#实战：基于 PyTorch 的 CNN 验证码识别教程

本教程将带你实现一个能识别“数字+字母”组合的深度学习模型。不同于调用现成库，我们将从底层原理出发，训练一个专属的识别引擎。
项目地址:https://github.com/MgArcher/VerificationCodeRecognition

#1. 项目核心流程图

1. 数据生成：使用 Python 库批量生成带有干扰的验证码图片。
2. 构造网络：搭建多层 CNN 提取视觉特征。
3. 模型训练：通过损失函数不断优化神经元参数。
4. 验证与部署：将训练好的 .pth 模型应用到爬虫项目中。

#2. 环境准备 (2026 兼容版)

在开始前，请确保安装了核心依赖：

pip install torch torchvision
pip install pillow numpy
pip install captcha  # 用于生成验证码数据集

#3. 核心板块解析

#3.1 数据集准备 (Data Generation)

在该仓库中，数据是动态生成的。验证码识别的难点在于：一个标签（Label）对应多个字符。

• One-Hot 编码：如果验证码是 4 位，每位包含 26 个字母+10 个数字，那么模型输出的向量长度应为 $4 \times 36$。

#3.2 CNN 模型架构

这是仓库中最关键的代码部分（简化逻辑）：

import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        # 第一层卷积：提取基础边缘特征
        self.layer1 = nn.Sequential(
            nn.Conv2d(1, 32, kernel_size=3, padding=1),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(2))
        
        # ... 经过多层卷积缩放尺寸 ...

        # 全连接层：将二维特征图转化为一维分类概率
        self.fc = nn.Linear(32 * 15 * 50, 4 * 36) 

    def forward(self, x):
        out = self.layer1(x)
        out = out.view(out.size(0), -1) # 展平
        out = self.fc(out)
        return out

#4. 动手实战步奏

#第一步：克隆并初始化

git clone https://github.com/MgArcher/VerificationCodeRecognition.git
cd VerificationCodeRecognition

#第二步：生成训练集

运行仓库中的数据生成脚本，生成数万张验证码图片存入 dataset/train。数据量越大，模型的抗干扰能力越强。

#第三步：启动训练

执行训练脚本。注意观察 Loss (损失值)：

• 如果 Loss 持续下降并趋于平稳，说明模型正在“学习”字符特征。
• 建议：在 Windows 环境下若无显卡，可修改 device = torch.device("cpu")。

#第四步：模型推理 (Inference)

训练完成后会得到 model.pth。在你的爬虫代码中如下调用：

model.load_state_dict(torch.load('model.pth'))
model.eval()
# 将爬虫抓到的图片转化为 Tensor 后传入
output = model(img_tensor)
# 解析输出向量得到最终字符串

#5. 为什么选这个库做教程？ (技术深度)

1. 理解多标签分类：不同于常规的“一张图一个类别”，验证码识别是“一张图多个类别”。通过这个项目，你可以掌握如何处理联合概率分布。
2. 端到端识别 (End-to-End)：传统的 OCR 需要先做“字符切割”，而这个库展示了如何直接输入整张图，输出整串字符，这是目前工业界最主流的做法。
3. 定制化能力：如果爬虫遇到的验证码背景非常特殊（如 3D 扭曲），你可以通过修改生成代码模拟这种背景，训练出比通用库更准的模型。

#💼 开发者避坑指南

• 灰度化：在输入模型前，务必将图片转为单通道灰度图，这能减少 2/3 的计算量且不丢失关键特征。
• 字符集不匹配：如果你的目标网站有大小写区分，记得在 constants.py 中修改字符集长度，否则模型会识别不出大写字母。