前言

参考文章：

最初参考的两篇：

【Pytorch】基于CNN手写汉字的识别：https://blog.csdn.net/weixin_44403922/article/details/104451698

「Pytorch」CNN实现手写汉字识别（数据集制作，网络搭建，训练验证测试全部代码）：https://blog.csdn.net/qq_31417941/article/details/97915035

模型：

EfficientNetV2网络详解：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_classification/Test11_efficientnetV2

数据集（不必从这里下载，可以看一下它的介绍）：

CASIA Online and Offline Chinese Handwriting Databases：http://www.nlpr.ia.ac.cn/databases/handwriting/Home.html

鉴于已经3202年了，GPT4都出来了，网上还是缺乏汉字识别这种“底层”基础神经网络的能让新手直接上手跑通的手把手教程，我就斗胆自己写一篇好了。

本文的主要特点：

1. 使用EfficientNetV2模型真正实现3755类汉字识别

2. 项目开源

3. 预训练模型公开

4. 预制数据集，无需处理直接使用

数据集

使用中科院制作的手写汉字数据集，链接直达官网，所以我这里不多介绍，只有满腔敬意。

上面参考的博客可能要你自己下载之后按照它的办法再预处理一下，但是在这个环节出现问题的朋友挺多，本着保姆级教程教程的原则，我把预处理的数据已经传到北航云盘（https://bhpan.buaa.edu.cn:443/link/C2E69919DF187EB23C26653A0483D34D）了，速度应该比百度网盘快吧，大概…

预训练模型已经上传了（后面有链接），但是如果想自己训一下，就需要下载这个数据集，解压到项目结构里的data文件夹如下所示

data文件夹和log文件夹需要自己建。

项目结构

完整源代码：【项目源码】https://github.com/Katock-Cricket/Chinese_Character_Rec

目录结构

重点注意data文件夹的结构，不要把数据集放错位置了或者多嵌套了文件夹

├─Chinese_Character_Rec

│   ├─asserts

│   │   ├─*.png

│   ├─char_dict

│   ├─Data.py

│   ├─EfficientNetV2

│   │   ├─demo.py

│   │   ├─EffNetV2.py

│   │   ├─Evaluate.py

│   │   ├─model.py

│   │   └─Train.py

│   ├─Utils.py

│   ├─VGG19

│   │   ├─demo.py

│   │   ├─Evaluate.py

│   │   ├─model.py

│   │   ├─Train.py

│   │   └─VGG19.py

|   └─README.md

├─data

│   ├─test

│   │   ├─00000

│   │   ├─00001

│   │   ├─00002

│   │   ├─00003

│    |    └─...

│   ├─test.txt

│   ├─train

│   │   ├─00000

│   │   ├─00001

│   │   ├─00002

│   │   ├─00003

|    |   └─ ...

│   └─train.txt

├─log

│   ├─log1.pth

│   └─…

神经网络模型

预训练模型参数链接（包含vgg19和efficientnetv2）https://bhpan.buaa.edu.cn:443/link/719865B23D5DA304FC491A0A65FE24A3

请将.pth文件重命名为log+数字.pth的格式，例如log1.pth，放入log文件夹。方便识别和retrain。

VGG19

这里先后用了两种神经网络，我先用VGG19试了一下，分类前1000种汉字。训得有点慢，主要还是这模型有点老了，参数量也不小。而且要改到3755类的话还用原参数的话就很难收敛，也不知道该怎么调参数了，估计调好了也会规模很大，所以这里VGG19模型的版本只能分类1000种，就是数据集的前1000种（准确率>92%）。

EfficientNetV2

这个模型很不错，主要是卷积层的部分非常有效，参数量也很少。直接用small版本去分类3755个汉字，半小时就收敛得差不多了。所以本文用来实现3755类汉字的模型就是EfficientNetV2（准确率>89%)，后面的教程都是基于这个，VGG19就不管了，在源码里感兴趣的自己看吧。

以下代码不用自己写，前面已经给出完整源代码了，下面的教程是结合源码的讲解而已。

运行环境

显存>=4G（与batchSize有关，batchSize=512时显存占用4.8G；如果是256或者128，应该会低于4G，虽然会导致训得慢一点)

内存>=16G（训练时不太占内存，但是刚开始加载的时候会突然占一下，如果小于16G还是怕爆）

如果你没有安装过Pytorch，啊，我也不知道怎么办，你要不就看看安装Pytorch的教程吧。（总体步骤是，有一个不太老的N卡，先去驱动里看看cuda版本，安装合适的CUDA，然后根据CUDA版本去pytorch.org找到合适的安装指令，然后在本地pip install）

以下是项目运行环境，我是3060 6G，CUDA版本11.6

这个约等号不用在意，可以都安装最新版本，反正我这里应该没用什么特殊的API

torch~=1.12.1+cu116
torchvision~=0.13.1+cu116
Pillow~=9.3.0

数据集准备

首先定义classes_txt方法在Utils.py中（不是我写的，是CSDN那两篇博客的，下同）：

生成每张图片的路径，存储到train.txt或test.txt。方便训练或评估时读取数据

def classes_txt(root, out_path, num_class=None):
   dirs = os.listdir(root)
   if not num_class:
       num_class = len(dirs)

   with open(out_path, 'w') as f:
       end = 0
       if end < num_class - 1:
           dirs.sort()
           dirs = dirs[end:num_class]
           for dir1 in dirs:
               files = os.listdir(os.path.join(root, dir1))
               for file in files:
                   f.write(os.path.join(root, dir1, file) + '\n')

定义Dataset类，用于制作数据集，为每个图片加上对应的标签，即图片所在文件夹的代号

class MyDataset(Dataset):
   def __init__(self, txt_path, num_class, transforms=None):
       super(MyDataset, self).__init__()
       images = []
       labels = []
       with open(txt_path, 'r') as f:
           for line in f:
               if int(line.split('\\')[1]) >= num_class: # 超出规定的类，就不添加，例如VGG19只添加了1000类
                   break
               line = line.strip('\n')
               images.append(line)
               labels.append(int(line.split('\\')[1]))
       self.images = images
       self.labels = labels
       self.transforms = transforms

   def __getitem__(self, index):
       image = Image.open(self.images[index]).convert('RGB')
       label = self.labels[index]
       if self.transforms is not None:
           image = self.transforms(image)
       return image, label

   def __len__(self):
       return len(self.labels)

入口

我把各种超参都放在了args里方便改，请根据实际情况自行调整。这套defaults就是我训练这个模型时使用的超参，图片size默认32是因为我显存太小辣！！但是数据集给的图片大小普遍不超过64，如果想训得更精确，可以试试64*64的大小。

如果你训练时爆mem，请调小batch_size，试试256，128，64，32

parser = argparse.ArgumentParser(description='EfficientNetV2 arguments')
parser.add_argument('--mode', dest='mode', type=str, default='demo', help='Mode of net')
parser.add_argument('--epoch', dest='epoch', type=int, default=50, help='Epoch number of training')
parser.add_argument('--batch_size', dest='batch_size', type=int, default=512, help='Value of batch size')
parser.add_argument('--lr', dest='lr', type=float, default=0.0001, help='Value of lr')
parser.add_argument('--img_size', dest='img_size', type=int, default=32, help='reSize of input image')
parser.add_argument('--data_root', dest='data_root', type=str, default='../../data/', help='Path to data')
parser.add_argument('--log_root', dest='log_root', type=str, default='../../log/', help='Path to model.pth')
parser.add_argument('--num_classes', dest='num_classes', type=int, default=3755, help='Classes of character')
parser.add_argument('--demo_img', dest='demo_img', type=str, default='../asserts/fo2.png', help='Path to demo image')
args = parser.parse_args()


if __name__ == '__main__':
   if not os.path.exists(args.data_root + 'train.txt'): # 只生成一次
       classes_txt(args.data_root + 'train', args.data_root + 'train.txt', args.num_classes)
   if not os.path.exists(args.data_root + 'test.txt'): # 只生成一次
       classes_txt(args.data_root + 'test', args.data_root + 'test.txt', args.num_classes)

   if args.mode == 'train':
       train(args)
   elif args.mode == 'evaluate':
       evaluate(args)
   elif args.mode == 'demo':
       demo(args)
   else:
       print('Unknown mode')

训练

在前面CSDN博客的基础上，增加了lr_scheduler自行调整学习率（如果连续2个epoch无改进，就调小lr到一半），增加了连续训练的功能：

先在log文件夹下寻找是否存在参数文件，如果没有，就认为是初次训练；如果有，就找到后缀数字最大的log.pth，在这个基础上继续训练，并且每训练完一个epoch，就保存最新的log.pth，代号是上一次的+1。这样可以多次训练，防止训练过程中出错，参数文件损坏前功尽弃。

其中has_log_file和find_max_log在Utils.py中有定义。

def train(args):
   print("===Train EffNetV2===")
   # 归一化处理，不一定要这样做，看自己的需求，只是预训练模型的训练是这样设置的
   transform = transforms.Compose(
       [transforms.Resize((args.img_size, args.img_size)), transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
        transforms.ColorJitter()])  

   train_set = MyDataset(args.data_root + 'train.txt', num_class=args.num_classes, transforms=transform)
   train_loader = DataLoader(train_set, batch_size=args.batch_size, shuffle=True)
   device = torch.device('cuda:0')
   # 加载模型
   model = efficientnetv2_s(num_classes=args.num_classes)
   model.to(device)
   model.train()
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.Adam(model.parameters(), lr=args.lr)
   # 学习率调整函数，不一定要这样做，可以自定义
   scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', patience=2, factor=0.5)
   print("load model...")
   
# 加载最近保存了的参数
   if has_log_file(args.log_root):
       max_log = find_max_log(args.log_root)
       print("continue training with " + max_log + "...")
       checkpoint = torch.load(max_log)
       model.load_state_dict(checkpoint['model_state_dict'])
       optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
       loss = checkpoint['loss']
       epoch = checkpoint['epoch'] + 1
   else:
       print("train for the first time...")
       loss = 0.0
       epoch = 0

   while epoch < args.epoch:
       running_loss = 0.0
       for i, data in enumerate(train_loader):
           inputs, labels = data[0].to(device), data[1].to(device)
           optimizer.zero_grad()
           outs = model(inputs)
           loss = criterion(outs, labels)
           loss.backward()
           optimizer.step()
           running_loss += loss.item()
           if i % 200 == 199:
               print('epoch %5d: batch: %5d, loss: %8f, lr: %f' % (
                   epoch + 1, i + 1, running_loss / 200, optimizer.state_dict()['param_groups'][0]['lr']))
               running_loss = 0.0

       scheduler.step(loss)
       # 每个epoch结束后就保存最新的参数
       print('Save checkpoint...')
       torch.save({'epoch': epoch,
                   'model_state_dict': model.state_dict(),
                   'optimizer_state_dict': optimizer.state_dict(),
                   'loss': loss},
                  args.log_root + 'log' + str(epoch) + '.pth')
       print('Saved')
       epoch += 1

   print('Finish training')

评估

没什么好说的，就是跑测试集，算总体准确率。但是有一点不完善，就是看不到每一个类具体的准确率。我的预训练模型其实感觉有几类是过拟合的，但是我懒得调整了。

def evaluate(args):
   print("===Evaluate EffNetV2===")
   # 这个地方要和train一致，不过colorJitter可有可无
   transform = transforms.Compose(
       [transforms.Resize((args.img_size, args.img_size)), transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
        transforms.ColorJitter()])

   model = efficientnetv2_s(num_classes=args.num_classes)
   model.eval()
   if has_log_file(args.log_root):
       file = find_max_log(args.log_root)
       print("Using log file: ", file)
       checkpoint = torch.load(file)
       model.load_state_dict(checkpoint['model_state_dict'])
   else:
       print("Warning: No log file")

   model.to(torch.device('cuda:0'))
   test_loader = DataLoader(MyDataset(args.data_root + 'test.txt', num_class=args.num_classes, transforms=transform),batch_size=args.batch_size, shuffle=False)
   total = 0.0
   correct = 0.0
   print("Evaluating...")
   with torch.no_grad():
       for i, data in enumerate(test_loader):
           inputs, labels = data[0].cuda(), data[1].cuda()
           outputs = model(inputs)
           _, predict = torch.max(outputs.data, 1)
           total += labels.size(0)
           correct += (predict == labels).sum().item()
   acc = correct / total * 100
   print('Accuracy'': ', acc, '%')

推理

输入文字图片，输出识别结果：

其中char_dict就是每个汉字在数据集里的代号对应的gb2312编码，这个模型的输出结果是它在数据集里的代号，所以要查这个char_dict来获取它对应的汉字。

def demo(args):
   print('==Demo EfficientNetV2===')
   print('Input Image: ', args.demo_img)
   # 这个地方要和train一致，不过colorJitter可有可无
   transform = transforms.Compose(
       [transforms.Resize((args.img_size, args.img_size)), transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])
   img = Image.open(args.demo_img)
   img = transform(img)
   img = img.unsqueeze(0) # 增维
   model = efficientnetv2_s(num_classes=args.num_classes)
   model.eval()
   if has_log_file(args.log_root):
       file = find_max_log(args.log_root)
       print("Using log file: ", file)
       checkpoint = torch.load(file)
       model.load_state_dict(checkpoint['model_state_dict'])
   else:
       print("Warning: No log file")

   with torch.no_grad():
       output = model(img)
   _, pred = torch.max(output.data, 1)
   f = open('../char_dict', 'rb')
   dic = pickle.load(f)
   for cha in dic:
       if dic[cha] == int(pred):
           print('predict: ', cha)
   f.close()

例如输入图片为：

程序运行结果：

其他说明

这个模型我正在尝试移植到安卓应用，因为Pytorch有一套Pytorch for Android，但是现在遇到一个问题，它的bitmap2Tensor函数内部实现与Pytorch的toTensor()+Normalize()不一样，导致输入相同的图片，转出来的张量是不一样的，比如我输入的图片是白底黑字，白底的部分输出一样，但是黑色的部分的数值出现了偏移，我用的是同一套归一化参数，不知道这是为什么。然后这个张量的差异就导致安卓端表现很不好，目前正在寻找解决办法，灰阶处理可能是出路？

另外，这个模型对于太细太黑的字体，准确度貌似不是很好，可能还是有点过拟合了。建议输入的图片与数据集的风格靠拢，黑色尽量浅一点，线不要太细。

如果还存在疑问可以打在B站专栏的评论区。差不多就是这些了，传统功夫宜点到为止，谢谢大家。