偏向於扭曲，傾斜，干擾驗證碼，例如下圖：

因為字元距離較近，沒法採用先切割為單個字元然後進行區域性識別的方式，所以，使用TensorFlow+cnn進行識別，該方法無需切割驗證碼。

使用深度學習+訓練資料+大量計算力，我們可以在幾天內訓練一個可以破解驗證碼的模型，不需要分割驗證碼，而是把驗證碼做為一個整體進行識別。

因為驗證碼的訓練集實在不好找，你基本不太可能搞到網站生成驗證碼的完整原始碼。碰到這種情況，我的解決方案就是自己推測出網站驗證碼的生成規則，然後寫個生成驗證碼的程式，最後通過CNN模型訓練，破解自己做的驗證碼生成器。

CNN需要大量的樣本進行訓練。如果使用數字+大小寫字母CNN網路有4*62個輸出，只使用數字CNN網路有4*10個輸出。因此需要一個指令碼自動生成訓練集。

成功率（可能波動，均親身實踐）：

1. 達到50%成功率需要2000個批次，總計20w張圖片。
2. 達到70%成功率需要4000個批次，總計40w張圖片。
3. 達到94%成功率需要40000個批次，總計400w張圖片。
4. 達到98%成功率需要100000個批次，總計1000w張圖片。

驗證碼生成器（生成訓練資料）

1. 開啟Anaconda Prompt視窗，首先，安裝captcha模組，否則，後續執行會提示如下錯誤；

2. 輸入如下命令，進行安裝；

pip install captcha

3. 輸入命令：

python gen_captcha.py

即可在同目錄下，彈出一對話方塊生成驗證碼圖片，並輸入驗證碼結果；同時被TensorFlow_cnn呼叫；

左上角文字對應驗證碼影象；

訓練

CNN需要大量的樣本進行訓練，由於時間和資源有限，測試時我只使用數字做為驗證碼字符集。如果使用數字+大小寫字母CNN網路有4*62個輸出，只使用數字CNN網路有4*10個輸出。

執行

1. 開啟Anaconda Prompt視窗，切換到程式路徑內；

2. 然後，在視窗內輸入命令：

python tensorflow_cnn_train.py

3. 彈出如下內容：

每次都輸出訓練次數、準確率；

每100次計算一次準確率，如果準確率大於0.5，就儲存模型，完成訓練

4. 訓練完成時的準確率（本人訓練一天多也沒看到這個資料，一致到85%左右；超過50%就不訓練了）

使用訓練的模型測試

檢視Loss和準確率曲線