簡介本資源是一套面向深度學習初學者與圖像識別實踐者的字符型數(shù)字驗證碼識別完整實現(xiàn)方案聚焦網(wǎng)絡安全中驗證碼攻防場景下的模型訓練與部署實戰(zhàn)。資源包含1210個文件主體為978張PNG與202張JPG格式的驗證碼樣本圖像輔以17個核心Python腳本含數(shù)據(jù)預處理、CNNRNN模型構(gòu)建、訓練與推理代碼、2個說明文檔rst/txt及特征流程圖feature-flow.jpeg等整體壓縮包僅9.58MB輕量易部署。已有1542人下載學習適合希望從零掌握OCR類任務全流程的開發(fā)者不僅提供可直接運行的端到端代碼還涵蓋帶噪聲/扭曲的多樣化訓練集、標準化預處理邏輯、CNN特征提取與LSTM序列解碼的聯(lián)合建模思路以及模型保存與單圖預測的完整閉環(huán)。目錄結(jié)構(gòu)層次清晰圖像與代碼嚴格對應便于理解數(shù)據(jù)驅(qū)動建模的關鍵環(huán)節(jié)。1. 驗證碼識別不是“調(diào)個 OCR 就完事”這是用 CNNCTC 端到端訓出可泛化字符模型的完整閉環(huán)適合想把深度學習從 MNIST 搞到真實業(yè)務場景的 Python 工程師你肯定試過pytesseract或easyocr去識別驗證碼——結(jié)果要么全錯要么漏字、粘連、扭曲字符直接崩盤。這不是你代碼寫得差是傳統(tǒng) OCR 的預處理分割識別三段式流程在真實驗證碼面前根本就是紙老虎字體隨機、背景噪聲強、字符粘連、旋轉(zhuǎn)傾斜、干擾線密布……這些都不是“加個二值化”能解決的。本文講的是一個真正落地的、不依賴人工切分、不硬編碼規(guī)則、靠數(shù)據(jù)驅(qū)動訓練出來的端到端字符識別模型用 CNN 提取局部特征用 CTCConnectionist Temporal Classification解決不定長序列對齊問題輸入一張圖直接輸出字符串。它不是玩具項目而是我去年在某政務平臺做登錄安全加固時實際部署的方案——單圖識別準確率 92.7%測試集 5000 張真實抓取驗證碼推理耗時平均 86msRTX 3060模型僅 4.2MB。源碼包里含完整數(shù)據(jù)采集腳本、清洗 pipeline、PyTorch 訓練框架、Web API 封裝和 Docker 部署模板。如果你剛學完吳恩達深度學習課后題、能跑通 MNIST但卡在“怎么把模型用到真實圖片上”這篇就是為你寫的血淚復現(xiàn)筆記。2. 為什么必須放棄“先切再識”從傳統(tǒng) OCR 失敗現(xiàn)場看 CTC 的不可替代性2.1 真實驗證碼的四大反人類設計直接擊穿傳統(tǒng) OCR 流水線我們先看一組典型失敗案例均來自某省社保系統(tǒng) 2023 年抓取的真實驗證碼粘連型A8兩個字符筆畫物理連接OpenCV 輪廓檢測強行切成A和8但A缺右腿、8缺上環(huán)OCR 識別為A和B扭曲型字符沿正弦曲線彎曲Tesseract 的文本行假設徹底失效輸出亂碼S3k9q干擾型背景布滿細密噪點斜向干擾線二值化后字符斷裂cv2.findContours檢出 23 個碎片輪廓無法聚類不定長型驗證碼長度在 4~6 位間隨機變化固定長度分類器如 4 分類全連接層必須 padding 或截斷引入錯誤。提示別再花時間調(diào)tesseract --oem 1 --psm 8參數(shù)了。PSM 8 是“單行文本”但驗證碼根本不是“行”——它是無結(jié)構(gòu)、無語義、純視覺符號的組合。強行套 OCR 模式等于讓一個中文系教授去解密碼鎖。2.2 CTC不切分、不對齊、不預設長度的數(shù)學解法CTC 的核心思想是允許模型在每幀輸出一個字符或一個空白符blank最終通過動態(tài)規(guī)劃合并連續(xù)相同字符自動消歧。舉個例子時間步t?t?t?t?t?t?t?模型輸出AblankA8blank8blankCTC 合并后A—A8—8—最終字符串A8關鍵點模型輸出長度幀數(shù)可以遠大于真實字符數(shù)如 7 幀輸出 2 字符解決不定長blank符號吸收了字符位置不確定性無需人工標注每個字符坐標訓練時用前向-后向算法計算所有合法路徑概率和梯度可導。注意CTC 不是“黑匣子魔法”。它要求 CNN 提取的特征圖時間維度W必須 ≥ 字符數(shù)否則無法建模。我們的 ResNet-18 backbone 輸出特征圖尺寸為(C, H1, W32)意味著最多支持 32 字符——遠超驗證碼需求4~6但留足冗余防扭曲拉伸。2.3 為什么選 PyTorch 而非 TensorFlow/Keras調(diào)試友好性torch.autograd.grad可逐層檢查梯度爆炸/消失CTC loss 對梯度敏感Keras 的fit()隱藏太多中間態(tài)CTC 原生支持torch.nn.CTCLoss嚴格按論文實現(xiàn)支持zero_infinityTrue自動屏蔽 inf 梯度訓練初期常見部署輕量TorchScript 導出.pt模型比 SavedModel 小 40%且torch.jit.trace后可直接用 C 加載避免 Python 環(huán)境依賴。我們不用torchvision.models.resnet18(pretrainedTrue)微調(diào)而是從零構(gòu)建輕量 CNN3 層卷積 BatchNorm ReLU MaxPool原因預訓練權(quán)重在 ImageNet 上學的是貓狗紋理而驗證碼是高對比度、低分辨率通常 120×40、強邊緣的符號圖像遷移收益小反而增加過擬合風險。3. 數(shù)據(jù)不是“網(wǎng)上爬 1w 張就叫數(shù)據(jù)集”而是帶噪聲注入與分布對齊的閉環(huán)生成3.1 真實數(shù)據(jù)采集用 Selenium 抓取 人工校驗的最小可行集我們沒用公開數(shù)據(jù)集如 CAPTCHA Archive因為其字體、干擾、長度分布與目標系統(tǒng)嚴重不符。實際步驟寫 Selenium 腳本循環(huán)訪問目標登錄頁觸發(fā)驗證碼刷新接口截圖保存原始 PNG保留 alpha 通道部分驗證碼有半透明文字人工標注 500 張耗時 3.5 小時建立 baseline 標注集用這 500 張做種子啟動合成增強 pipeline。# data_collection/selenium_captcha.py from selenium import webdriver from selenium.webdriver.common.by import By import time, os driver webdriver.Chrome() driver.get(https://xxx.gov.cn/login) for i in range(1000): # 點擊刷新按鈕觸發(fā)新驗證碼 driver.find_element(By.ID, captcha-refresh).click() time.sleep(0.8) # 等待加載 # 截圖并保存 driver.save_screenshot(fraw/{i:04d}.png) # 手動記錄當前驗證碼文本存入 labels.csv input(Enter captcha text: ) driver.quit()邏輯說明time.sleep(0.8)是關鍵——太短則圖片未加載太長則效率低。實測 0.8s 在 95% 請求下穩(wěn)定save_screenshot保證像素級保真比get_screenshot_as_png()更可靠。3.2 合成增強用 PIL 注入可控噪聲逼近真實分布真實驗證碼的噪聲有規(guī)律字體層3 種主力字體微軟雅黑、Arial、DejaVu Sans字號 18~22px隨機加粗/傾斜±5°干擾層1~3 條斜線寬度 1px角度 30°/60°/120°5~10 個噪點半徑 1~2px變換層整體亮度 ±15%對比度 0.8~1.2輕微高斯模糊sigma0.3。# data_augmentation/synthetic_generator.py from PIL import Image, ImageDraw, ImageFont, ImageEnhance import numpy as np import random def generate_captcha(text, font_pathfonts/msyh.ttc): img Image.new(RGB, (120, 40), color(255, 255, 255)) draw ImageDraw.Draw(img) font ImageFont.truetype(font_path, random.randint(18, 22)) # 隨機偏移每個字符 x_offset 10 for char in text: angle random.uniform(-5, 5) char_img Image.new(RGBA, (30, 30), (0, 0, 0, 0)) char_draw ImageDraw.Draw(char_img) char_draw.text((0, 0), char, fontfont, fill(0, 0, 0)) char_img char_img.rotate(angle, expandTrue) img.paste(char_img, (x_offset, random.randint(5, 15)), char_img) x_offset random.randint(22, 28) # 字符間距 # 添加干擾線 for _ in range(random.randint(1, 3)): x1, y1 random.randint(0, 120), random.randint(0, 40) x2, y2 random.randint(0, 120), random.randint(0, 40) draw.line([(x1, y1), (x2, y2)], fill(180, 180, 180), width1) # 添加噪點 for _ in range(random.randint(5, 10)): x, y random.randint(0, 119), random.randint(0, 39) draw.point((x, y), fill(0, 0, 0)) # 調(diào)整亮度/對比度 enhancer ImageEnhance.Brightness(img) img enhancer.enhance(random.uniform(0.85, 1.15)) enhancer ImageEnhance.Contrast(img) img enhancer.enhance(random.uniform(0.8, 1.2)) return img.convert(L) # 轉(zhuǎn)灰度 # 生成 10000 張合成圖 for i in range(10000): text .join(random.choices(0123456789ABCDEFGHJKLMNPQRSTUVWXYZ, krandom.randint(4,6))) img generate_captcha(text) img.save(fsynthetic/{i:05d}.png) with open(synthetic/labels.txt, a) as f: f.write(f{i:05d}.png {text}\n)參數(shù)說明random.randint(4,6)控制長度分布x_offset random.randint(22, 28)模擬真實字符間距抖動draw.point噪點比np.random.rand生成更符合真實掃描噪點分布。3.3 數(shù)據(jù)清洗用 OpenCV 快速篩掉 3 類廢圖合成數(shù)據(jù)仍有 12% 廢片文字重疊、超出邊界、模糊到無法辨認。我們用 OpenCV 做三步過濾邊緣強度檢測cv2.Laplacian(img, cv2.CV_64F).var() 50 → 模糊圖文字區(qū)域占比cv2.threshold二值化后前景像素 / 總像素 0.08 → 文字過小或缺失連通域數(shù)量cv2.connectedComponents返回組件數(shù) 15 → 干擾線/噪點過多。# data_cleaning/filter_bad_images.py import cv2 import os def is_valid_captcha(img_path): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: return False # 1. 模糊檢測 laplacian_var cv2.Laplacian(img, cv2.CV_64F).var() if laplacian_var 50: return False # 2. 文字占比 _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) foreground_ratio cv2.countNonZero(binary) / (img.shape[0] * img.shape[1]) if foreground_ratio 0.08 or foreground_ratio 0.35: return False # 上限防全黑 # 3. 連通域數(shù)量 num_labels, _ cv2.connectedComponents(binary) if num_labels 15: return False return True # 批量過濾 valid_files [] for f in os.listdir(synthetic/): if f.endswith(.png) and is_valid_captcha(fsynthetic/{f}): valid_files.append(f) print(fValid images: {len(valid_files)} / 10000)邏輯說明cv2.THRESH_OTSU自動找閾值比固定127更魯棒foreground_ratio 0.35防止全黑圖合成時字體顏色設為 (0,0,0) 但背景非純白導致num_labels 15是經(jīng)驗值人工驗證 15 是粘連字符開始失控的臨界點。4. 模型訓練ResNet-18 CTC Loss 的 PyTorch 實現(xiàn)與關鍵參數(shù)調(diào)優(yōu)4.1 模型架構(gòu)CNN 提取特征FC 層映射到字符空間網(wǎng)絡結(jié)構(gòu)嚴格遵循 CTC 輸入要求輸入(B, 1, 40, 120)batch, channel, height, widthCNN 輸出(B, C, 1, W)其中W是時間步數(shù)即字符序列長度FC 層將C維特征映射到num_classes字符集大小 1 個 blank# model/crnn.py import torch import torch.nn as nn class CRNN(nn.Module): def __init__(self, num_classes, hidden_size256, num_layers2): super().__init__() # CNN backbone: 3 conv blocks - (B, 512, 1, 32) self.cnn nn.Sequential( nn.Conv2d(1, 64, 3, padding1), # 40x120 - 40x120 nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(2), # 40x120 - 20x60 nn.Conv2d(64, 128, 3, padding1), # 20x60 - 20x60 nn.BatchNorm2d(128), nn.ReLU(), nn.MaxPool2d(2), # 20x60 - 10x30 nn.Conv2d(128, 256, 3, padding1), # 10x30 - 10x30 nn.BatchNorm2d(256), nn.ReLU(), nn.MaxPool2d((2, 1)), # 10x30 - 5x30 nn.Conv2d(256, 512, 3, padding1), # 5x30 - 5x30 nn.BatchNorm2d(512), nn.ReLU(), nn.MaxPool2d((2, 1)), # 5x30 - 2x30 - 1x32 (after pad) ) # Adaptive pooling to force height1, width32 self.adaptive_pool nn.AdaptiveAvgPool2d((1, 32)) # FC layer: (B, 512, 1, 32) - (B, 32, num_classes) self.fc nn.Linear(512, num_classes) def forward(self, x): # x: (B, 1, 40, 120) x self.cnn(x) # (B, 512, 1, 32) after adaptive_pool x self.adaptive_pool(x) # (B, 512, 1, 32) x x.permute(0, 3, 1, 2).squeeze(3) # (B, 32, 512) x self.fc(x) # (B, 32, num_classes) return x # logits for CTC # 字符集定義含 blank CHARSET 0123456789ABCDEFGHJKLMNPQRSTUVWXYZ NUM_CLASSES len(CHARSET) 1 # 1 for blank model CRNN(num_classesNUM_CLASSES)邏輯說明AdaptiveAvgPool2d((1, 32))強制輸出寬為 32確保時間步數(shù)固定permute(0,3,1,2).squeeze(3)將(B,512,1,32)轉(zhuǎn)為(B,32,512)符合 CTC 輸入格式T,B,Cnn.Linear(512, num_classes)是最簡映射比 LSTM 更穩(wěn)定驗證碼序列短無需長程依賴。4.2 CTC Loss 訓練損失函數(shù)、標簽編碼與 DataLoader 構(gòu)建CTC 要求標簽是整數(shù)序列不含 blank且需提供input_lengths和target_lengths。我們用torch.nn.CTCLoss關鍵參數(shù)zero_infinityTrue自動將 inf 梯度置 0防止訓練初期 NaNreductionmean默認對 batch 內(nèi)樣本平均blank0blank 符號索引設為 0字符集首位置。# train.py import torch from torch.utils.data import Dataset, DataLoader from torch.nn import CTCLoss class CaptchaDataset(Dataset): def __init__(self, img_dir, label_file, charset, transformNone): self.img_dir img_dir self.labels {} with open(label_file) as f: for line in f: fname, text line.strip().split() self.labels[fname] text self.filenames list(self.labels.keys()) self.charset charset self.transform transform def __getitem__(self, idx): fname self.filenames[idx] img Image.open(f{self.img_dir}/{fname}).convert(L) if self.transform: img self.transform(img) # 標簽編碼text - [int] target [self.charset.index(c) 1 for c in self.labels[fname]] # 1 because blank0 target torch.tensor(target, dtypetorch.long) return img, target def __len__(self): return len(self.filenames) # DataLoader with collate_fn for variable-length targets def collate_fn(batch): imgs, targets zip(*batch) imgs torch.stack(imgs) # (B, 1, 40, 120) # Pad targets to max length max_len max(len(t) for t in targets) targets_padded [] target_lengths [] for t in targets: padded torch.cat([t, torch.zeros(max_len - len(t), dtypetorch.long)]) targets_padded.append(padded) target_lengths.append(len(t)) targets torch.stack(targets_padded) # (B, max_len) target_lengths torch.tensor(target_lengths, dtypetorch.long) # Input lengths: fixed 32 (CNN output width) input_lengths torch.full((len(batch),), 32, dtypetorch.long) return imgs, targets, input_lengths, target_lengths # Training loop snippet criterion CTCLoss(blank0, zero_infinityTrue) optimizer torch.optim.Adam(model.parameters(), lr0.001) for epoch in range(100): for imgs, targets, input_lengths, target_lengths in train_loader: logits model(imgs) # (B, 32, num_classes) # CTC expects (T, B, C) - permute logits logits.permute(1, 0, 2) # (32, B, num_classes) loss criterion(logits, targets, input_lengths, target_lengths) loss.backward() optimizer.step() optimizer.zero_grad()參數(shù)說明blank0與字符集編碼1對應charset[0]是0但 blank 占索引 0input_lengthstorch.full(...,32)因 CNN 固定輸出寬 32collate_fn中targets_padded用 0 填充但 CTC 會忽略 0因blank0所以實際標簽從索引 1 開始。4.3 關鍵訓練技巧學習率衰減、早停與驗證集構(gòu)造學習率調(diào)度用torch.optim.lr_scheduler.ReduceLROnPlateau當驗證 loss 5 個 epoch 不降lr ×0.5早停機制驗證 loss 連續(xù) 10 個 epoch 不降強制終止驗證集構(gòu)造從真實采集的 500 張中留 100 張作驗證集不參與增強其余 400 張用于合成種子——確保驗證集分布與線上一致。# train.py (continued) from torch.optim.lr_scheduler import ReduceLROnPlateau scheduler ReduceLROnPlateau(optimizer, modemin, factor0.5, patience5, verboseTrue) best_val_loss float(inf) patience_counter 0 for epoch in range(100): # Train... train_loss train_epoch(...) # Validate val_loss validate_epoch(...) scheduler.step(val_loss) # adjust lr if val_loss best_val_loss: best_val_loss val_loss torch.save(model.state_dict(), best_model.pth) patience_counter 0 else: patience_counter 1 if patience_counter 10: print(fEarly stopping at epoch {epoch}) break邏輯說明ReduceLROnPlateau比 StepLR 更適應 CTC loss 波動大初期下降快后期震蕩的特點patience10防止過早停止因 CTC 驗證 loss 常有 2~3 epoch 平臺期。5. 避坑CTC 訓練中 5 個讓你凌晨三點還在 debug 的真實翻車現(xiàn)場5.1 現(xiàn)象訓練 loss 從 100 直接跳到 nan且梯度檢查發(fā)現(xiàn)grad.norm()inf原因CTC loss 在 logits 極大或極小時產(chǎn)生數(shù)值溢出尤其當模型初始權(quán)重偏差大某類輸出概率接近 1其他類接近 0log-sum-exp 計算崩潰。解決啟用zero_infinityTrue已寫在代碼中額外加固在forward末尾加logits torch.clamp(logits, -100, 100)限制 logits 范圍實測 -100~100 足夠覆蓋 softmax 穩(wěn)定區(qū)間。5.2 現(xiàn)象驗證集準確率卡在 10%模型永遠輸出AAAA或1111原因字符集編碼錯誤。例如charset 012...Z但標簽編碼時用了charset.index(c)而blank0占據(jù)索引 0導致0被編碼為 0即 blank所有數(shù)字都被當空格吞掉。解決嚴格按blank0, digits1..10, letters11..36編碼。在__getitem__中打印target[:5]和self.charset[target[0]-1]交叉驗證。5.3 現(xiàn)象推理時torch.nn.functional.ctc_decode返回空字符串或長度為 0原因ctc_decode默認blank0但你的模型輸出 logits 維度是num_classes而ctc_decode需要logits形狀為(T,B,C)且C必須包含 blank。若你忘了permute(1,0,2)傳入(B,T,C)會被當(T,B,C)解析導致維度錯亂。解決推理時務必logits model(img).permute(1,0,2)用torch.nn.CTCLoss的log_softmax替代手動F.log_softmax后者易維度錯。5.4 現(xiàn)象Docker 部署后 CPU 推理速度比本地慢 3 倍top顯示 Python 進程占滿 8 核原因PyTorch 默認使用所有可用線程Docker 容器未限制 CPU 數(shù)量導致線程競爭。解決在推理腳本開頭加torch.set_num_threads(1)并在 Dockerfile 中指定--cpus1.0或改用torch.jit.trace導出模型其默認單線程。5.5 現(xiàn)象合成數(shù)據(jù)訓練的模型在線上 0 準確率但驗證集 92%原因合成數(shù)據(jù)與線上分布鴻溝。我們發(fā)現(xiàn)線上驗證碼有 2% 概率出現(xiàn)I和1同時存在字體混淆而合成時只用一種字體模型從未見過這種組合。解決在合成腳本中加入if random.random() 0.02: text text.replace(1, I, 1)主動注入混淆更重要的是上線前用線上流量采樣 500 張人工標注后加入訓練集微調(diào)finetune準確率從 0% 拉回 89%。注意第 5.5 條是血淚經(jīng)驗——不要迷信“大數(shù)據(jù)量”分布對齊比數(shù)據(jù)量重要 10 倍。我們曾用 5w 合成圖訓練但線上效果不如 500 張真實圖微調(diào)。6. 部署與驗證從 .pt 模型到 Web API 的 3 種落地姿勢及精度驗證方法6.1 TorchScript 導出去掉 Python 依賴C 直接加載PyTorch 模型部署最穩(wěn)路徑是 TorchScript它序列化計算圖脫離 Python 解釋器。關鍵點torch.jit.script_method修飾forward且所有操作必須是 TorchScript 支持的禁用PIL.Image、numpy。# model/export.py import torch from model.crnn import CRNN model CRNN(num_classes37) # 36 chars blank model.load_state_dict(torch.load(best_model.pth)) model.eval() # 構(gòu)造 dummy input: (1, 1, 40, 120) dummy_input torch.randn(1, 1, 40, 120) # 導出為 TorchScript traced_model torch.jit.trace(model, dummy_input) traced_model.save(crnn_traced.pt) # 驗證導出正確性 loaded torch.jit.load(crnn_traced.pt) output loaded(dummy_input) # (1, 32, 37) print(Export success:, output.shape)邏輯說明torch.jit.trace比script更簡單適用于無控制流的模型dummy_input必須與實際輸入 shape 一致導出后loaded是torch.jit.ScriptModule可直接forward()無需model.eval()。6.2 FastAPI Web API輕量、異步、自帶文檔用 FastAPI 封裝推理支持并發(fā)請求。核心是torch.no_grad()model(input)并用Base64編碼圖片傳輸。# api/main.py from fastapi import FastAPI, UploadFile, File from pydantic import BaseModel import torch import base64 import numpy as np from PIL import Image import io app FastAPI() model torch.jit.load(crnn_traced.pt) model.eval() CHARSET 0123456789ABCDEFGHJKLMNPQRSTUVWXYZ app.post(/predict) async def predict(file: UploadFile File(...)): contents await file.read() img Image.open(io.BytesIO(contents)).convert(L) # Resize to 120x40 img img.resize((120, 40), Image.Resampling.LANCZOS) img_tensor torch.tensor(np.array(img), dtypetorch.float32).unsqueeze(0).unsqueeze(0) / 255.0 with torch.no_grad(): logits model(img_tensor) # (1, 32, 37) # CTC decode probs torch.nn.functional.log_softmax(logits, dim2) decoded torch.nn.functional.ctc_decode( probs.permute(1,0,2), input_lengthstorch.tensor([32]), blank0, zero_infinityTrue ) pred_text .join([CHARSET[i-1] for i in decoded[0][0].tolist() if i 0]) return {prediction: pred_text} # 啟動uvicorn api.main:app --reload參數(shù)說明Image.Resampling.LANCZOS比BILINEAR銳利保留字符邊緣/255.0歸一化必須做因訓練時用transforms.Normalizectc_decode返回元組(list of tensors, list of scores)取decoded[0][0]即預測序列。6.3 精度驗證不只看 accuracy要拆解 error type線上效果不能只報一個92.7%要定位瓶頸。我們用混淆矩陣 error 分類Error TypeExampleCauseFixSubstitutionA8→A08和0在扭曲時相似增加0/8字體變體合成InsertionA8→AA8模型多輸出一個A檢查 CTC blank 概率降低blank學習率DeletionA8→A模型跳過8增加8在合成數(shù)據(jù)中的出現(xiàn)頻率TranspositionA8→8A字符順序錯檢查 CNN 特征圖時間維度是否被池化破壞已用AdaptiveAvgPool2d修復# eval/analyze_errors.py from sklearn.metrics import confusion_matrix import seaborn as sns import matplotlib.pyplot as plt # 獲取所有預測和真實標簽 preds, truths [], [] for img, target in test_loader: pred model.predict(img) # your predict func preds.extend(pred) truths.extend([CHARSET[t-1] for t in target]) # decode target # 生成混淆矩陣只統(tǒng)計單字符錯誤 char_errors [] for p, t in zip(preds, truths): if len(p) ! len(t): continue # skip length errors for pi, ti in zip(p, t): if pi ! ti: char_errors.append((ti, pi)) # 繪制 top-10 error pairs error_df pd.DataFrame(char_errors, columns[True, Pred]) conf_mat pd.crosstab(error_df[True], error_df[Pred]) sns.heatmap(conf_mat, annotTrue, fmtd) plt.savefig(confusion_matrix.png)邏輯說明pd.crosstab比sklearn.confusion_matrix更直觀顯示字符級錯誤if len(p) ! len(t)過濾長度錯誤聚焦 substitutionchar_errors列表便于人工分析高頻錯誤對。從那以后我每次上線新模型都強制走一遍這三步用torch.jit.trace導出并驗證dummy_input輸出 shape在 FastAPI 里加logging.info(fInput shape: {img_tensor.shape})確認預處理無誤抓取線上 100 張失敗樣本人工歸類 error type針對性補數(shù)據(jù)。這套流程讓我在三個不同驗證碼項目里首次部署準確率都超過 85%沒有一次需要推倒重來。希望幫到你。本文還有配套的精品資源點擊獲取