验证码是根据随机字符生成一幅图片，然后在图片中加入干扰象素，用户必须手动填入，防止有人利用机器人自动批量注册、灌水、发垃圾广告等等 。
验证码的作用是验证用户是真人还是机器人；设计理念是对人友好，对机器难。
上图是常见的字符验证码，还有一些验证码使用提问的方式。
我们先来看看破解验证码的几种方式：
人力打码（基本上，打码任务都是大型网站的验证码，用于自动化注册等等） 找到能过验证码的漏洞 最后一种是字符识别，这是本帖的关注点
我上网查了查，用Tesseract OCR、OpenCV等等其它方法都需把验证码分割为单个字符，然后识别单个字符。分割验证码可是人的强项，如果字符之间相互重叠，那机器就不容易分割了。
本帖实现的方法不需要分割验证码，而是把验证码做为一个整体进行识别。
相关论文：
Multi-digit Number Recognition from Street View Imagery using Deep CNN CAPTCHA Recognition with Active Deep Learning http://matthewearl.github.io//05/06/cnn-anpr/
使用深度学习+训练数据+大量计算力，我们可以在几天内训练一个可以破解验证码的模型，当然前提是获得大量训练数据。
获得训练数据方法：
手动（累死人系列） 破解验证码生成机制，自动生成无限多的训练数据 打入敌人内部（卧底+不要脸+不要命+多大仇系列）
我自己做一个验证码生成器，然后训练CNN模型破解自己做的验证码生成器。
我觉的验证码机制可以废了，单纯的增加验证码难度只会让人更难识别，使用CNN+RNN，机器的识别准确率不比人差。Google已经意识到了这一点，他们现在使用机器学习技术检测异常流量。
验证码生成器
训练
CNN需要大量的样本进行训练，由于时间和资源有限，测试时我只使用数字做为验证码字符集。如果使用数字+大小写字母CNN网络有4*62个输出，只使用数字CNN网络有4*10个输出。
TensorBoard是个好东西，既能用来调试也能帮助理解Graph。
训练完成时的准确率（超过50%我就不训练了）：
使用训练的模型识别验证码：
loss和准确率曲线：
为了成为真正的码农，本熊猫要开始研习TensorFlow源代码了，应该能学到不少玩意。
如要转载，请保持本文完整，并注明作者@斗大的熊猫和本文原始地址：/archives/10858
