此部分只考虑rec识别部分，不考虑检测和方向分类。
举个栗子，要识别的图片如下所示：
打码了，第一次发布的时候csdn说我打广告……
这是paddle自带的图片，也是det检测后的框出来的图片，可以看到，rec识别部分的输入图片，是仅有一行文字，没有其它乱七八糟的东西，也没有多余的空白，非常精炼。
在PaddleOCR-dygraph根目录下启动cmd，输入识别图片代码如下：
python tools/infer_rec.py -c configs/rec/ch_ppocr_v2.0/rec_chinese_common_train_v2.0.yml -o Global.load_static_weights=false Global.infer_img=doc/imgs_words/ch/
其中-c 参数是配置文件，里面包含了识别要用的模型（由Global.checkpoints的路径指定，可以是自己训练的模型）和要识别的图片（由Global.infer_img的路径指定，可以是文件或者文件夹，示例是文件夹）
-o后面的参数可以省去，当有该参数时，配置文件里的相应项将以-o参数为准。
识别结果如下图：
看来识别模型效果还不错。
现在任务要求，需要批量输出识别结果，于是打开tools/infer_rec.py查看代码：
如果之前没有别的修改的话，这段代码应该在80行左右。
经调试发现，路径存在file变量中，rec_reuslt（可能是开发人员手误，应该是rec_result）是一个元组(tuple)变量，rec_reuslt[0]存的是识别结果文字，rec_reuslt[1]存的是识别准确率。
于是用一波简单的文件操作，将结果保存为txt
#大for循环前加resulttxtpath=open(".\\rec_result.txt",'w+')#输出result的小for循环里加print("{}\t{}\t{}".format(file,rec_reuslt[0],rec_reuslt[1]),file=resulttxtpath)#大for循环success后加resulttxtpath.close()
打开一看，符合要求。（这真的是\t）
