{"id":13715404,"url":"https://github.com/nickliqian/cnn_captcha","last_synced_at":"2025-05-15T04:04:24.016Z","repository":{"id":33426856,"uuid":"156516517","full_name":"nickliqian/cnn_captcha","owner":"nickliqian","description":"use cnn recognize captcha by tensorflow. 本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。","archived":false,"fork":false,"pushed_at":"2022-12-08T05:22:24.000Z","size":446,"stargazers_count":2828,"open_issues_count":96,"forks_count":789,"subscribers_count":63,"default_branch":"master","last_synced_at":"2025-04-14T04:59:06.122Z","etag":null,"topics":["cnn","python","tensorflow"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"apache-2.0","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/nickliqian.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null}},"created_at":"2018-11-07T08:46:45.000Z","updated_at":"2025-04-10T03:27:35.000Z","dependencies_parsed_at":"2023-01-15T00:52:23.044Z","dependency_job_id":null,"html_url":"https://github.com/nickliqian/cnn_captcha","commit_stats":null,"previous_names":[],"tags_count":1,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/nickliqian%2Fcnn_captcha","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/nickliqian%2Fcnn_captcha/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/nickliqian%2Fcnn_captcha/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/nickliqian%2Fcnn_captcha/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/nickliqian","download_url":"https://codeload.github.com/nickliqian/cnn_captcha/tar.gz/refs/heads/master","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":254270641,"owners_count":22042858,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["cnn","python","tensorflow"],"created_at":"2024-08-03T00:00:58.618Z","updated_at":"2025-05-15T04:04:23.926Z","avatar_url":"https://github.com/nickliqian.png","language":"Python","funding_links":[],"categories":["Łamanie","Python"],"sub_categories":["Chińskie"],"readme":"# cnn_captcha\nuse CNN recognize captcha by tensorflow.  \n本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。  \n项目封装了比较通用的**校验、训练、验证、识别、API模块**，极大的减少了识别字符型验证码花费的时间和精力。 \n  \n项目已经帮助很多同学高效完成了验证码识别任务。\n如果你在使用过程中出现了bug和做了良好的改进，欢迎提出issue和PR，作者会尽快回复，希望能和你共同完善项目。 \n\n如果你需要识别点选、拖拽类验证码，或者有目标检测需求，也可以参考这个项目[nickliqian/darknet_captcha](https://github.com/nickliqian/darknet_captcha)。\n\n# 时间表\n#### 2018.11.12\n初版Readme.md  \n#### 2018.11.21\n加入关于验证码识别的一些说明  \n#### 2018.11.24\n优化校验数据集图片的规则  \n#### 2018.11.26\n新增`train_model_v2.py`文件，训练过程中同时输出训练集和验证集的准确率  \n#### 2018.12.06\n新增多模型部署支持，修复若干bug  \n#### 2018.12.08\n优化模型识别速度，支持api压力测试和统计耗时  \n#### 2019.02.19\n1. 新增一种准确率计算方式    \n2. TAG: v1.0\n#### 2019.04.12\n1. 只保留一种`train_model.py`文件\n2. 优化代码结构\n3. 把通用配置抽取到`sample_config.json`和`captcha_config.json`\n4. 修复若干大家在issue提出的问题\n#### 2019.06.01\n1. 完善readme文档，文档不长，请大家一定要读完~\n2. 使用cnnlib目录存放神经网络结构代码\n3. 做了一版训练数据统计，大家可以参考我们的训练次数、时长和准确率\n4. TAG: v2.0  \n\n# 目录\n\u003ca href=\"#项目介绍\"\u003e1 项目介绍\u003c/a\u003e  \n- \u003ca href=\"#关于验证码识别\"\u003e1.1 关于验证码识别\u003c/a\u003e  \n- \u003ca href=\"#目录结构\"\u003e1.2 目录结构\u003c/a\u003e  \n- \u003ca href=\"#依赖\"\u003e1.3 依赖\u003c/a\u003e  \n- \u003ca href=\"#模型结构\"\u003e1.4 模型结构\u003c/a\u003e  \n\n\u003ca href=\"#如何使用\"\u003e2 如何使用\u003c/a\u003e  \n- \u003ca href=\"#数据集\"\u003e2.1 数据集\u003c/a\u003e  \n- \u003ca href=\"#配置文件\"\u003e2.2 配置文件\u003c/a\u003e  \n- \u003ca href=\"#验证和拆分数据集\"\u003e2.3 验证和拆分数据集\u003c/a\u003e  \n- \u003ca href=\"#训练模型\"\u003e2.4 训练模型\u003c/a\u003e  \n- \u003ca href=\"#批量验证\"\u003e2.5 批量验证\u003c/a\u003e  \n- \u003ca href=\"#启动WebServer\"\u003e2.6 启动WebServer\u003c/a\u003e  \n- \u003ca href=\"#调用接口识别\"\u003e2.7 调用接口识别\u003c/a\u003e  \n- \u003ca href=\"#部署\"\u003e2.8 部署\u003c/a\u003e  \n- \u003ca href=\"#部署多个模型\"\u003e2.9 部署多个模型\u003c/a\u003e  \n- \u003ca href=\"#在线识别\"\u003e2.10 在线识别\u003c/a\u003e  \n\n\u003ca href=\"#说明\"\u003e3 统计数据\u003c/a\u003e  \n- \u003ca href=\"#训练数据统计\"\u003e3.1 训练数据统计\u003c/a\u003e  \n- \u003ca href=\"#压力测试\"\u003e3.2 压力测试\u003c/a\u003e  \n\n\u003ca href=\"#开发说明\"\u003e4 开发说明\u003c/a\u003e  \n\n\u003ca href=\"#已知BUG\"\u003e5 已知BUG\u003c/a\u003e  \n\n\n\n# 1 项目介绍\n## 1.1 关于验证码识别\n验证码识别大多是爬虫会遇到的问题，也可以作为图像识别的入门案例。目前通常使用如下几种方法：  \n\n| 方法名称 | 相关要点 |\n| ------ | ------ |\n| tesseract | 仅适合识别没有干扰和扭曲的图片，训练起来很麻烦 |\n| 其他开源识别库 | 不够通用，识别率未知 |\n| 付费OCR API | 需求量大的情形成本很高 |\n| 图像处理+机器学习分类算法 | 涉及多种技术，学习成本高，且不通用 |\n| 卷积神经网络 | 一定的学习成本，算法适用于多类验证码 |\n\n这里说一下使用传统的**图像处理和机器学习算法**，涉及多种技术：  \n\n1. 图像处理\n- 前处理（灰度化、二值化）\n- 图像分割\n- 裁剪（去边框）\n- 图像滤波、降噪\n- 去背景\n- 颜色分离\n- 旋转\n2. 机器学习\n- KNN\n- SVM\n\n使用这类方法对使用者的要求较高，且由于图片的变化类型较多，处理的方法不够通用，经常花费很多时间去调整处理步骤和相关算法。  \n而使用**卷积神经网络**，只需要通过简单的前处理，就可以实现大部分静态字符型验证码的端到端识别，效果很好，通用性很高。  \n\n这里列出目前**常用的验证码**生成库：\n\u003e参考：[Java验证全家桶](https://www.cnblogs.com/cynchanpin/p/6912301.html)  \n\n| 语言 | 验证码库名称 | 链接 | 样例 |\n| ------ | ------ | ------ | ------ |\n| Java | JCaptcha | [示例](https://jcaptcha.atlassian.net/wiki/spaces/general/pages/1212427/Samples+tests)  | ![效果1](./readme_image/jcaptcha1.jpg) ![效果2](./readme_image/jcaptcha2.jpg) ![效果3](./readme_image/jcaptcha3.jpg) |\n| Java | JCaptcha4Struts2 |  |  |\n| Java | SimpleCaptcha | [例子](https://www.oschina.net/p/simplecaptcha)   | ![效果1](./readme_image/SimpleCaptcha_1.jpg) ![效果2](./readme_image/SimpleCaptcha_2.jpg) ![效果3](./readme_image/SimpleCaptcha_3.jpg) |\n| Java | kaptcha | [例子](https://github.com/linghushaoxia/kaptcha) | ![水纹效果](./readme_image/Kaptcha_5.png) ![鱼眼效果](./readme_image/Kaptcha_2.png) ![阴影效果](./readme_image/Kaptcha_3.png) |\n| Java | patchca |  | ![效果1](./readme_image/patchca_1.png) |\n| Java | imageRandom |  |  |  \n| Java | iCaptcha |  | ![效果1](./readme_image/iCaptcha.jpg) |  \n| Java | SkewPassImage |  | ![效果1](./readme_image/SkewPassImage.jpg) |  \n| Java | Cage |  | ![效果1](./readme_image/Cage1.jpg) ![效果2](./readme_image/Cage2.jpg) |\n| Python | captcha | [例子](https://github.com/nickliqian/cnn_captcha/blob/master/gen_image/gen_sample_by_captcha.py) | ![py_Captcha](./readme_image/py_Captcha-1.jpg) |\n| Python | pycapt | [例子](https://github.com/aboutmydreams/pycapt) | ![pycapt](https://github.com/aboutmydreams/pycapt/raw/master/img/do4.png) |\n| PHP | Gregwar/Captcha | [文档](https://github.com/Gregwar/Captcha) |  |\n| PHP | mewebstudio/captcha | [文档](https://github.com/mewebstudio/captcha) |  |\n\n## 1.2 目录结构\n### 1.2.1 基本配置\n| 序号 | 文件名称 | 说明 |\n| ------ | ------ | ------ |\n| 1 | `conf/` | 配置文件目录 |\n| 2 | `sample/` | 数据集目录 |\n| 3 | `model/` | 模型文件目录 |\n| 4 | `cnnlib/` | 封装CNN的相关代码目录 |\n### 1.2.2 训练模型\n| 序号 | 文件名称 | 说明 |\n| ------ | ------ | ------ |\n| 1 | verify_and_split_data.py | 验证数据集、拆分数据为训练集和测试集 |\n| 2 | network.py | cnn网络基类 |\n| 3 | train_model.py | 训练模型 |\n| 4 | test_batch.py | 批量验证 |\n| 5 | gen_image/gen_sample_by_captcha.py | 生成验证码的脚本 |\n| 6 | gen_image/collect_labels.py | 用于统计验证码标签（常用于中文验证码） |\n\n### 1.2.3 web接口\n| 序号 | 文件名称 | 说明 |\n| ------ | ------ | ------ |\n| 1 | webserver_captcha_image.py | 获取验证码接口 |\n| 2 | webserver_recognize_api.py | 提供在线识别验证码接口 |\n| 3 | recognize_online.py | 使用接口识别的例子 |\n| 4 | recognize_local.py | 测试本地图片的例子 |\n| 5 | recognize_time_test.py | 压力测试识别耗时和请求响应耗时 |\n\n## 1.3 依赖\n```\npip install -r requirements.txt\n```\n注意：如果需要使用GPU进行训练，请把文件中的tenforflow修改为tensorflow-gpu\n\n## 1.4 模型结构\n\n| 序号 | 层级 |\n| :------: | :------: |\n| 输入 | input |\n| 1 | 卷积层 + 池化层 + 降采样层 + ReLU  |\n| 2 | 卷积层 + 池化层 + 降采样层 + ReLU  |\n| 3 | 卷积层 + 池化层 + 降采样层 + ReLU  |\n| 4 | 全连接 + 降采样层 + Relu   |\n| 5 | 全连接 + softmax  |\n| 输出 | output  |\n\n# 2 如何使用\n## 2.1 数据集\n原始数据集可以存放在`./sample/origin`目录中。  \n为了便于处理，图片最好以`2e8j_17322d3d4226f0b5c5a71d797d2ba7f7.jpg`格式命名（标签_序列号.后缀）。 \n  \n如果你没有训练集，你可以使用`gen_sample_by_captcha.py`文件生成训练集文件。\n生成之前你需要修改相关配置`conf/captcha_config.json`（路径、文件后缀、字符集等）。\n```\n{\n  \"root_dir\": \"sample/origin/\",  # 验证码保存路径\n  \"image_suffix\": \"png\",         # 验证码图片后缀\n  \"characters\": \"0123456789\",    # 生成验证码的可选字符\n  \"count\": 1000,                 # 生成验证码的图片数量\n  \"char_count\": 4,               # 每张验证码图片上的字符数量\n  \"width\": 100,                  # 图片宽度\n  \"height\": 60                   # 图片高度\n}\n```\n\n## 2.2 配置文件\n创建一个新项目前，需要自行**修改相关配置文件**`conf/sample_config.json`。\n```\n{\n  \"origin_image_dir\": \"sample/origin/\",  # 原始文件\n  \"new_image_dir\": \"sample/new_train/\",  # 新的训练样本\n  \"train_image_dir\": \"sample/train/\",    # 训练集\n  \"test_image_dir\": \"sample/test/\",      # 测试集\n  \"api_image_dir\": \"sample/api/\",        # api接收的图片储存路径\n  \"online_image_dir\": \"sample/online/\",  # 从验证码url获取的图片的储存路径\n  \"local_image_dir\": \"sample/local/\",    # 本地保存图片的路径\n  \"model_save_dir\": \"model/\",            # 从验证码url获取的图片的储存路径\n  \"image_width\": 100,                    # 图片宽度\n  \"image_height\": 60,                    # 图片高度\n  \"max_captcha\": 4,                      # 验证码字符个数\n  \"image_suffix\": \"png\",                 # 图片文件后缀\n  \"char_set\": \"0123456789abcdefghijklmnopqrstuvwxyz\",  # 验证码识别结果类别\n  \"use_labels_json_file\": false,                       # 是否开启读取`labels.json`内容\n  \"remote_url\": \"http://127.0.0.1:6100/captcha/\",      # 验证码远程获取地址\n  \"cycle_stop\": 3000,                                  # 启动任务后的训练指定次数后停止\n  \"acc_stop\": 0.99,                                    # 训练到指定准确率后停止\n  \"cycle_save\": 500,                                   # 训练指定次数后定时保存模型\n  \"enable_gpu\": 0,                                     # 是否开启GUP训练\n  \"train_batch_size\": 128,                             # 训练时每次使用的图片张数，如果CPU或者GPU内存太小可以减少这个参数\n  \"test_batch_size\": 100                               # 每批次测试时验证的图片张数，不要超过验证码集的总数\n}\n\n```\n关于`验证码识别结果类别`，假设你的样本是中文验证码，你可以使用`tools/collect_labels.py`脚本进行标签的统计。\n会生成文件`gen_image/labels.json`存放所有标签，在配置文件中设置`use_labels_json_file = True`开启读取`labels.json`内容作为`结果类别`。\n\n## 2.3 验证和拆分数据集\n此功能会校验原始图片集的尺寸和测试图片是否能打开，并按照19:1的比例拆分出训练集和测试集。  \n所以需要分别创建和指定三个文件夹：origin，train，test用于存放相关文件。\n\n也可以修改为不同的目录，但是最好修改为绝对路径。  \n文件夹创建好之后，执行以下命令即可：\n```\npython3 verify_and_split_data.py\n```\n一般会有类似下面的提示\n```\n\u003e\u003e\u003e 开始校验目录：[sample/origin/]\n开始校验原始图片集\n原始集共有图片: 1001张\n====以下1张图片有异常====\n[第0张图片] [.DStore] [文件后缀不正确]\n========end\n开始分离原始图片集为：测试集（5%）和训练集（95%）\n共分配1000张图片到训练集和测试集，其中1张为异常留在原始目录\n测试集数量为：50\n训练集数量为：950\n\u003e\u003e\u003e 开始校验目录：[sample/new_train/]\n【警告】找不到目录sample/new_train/，即将创建\n开始校验原始图片集\n原始集共有图片: 0张\n====以下0张图片有异常====\n未发现异常（共 0 张图片）\n========end\n开始分离原始图片集为：测试集（5%）和训练集（95%）\n共分配0张图片到训练集和测试集，其中0张为异常留在原始目录\n测试集数量为：0\n训练集数量为：0\n```\n程序会同时校验和分割`origin_image_dir`和`new_image_dir`两个目录中的图片；后续有了更多的样本，可以把样本放在`new_image_dir`目录中再次执行`verify_and_split_data`。  \n程序会把无效的文件留在原文件夹。  \n\n此外，当你有新的样本需要一起训练，可以放在`sample/new`目录下，再次运行`python3 verify_and_split_data.py`即可。  \n需要注意的是，如果新的样本中有新增的标签，你需要把新的标签增加到`char_set`配置中或者`labels.json`文件中。 \n \n## 2.4 训练模型\n创建好训练集和测试集之后，就可以开始训练模型了。  \n训练的过程中会输出日志，日志展示当前的训练轮数、准确率和loss。  \n**此时的准确率是训练集图片的准确率，代表训练集的图片识别情况**  \n例如：\n```\n第10次训练 \u003e\u003e\u003e \n[训练集] 字符准确率为 0.03000 图片准确率为 0.00000 \u003e\u003e\u003e loss 0.1698757857\n[验证集] 字符准确率为 0.04000 图片准确率为 0.00000 \u003e\u003e\u003e loss 0.1698757857\n```\n字符准确率和图片准确率的解释：\n```\n假设：有100张图片，每张图片四个字符，共400个字符。我们这里把任务拆分为为需要识别400个字符\n字符准确率：识别400的字符中，正确字符的占比。\n图片准确率：100张图片中，4个字符完全识别准确的图片占比。\n```\n这里不具体介绍tensorflow安装相关问题，直奔主题。  \n确保图片相关参数和目录设置正确后，执行以下命令开始训练：\n```\npython3 train_model.py\n```\n也可以根据`train_model.py`的`main`函数中的代码调用类开始训练或执行一次简单的识别演示。  \n\n由于训练集中常常不包含所有的样本特征，所以会出现训练集准确率是100%而测试集准确率不足100%的情况，此时提升准确率的一个解决方案是增加正确标记后的负样本。\n\n## 2.5 批量验证\n使用测试集的图片进行验证，输出准确率。  \n```\npython3 test_batch.py\n```\n同样可以根据`main`函数中的代码调用类开始验证。\n\n## 2.6 启动WebServer\n项目已经封装好加载模型和识别图片的类，启动`web server`后调用接口就可以使用识别服务。  \n启动`web server`\n```\npython3 webserver_recognize_api.py\n```\n接口url为`http://127.0.0.1:6000/b`\n\n## 2.7 调用接口识别\n使用requests调用接口:\n```\nurl = \"http://127.0.0.1:6000/b\"\nfiles = {'image_file': (image_file_name, open('captcha.jpg', 'rb'), 'application')}\nr = requests.post(url=url, files=files)\n```\n返回的结果是一个json：\n```\n{\n    'time': '1542017705.9152594',\n    'value': 'jsp1',\n}\n```\n文件`recognize_local.py`是使用接口识别本地的例子，这个例子运行成功，那么识别验证码的一套流程基本上是走了一遍了。  \n在线识别验证码是显示中常用场景，文件`recognize_online.py`是使用接口在线识别的例子，参见：`## 2.11 在线识别`。\n\n## 2.8 部署\n部署的时候，把`webserver_recognize_api.py`文件的最后一行修改为如下内容：\n```\napp.run(host='0.0.0.0',port=5000,debug=False)\n```\n然后开启端口访问权限，就可以通过外网访问了。  \n另外为了开启多进程处理请求，可以使用uwsgi+nginx组合进行部署。  \n这部分可以参考：[Flask部署选择](http://docs.jinkan.org/docs/flask/deploying/index.html)\n\n## 2.9 部署多个模型\n部署多个模型:\n在`webserver_recognize_api.py`文件汇总，新建一个Recognizer对象；  \n并参照原有`up_image`函数编写的路由和识别逻辑。\n```\nQ = Recognizer(image_height, image_width, max_captcha, char_set, model_save_dir)\n```\n注意修改这一行：\n```\nvalue = Q.rec_image(img)\n```\n\n## 2.10 在线识别\n在线识别验证码是显示中常用场景，即实时获取目标验证码来调用接口进行识别。  \n为了测试的完整性，这里搭建了一个验证码获取接口，通过执行下面的命令启动：  \n```\npython webserver_captcha_image.py\n```\n启动后通过访问此地址：`http://127.0.0.1:6100/captcha/`可以接收到验证码图片的二进制流文件。  \n具体进行在线识别任务的demo参见：`recognize_online.py`。  \n\n# 3 数据统计\n## 3.1 训练数据统计\n由于很多同学提出，“需要训练多久呀？”、“准确率可以达到多少？”、“为什么我的准确率一直是0？”类似的疑问。  \n这一小节，使用默认配置（2019.06.02），把训练过程中的数据做了统计，给大家做一个展示。  \n本次测试条件如下：\n- 验证码：本项目自带生成验证码程序，数字+小写英文\n- 数量：20000张\n- 计算引擎：GPU\n- GPU型号：笔记本，GTX 950X 2G显卡\n  \n经过测试：\n5000次，25分钟，**训练集**字符准确率84%，图片准确率51%；  \n9190次，46分钟，**训练集**字符准确率100%，图片准确率100%；  \n12000，60分钟，**测试集**的准确率基本上已经跑不动了。  \n\n使用`test_batch.py`测试，日志如下：  \n```\n100个样本识别耗时6.513171672821045秒，准确率37.0%\n```\n有37%的准确率，可以说是识别成功的第一步了。  \n\n曲线图如下：  \n训练集-  \n![train_acc](readme_image/train_acc.png) \n   \n测试集-   \n![test_acc](readme_image/test_acc.png)  \n\n\n## 3.2 压力测试和统计数据\n提供了一个简易的压力测试脚本，可以统计api运行过程中识别耗时和请求耗时的相关数据，不过图需要自己用Excel拉出来。  \n打开文件`recognize_time_test.py`，修改`main`函数下的`test_file`路径，这里会重复使用一张图片来访问是被接口。  \n最后数据会储存在test.csv文件中。  \n使用如下命令运行：  \n```\npython3 recognize_time_test.py\n----输出如下\n2938,5150,13:30:25,总耗时：29ms,识别：15ms,请求：14ms\n2939,5150,13:30:25,总耗时：41ms,识别：21ms,请求：20ms\n2940,5150,13:30:25,总耗时：47ms,识别：16ms,请求：31ms\n```\n这里对一个模型进行了两万次测试后，一组数据test.csv。\n把test.csv使用箱线图进行分析后可以看到：  \n![压力测试结果](readme_image/压力测试结果.png)  \n- 单次请求API总耗时（平均值）：27ms  \n- 单次识别耗时（平均值）：12ms  \n- 每次请求耗时（平均值）：15ms  \n其中有：请求API总耗时 = 识别耗时 + 请求耗时  \n\n# 4 开发说明\n- 20190209  \n1. 目前tensorboard展示支持的不是很好。\n- 20190601\n1. 最近比较忙，issue回的有点慢，请大家见谅\n2. dev分支开发到一半一直没时间弄，今天儿童节花了一下午时间更新了一下:)\n3. 感谢看到这里的你，谢谢你的支持\n\n# 4 已知BUG\n1. 使用pycharm启动recognize_api.py文件报错\n```\n2018-12-01 00:35:15.106333: W T:\\src\\github\\tensorflow\\tensorflow\\core\\framework\\op_kernel.cc:1273] OP_REQUIRES failed at save_restore_tensor.cc:170 : Invalid argument: Unsuccessful TensorSliceReader constructor: Failed to get matching files on ./model/: Not found: FindFirstFile failed for: ./model : ϵͳ�Ҳ���ָ����·����\n; No such process\n......\ntensorflow.python.framework.errors_impl.InvalidArgumentError: Unsuccessful TensorSliceReader constructor: Failed to get matching files on ./model/: Not found: FindFirstFile failed for: ./model : ϵͳ\\udcd5Ҳ\\udcbb\\udcb5\\udcbdָ\\udcb6\\udca8\\udcb5\\udcc4·\\udcbe\\udcb6\\udca1\\udca3\n; No such process\n\t [[Node: save/RestoreV2 = RestoreV2[dtypes=[DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT], _device=\"/job:localhost/replica:0/task:0/device:CPU:0\"](_arg_save/Const_0_0, save/RestoreV2/tensor_names, save/RestoreV2/shape_and_slices)]]\n```\n由pycharm默认设置了工作空间，导致读取相对路径的model文件夹出错。\n解决办法：编辑运行配置，设置工作空间为项目目录即可。\n![bug_api启动失败](readme_image/bug_api启动失败.png)\n\n2. FileNotFoundError: [Errno 2] No such file or directory: 'xxxxxx'  \n目录下有文件夹不存在，在指定目录创建好文件夹即可。\n\n3. api程序在运行过程中内存越占越大  \n结果查阅资料：[链接](https://blog.csdn.net/The_lastest/article/details/81130500)  \n在迭代循环时，不能再包含任何张量的计算表达式，否在会内存溢出。\n将张量的计算表达式放到init初始化执行后，识别速度得到极大的提升。\n\n4. 加载多个模型报错\n原因是两个Recognizer对象都使用了默认的Graph。\n解决办法是在创建对象的时候不使用默认Graph，新建graph，这样每个Recognizer都使用不同的graph，就不会冲突了。\n\n5. Flask程序用于生产\n可以参考官方文档：[Flask的生产配置](http://docs.jinkan.org/docs/flask/config.html)\n\n6. OOM happens\n```\nHint: If you want to see a list of allocated tensors when OOM happens,\nadd report_tensor_allocations_upon_oom to RunOptions for current allocation info.\n```\n尽可能关闭其他占用GPU或者CPU的任务，或者减小`sample_config.json`中的`train_batch_size`参数。\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fnickliqian%2Fcnn_captcha","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fnickliqian%2Fcnn_captcha","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fnickliqian%2Fcnn_captcha/lists"}