2.0 artifacts support

[shuangluoxss]

Add support to new artifacts in version 2.0

[ProblemFactory]

你把圣遗物名称建立了新模型的话，另外一个模型重新训练了吗？另外训练效果到了多少？

[shuangluoxss]

原先的模型参数没有变，新的识别圣遗物的模型重新训练了，在训练集和测试集合上的精度都是100%，另外用我仓库里的800多张圣遗物截图测试，也没有发现名称识别错误
训练集是用generate_image函数给每个圣遗物生成了100张图片，再用OCR.preprocess处理成array作为输入；测试集是每个圣遗物5张。训练和测试的参数如下

model.compile(
        loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
        optimizer=keras.optimizers.RMSprop(),
        metrics=["accuracy"],
    )

另外想请教一下您之前模型训练用的y是如何生成的？用char_to_num得到的y长度不固定，训练时会报错。我试着把每个y后面补0后再训练，但这样训练出的模型识别精度很低，所有连续数字都会识别为一个

[shuangluoxss]

另外，我在测试原先的模型时也发现了一些识别错误，不知道能否通过继续训练模型改进？复现的文件和代码如下：

import ocr
import numpy as np
from matplotlib import pyplot as plt
from matplotlib.pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']

ocr_model = ocr.OCR(scale_ratio=0.75, model_weight='mn_model_weight.h5')

labels_test = np.load('wrong_labels.npy')
imgs_test = np.load('wrong_imgs.npy')
test_x = np.transpose(imgs_test, (0, 2, 1))[:,:,:,None]
preds = ocr_model.decode(ocr_model.model.predict(test_x))

plt.figure(figsize=(16, 7))
for i in range(len(preds)):
    plt.subplot(8, 4, i+1)
    plt.imshow(imgs_test[i], cmap="gray")
    plt.title(preds[i], fontdict={'size':14}, loc='left')
    plt.axis("off")
plt.savefig('识别错误.png', bbox_inches='tight', dpi=120)

wrong_reg.zip

[ProblemFactory]

如果把圣遗物名称单独拿出来做模型了的话，之前的模型可以只针对剩下的部分训练，理论上讲可以提高一些效果。完整的训练代码在一台目前不能用的远程工作站上，我明天去把数据复制出来。我现在先通过PR，后续重新训练一下基础模型我再发新release。