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：

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

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。

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

│   └─…

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。

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%）。

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。

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+cu116torchvision~=0.13.1+cu116Pillow~=9.3.0

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)

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')

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')

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, '%')

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：

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。