【模型+代码/保姆级教程】使用Pytorch实现手写汉字识别
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：
使用EfficientNetV2模型真正实现3755类汉字识别
项目开源
预训练模型公开
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（貌似有损坏，先用评论区的链接）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
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
神经网络模型
预训练模型参数链接（包含vgg19和efficientnetv2）
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。
————————————————
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
————————————————
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，MyDataset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
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
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
————————————————
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。
————————————————
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。
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。
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。
————————————————
为大家准备了本项目所需的源代码！深度学习以及计算机视觉学习资料！可论文指导1对1付费咨询！
可添加VX公众号：【AI技术星球】，回复369免费领学习资料！
【1】人工智能学习课程及配套资料
【2】超详解人工智能学习路线图及学习大纲
【3】学人工智能必看优质书籍电子书汇总
【4】人工智能面试题库大全以及问题总结
【5】人工智能经典论文100篇+解读+复现教程
【6】计算机视觉技术教学课程+YOLO等项目教学
【7】人工智能最新行业报告
