: 0.9099 - val_loss: 0.2136 - val_accuracy: 0.9200Epoch 10/1048s - loss: 0.2167 - accuracy: 0.9155 - val_loss: 0.2115 - val_accuracy: 0.9185
loss：训练数据的损失（每轮减少）
accuracy：训练数据的精准度（每轮增加）
val_loss：验证数据的损失（每轮减少）
val_accuracy：验证数据的精准度（每轮增加）
这里在第十轮发现验证数据有点开始过拟合了，还是训练数据少。所以直接使用第九轮的模型。
model.save(MODEL_PATH)上述代码是保存模型
model = load_model(MODEL_PATH)上述代码是载入模型，当我们训练好以后模型保存到本地。下次可以直接载入模型进行识别。
model = load_model(MODEL_PATH)for filename in glob.glob(TESTPATH+'*.png'):image = np.array(Image.open(filename))pname = model.predict(image)str_code=filename.lstrip(TESTPATH).rstrip('.png')str_code_list = str_code.split("-")name = str_code_list[1]if(name==toText(pname)):ok=ok+1else:err=err+1print("\033[1;32;43merr:"+str(err)+",ok:"+str(ok)+"\033[0m")
上述代码是识别代码
Jmeter使用方法可以参照：