第六章 神经网络.pptxVIP

用神经网络破解验证码理论前提人工神经网络神经网络算法最初是根据人类大脑的工作机制设计的；然而，该领域近年所取得的进展主要得益于数学而不是生物学。神经网络由一系列相互连接的神经元组成。每个神经元都是一个简单的函数，接收一定输入，给出相应输出。理论前提神经元可以使用任何标准函数来处理数据，比如线性函数，这些函数统称为激活函数（activation function）。一般来说，神经网络学习算法要能正常工作，激活函数应当是可导（derivable）和光滑的。常用的激活函数有逻辑斯谛函数，函数表达式如下（x为神经元的输入，k、L通常为1，这时函数达到最大值）。每个神经元接收几个输入，根据这几个输入，计算输出。这样的一个个神经元连接在一起组成了神经网络，对数据挖掘应用来说，它非常强大。这些神经元紧密连接，密切配合，能够通过学习得到一个模型，使得神经网络成为机器学习领域最强大的概念之一。理论前提反向传播算法（back propagation，backprop）的工作机制为对预测错误的神经元施以惩罚。反向传播算法F1值是以每个类别为基础进行定义的，包括两大概念：准确率（precision）和召回率（recall）。具体在第五章 朴素贝叶斯实验中的理论前提中。F1值(1) 把大图像分成只包含一个字母的小图像。(2) 为每个字母分类。(3) 把字母重新组合为单词。(4) 用词典修正单词识别错误。还原图像中的单词步骤实验准备本章目的：破解验证码（图片）相关Python库：(下载 cmd-pip install 对应第三方库名 或通过ide下载）PILSkimageMatplotlibPybrain(版本：0.3.3）nltk （还需要下载words）Numpy Sklearn pip install git+/pybrain/pybrain.git@0.3.3需要下载git帮助下载该库可以翻墙下载Cmd -python -import nltk -nltk.download(works)---------------------或将相应的文件【附件中】解压放在下面的任一路径中（部分需要自己创建文件夹）具体在第五章查看已下载第三方库和其对应版本：命令行窗口-pip list实验过程PIL库用于绘制图像加载库import numpy as npfrom PIL import Image, ImageDraw, ImageFontfrom skimage import transform as tffrom matplotlib import pyplot as pltfrom skimage.measure import label, regionpropsfrom pybrain.datasets import SupervisedDataSetfrom pybrain.supervised.trainers import BackpropTrainerfrom skimage.transform import resizefrom sklearn.preprocessing import OneHotEncoderfrom sklearn.model_selection import train_test_splitfrom pybrain.tools.shortcuts import buildNetworkfrom sklearn.metrics import f1_scorefrom nltk.corpus import wordsfrom sklearn.metrics import confusion_matrixfrom sklearn.utils import check_random_statescikit-image库能够接收PIL库导出的numpy数组格式的图像数据Matplotlib库中可以通过pyplot作图调整图像像素PyBrain库来构建神经网络分类器NLTK模块创建单词数据集实验过程绘制图像要用到PIL库，错切变化需要使用scikit-image库。scikit-image库能够接收PIL库导出的numpy数组格式的图像数据。这些库在一开始就已经导入。目的：破解长度为4个字母的英文单词的验证码目标是编写程序还原图像中的单词，具体步骤在理论中提及。第一步：绘制验证码使用字母L来生成一张黑白图像，为ImageDraw类初始化一个实例，可以用PIL绘图#创建用于生成验证码的基础函数。#这个函数接收一个单词和错切值（通常在0到0.5之间），返回用numpy数组格式表示的图像def create_captcha(text, shear=.0, size=(100, 24)): im = Image.new(L, size