【有了Python+Tensorflow！所有验证码识别都能快人一步！快速识别】
验证码分析和处理
网上搜索验证码识别能够得到很多教程，但大部分都是将验证码切割成单个字符训练，有时候 验证码字符大小不一或者发生重叠，切割验证码变得不适用。因此通过CNN技术将整块验证码进行识别，能使问题变得更加简单（以下操作对其他验证码分析有参考作用）。小编推荐大家加一下这个群：103456743这个群里好几千人了！大家遇到啥问题都会在里面交流！而且免费分享零基础入门料资料web开发 爬虫资料一整套！是个非常好的学习交流地方！也有程序员大神给大家热心解答各种问题！很快满员了。欲进从速哦！各种PDF等你来下载！全部都是免费的哦！只为帮助大家快速入门，所以小编在群里等你们过来一起交流学习呢！
在这里我们选择模拟学习这样的验证码：
该验证码来源于这里（正如sci-hub网站所言”to remove all barriers in the way of science”，知识就该如此）。
该验证码只由六位小写字母、噪点和干扰线组成，如果能去除噪点和干扰线，能够大大降低学习的难度。很多验证码的噪点和干扰线RGB值和字母的不一致，这个我们能通过Photoshop来分析，使用颜色取样器工具，分别在图片噪点、干扰线、空白处和字母处点击获得RGB值，如下图：
分析后发现，只要将图片二值化只保留字母，就能得到不错的输入图片：
实现代码如下：
然后点击+按钮，输入tensorflow，install package。
接下来定义一个函数，随机从训练集（3430张）中提取验证码图片，由于验证码经过我手动打标签（码了6小时），在这里只要获取验证码的名字和图片就够了，我默认放在”F:/captcha4/”目录下，需要注意的是返回的图片是以矩阵的形式。
接下来定义两个函数，将名字转变成向量，将向量转变成名字。
生成一个训练batch，也就是采样的大小，默认一次采集64张验证码作为一次训练，需要注意通过get_name_and_image()函数获得的image是一个含布尔值的矩阵，在这里通过1*(image.flatten())函数转变成只含0和1的1行114*450列的矩阵。
接下来定义卷积神经网络结构，我们采用3个卷积层加1个全连接层的结构，在每个卷积层中都选用2*2的最大池化层和dropout层，卷积核尺寸选择5*5。需要注意的是在全连接层中，我们的图片114*450已经经过了3层池化层，也就是长宽都压缩了8倍，得到15*57大小。
训练完成后，你应该会得到如下几个文件。在这里我花了将近9个小时跑了1800步，达到99.5%的准确率。输出文件的详细介绍参考这里。
预测结果如下：
希望大家以后在tensorflow的学习道路中少点阻碍！！！
苏公网安备 32021402001397号