写在前面：大家好，我是小董(xddcore)，ee专业在读，最近半年也折腾了不少关于神经网络，机器学习的东西。(算法很菜，都是调High-level API)。目前想把自己做的一些demo移植到k210上(当然是Micropython啦)。昨天看到大家对于多位数字识别有一些问题。那就先来移植之前做的opencv+tf的多位数字识别的demo吧。在本贴中也会分享如何在PC上训练模型，部署到k210上。以及优化模型的一些思路。
以下为效果:
数据集:
关于数字识别数据集用mnist，然后汉字识别数据集用中科院自动化所模式识别国家重点实验室在2010收集的《CASIA-HWDB》。
致谢:mnist数据集，CASIA-HWDB数据集
思路:
1.楼主将会把这两个数据集进行融合，最后变成一个既可以识别数字，也可以识别手写汉字的数据集。然后再扔到卷积神经网络进行训练。
2.尝试使用maix的toolbox里面提供的模型转换工具，将模型最终转换为Kmodel。(在此过程中，可能会需要些时间(楼主的模型优化能力基本为0))
3. runing in maix bit.
也分享下自己之前做的其他数据集(后面有时间会一同移植到k210上):
1.X-Ray 肺炎检测
2.11-18世纪50位画家的画作进行分类(简称:看图猜画家)
3.猫狗分类(效果也就那样吧...)
第0.1步—《CASIA-HWDB》数据集提取
关于《CASIA-HWDB》数据集:
在线和离线中文手写数据库CASIA-OLHWDB和CASIA-HWDB是由中国科学院自动化研究所模式识别国家实验室（NLPR）建立的。手写样本是由1,020位作家使用Anoto笔在纸上制作的，因此可以获取在线和离线数据。示例包括孤立的字符和手写的文本（连续脚本）。我们从2007年到2010年收集了作家的数据，并在2010年完成了分割和注释。数据库包括六个在线数据集和六个离线数据集，每种情况下，三个用于孤立字符（DB1.0–1.2）和手写文本三个（DB2.0–2.2）。在联机或脱机情况下，孤立字符的数据集包含约390万个样本，共7356个类别（7185个汉字和171个符号），而手写文本的数据集则包含约5090页和135万个字符样本。所有数据都已在角色级别进行了分段和注释，并且每个数据集都划分为标准训练和测试子集。
下载链接:http://www.nlpr.ia.ac.cn/databases/handwriting/Home.html(不得不吹一吹这个数据集的下载页面，很有感觉），其实大家在搞数据集预处理的时候，如果能够有个对数据集的详细结构介绍，能够方便不少，后面搭神经网络的时候，也确定了一些参数。
#Step1:
下载完《CASIA-HWDB》数据集，我们在本地目录下建立如下目录结构:
目录结构:
其中:
database_0文件夹用于保存数据集的gnt文件
pic文件夹用于以./lable/image形式保存图像数据，方便后面制作TFRecord文件。(待执行完本章操作后，好奇宝宝们可以点开pic文件夹，看看《CASIA-HWDB》数据集中究竟存储了哪些图片吧 )
#Step2:
解压HWDB1.1trn_gnt.zip&&HWDB1.1tst_gnt.zip压缩包，并将解压出来的.gnt文件移动到database_0目录下
PS:HWDB1.1trn_gnt.zip解压后的并非.gnt文件，而是.alz文件(一种由ALZIP软件压缩格式)，此时只需下载ALZIP软件，再次解压.alz文件，便可得到.gnt文件。最终在database_0下得到（1001-1300）-c.gnt文件。
#Step3:
运行generate_data_example.py（python3.7.4）文件，此时会开始在/pic/目录下遍历生成./lable/image.jpg结构。
PS:1.遍历时间受电脑性能影响，大家耐心等等(毕竟有35W+图片)
此步骤是多余的步骤，因为想给大家看看数据集里的图片长啥样。大佬可尝试阅读Reader_gnt.py源码，直接提取image:lable,制作TFRecord文件。
运行完成后:
PS:此处有个bug，那个lable计数没考虑到过滤重复QAQ，不过也因祸得福，如果大家运行完后，最终输出的xxxx类数据，xxxx数字与我不一样的话，请检查.gnt文件包完整性。
下面便可以打开pic文件查看数据集啦！
