介绍：
是目前较为流行的图文识别模型，可识别较长的文本序列， 它利用BLSTM和CTC部件学习字符图像中的上下文关系， 从而有效提升文本识别准确率，使得模型更加鲁棒。 CRNN是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。 文章认为文字识别是对序列的预测方法，所以采用了对序列预测的RNN网络。通过CNN将图片的特征提取出来后采用RNN对序列进行预测，最后通过一个CTC的翻译层得到最终结果。说白了就是CNN+RNN+CTC的结构。
CRNN 全称为 Convolutional Recurrent Neural Network，主要用于端到端地对不定长的文本序列进行识别，不用先对单个文字进行切割，而是将文本识别转化为时序依赖的序列学习问题，就是基于图像的序列识别。
CRNN网络结构：
整个CRNN网络结构包含三部分，从下到上依次为：
CNN（卷积层），使用深度CNN，对输入图像提取特征，得到特征图；
RNN（循环层），使用双向RNN（BLSTM）对特征序列进行预测，对序列中的每个特征向量进行学习，并输出预测标签（真实值）分布；
CTC loss（转录层），使用 CTC 损失，把从循环层获取的一系列标签分布转换成最终的标签序列。
1.CNN结构（卷积层结构图）
CNN结构采用的是VGG的结构，并且文章对VGG网络做了一些微调，如下图所示
这里有一个很精彩的改动，一共有四个最大池化层，但是最后两个池化层的窗口尺寸由 2x2 改为 1x2，也就是图片的高度减半了四次（除以），而宽度则只减半了两次（除以 ），这是因为文本图像多数都是高较小而宽较长，所以其feature map也是这种高小宽长的矩形形状，如果使用1×2的池化窗口可以尽量保证不丢失在宽度方向的信息，更适合英文字母识别（比如区分i和l）。
CRNN 还引入了BatchNormalization模块，加速模型收敛，缩短训练过程。
输入图像为灰度图像（单通道）；高度为32，这是固定的，图片通过 CNN 后，高度就变为1，这点很重要；宽度为160，宽度也可以为其他的值，但需要统一，所以输入CNN的数据尺寸为 (channel, height, width)=(1, 32, 160)。
CNN的输出尺寸为 (512, 1, 40)。即 CNN 最后得到512个特征图，每个特征图的高度为1，宽度为40。
注意：最后的卷积层是一个2*2,s=1,p=0的卷积，此时也是相当于将feature map放缩为原来的1/2,所以整个CNN层将图像的h放缩为原来的，所以最后CNN输出的featuremap的高度为1。
assert imgH % 16 == 0, 'imgH has to be a multiple of 16'在程序中，图像的h必须为16的整数倍。
assert h == 1, "the height of conv must be 1"前向传播时，CNN得到的featuremap的h必须为1。
最后CNN得到的featuremap尺度为512x1x16
网络结构综合了CNN+RNN
(1)其中Max pooling中的窗口大小为1*2，保证提出的特征具有横向的长度，有利于识别较长的文本；
(2)CNN+RNN的训练比较困难，所以加入了BatchNorm，有助于模型收敛；
优势
(1)可以端到端训练；
(2)不需要进行字符分割和水平缩放操作，只需要垂直方向缩放到固定长度即可，同时可以识别任意长度的序列；
(3)可以训练基于字典的模型和不基于词典的任意模型；
(4)训练速度快，并且模型很小。
CRNN.pytorch环境配置
1.安装pytorch
网站http://pytorch.org/给出了对于不同的环境安装pytorch的命令 , 本人选择如下：
因此安装命令如下：
pip install http://download.pytorch.org/whl/cu90/torch-0.3.1-cp27-cp27mu-linux_x86_64.whl
pip install torchvision2.安装lmdb
pip install lmdb3.下载RCNN源代码
git clone https:*//github.com/meijieru/crnn.pytorch --recursive* 4.下载预训练的模型
下载地址：https://pan.baidu.com/s/1pLbeCND
将crnn.pth放到data/路径下
5.测试
python demo.py
6.输出：
loading pretrained model from ./data/crnn.pth
a-----v--a-i-l-a-bb-l-e--- => available
