基于卷积神经网络的验证码识别-数据可视化

除此之外，我们需要观察模型的效果怎么样，所以需要可视化一些数据，从而方便我们调整网络结构以及相应的参数，比如损失值，准确率等。

首先需要将模型输出的张量转化为4个字符的验证码。由于标签是用4个one hot向量拼接在一起的，所以需要按照one hot向量的长度将张量分割开。然后在每个切片中找到数值最大的对应的索引。数值最大的我们就认为是one hot中的1。最后，根据索引去字符集中找到对应的字符即可。

def tensor2captcha(tensor):
    tot_len = tensor.shape[1]
    assert CAPTCHA_LEN * CHAR_LEN == tot_len

    chars = np.array(list(CHAR_SET))

    captcha = []
    for i in range(CAPTCHA_LEN):
        slice = tensor[:, i * CHAR_LEN:(i + 1) * CHAR_LEN]
        idx = torch.argmax(slice, dim=1).detach().cpu().numpy()
        col = chars[idx][:, np.newaxis]
        captcha.append(col)
    captcha = list(np.hstack(captcha))
    captcha = [''.join(row) for row in captcha]

    return captcha

计算准确率就很简单了，预测值和标签一样就认为是预测正确。

def get_acc(label, pred):
    assert len(label) == len(pred)
    label, pred = np.array(label), np.array(pred)
    return sum(label == pred) / len(label)

最后是绘制损失曲线和准确率曲线。

def draw_loss_curve(loss_per_epoch):
    plt.figure()
    plt.plot(list(range(1, len(loss_per_epoch) + 1)), loss_per_epoch)
    plt.xlabel('Epoch')
    plt.ylabel('Loss')
    plt.title('Loss Curve')
    plt.savefig('loss.png')


def draw_acc(train_acc, test_acc):
    assert len(train_acc) == len(test_acc)

    x = list(range(1, len(train_acc) + 1))
    plt.clf()
    plt.plot(x, train_acc, label='train_acc')
    plt.plot(x, test_acc, label='test_acc')
    plt.legend()
    plt.title("acc goes by epoch")
    plt.xlabel('eopch')
    plt.ylabel('acc_value')
    plt.savefig('acc.png')