这是一个基于卷积神经网络的验证码识别解决方案。
使用 ./captchaGen.py 来生成加噪以及对应去噪的验证码图片。
它被实现为一个命令行工具，你可以通过 python ./captchaGen.py -h 来查看支持的参数。
作为例子，我们可以通过执行下面的命令来生成训练集和验证集：
python ./captchagen.py -o ./dataset/train -n 600
python ./captchagen.py -o ./dataset/test -n 100该工具依赖于其目录下的
font.ttc文件作为验证码字体。
这些数据用来训练去噪网络（自编码器）。
训练结束后，我们需要使用 ./deNoise.py 来生成下一阶段，训练识别网络的数据集。
它同样被实现为一个命令行工具。
作为例子，请看下面的命令：
python ./deNoise.py -i ./dataset/train/noise -o ./dataset1/train -m ./model.h5
python ./deNoise.py -i ./dataset/test/noise -o ./dataset1/test -m ./model.h5-m 参数用来指定持久化的自编码器网络参数。
自编码器的训练可以使用 ./autoencoder.ipynb。
它分别使用 ./dataset/train 以及 ./dataset/test 下的图片作为训练集和验证集。
默认迭代 2000 次，然后保存模型参数。
同时会绘制训练过程中的损失值，以及给出在验证集上的去噪表现图片。
当你准备好下一阶段（识别网络）的数据集后，可以使用 ./captcha.ipynb 来训练识别网络。
它分别使用 ./dataset1/train 以及 ./dataset1/test 下的图片作为训练集和验证集。
接下来，你可以手动添加代码，来保存网络参数，或直接进行预测。