背景介紹見：深度學習：識別圖片中的電話號碼（1）
識別電話號碼最終采用的是：循環卷積網絡。先看下網絡的結構，有幾處比較trick的地方，后面會講到。
注意的地方
1. 上圖中的網絡是訓練網絡的結構，訓練的輸入有三個：image圖片；seq是時序的標識，如果時序長度為5則為[0,1,1,1,1]，0表示序列的開始，1表示序列繼續（當前時刻有信號輸入），上一時刻的細胞狀態會傳遞給當前時刻。label表示序列的真實結果，如“123”應該表示為[1,2,3,-1,-1]，長度和seq一致。
在batchsize中，多個樣本的seq大小如果不同，短序列的seq=[0,1,1,…1,0,0..0]，表示短序列提前結束了。當然電話識別中，把圖片特征按列等分了n份，大家的序列長度是一致的。
2. 序列的分割
輸入image的大小是：batch_size*3*h*w
輸入seq的大小是:batch_size*n ，n表示序列的長度=圖片特征要切割的份數
輸入label的大小是：batch_size*n
經過ZF特征提取網絡，relu5的輸出為：batch_size*num_output*height*width，num_output表示featureMap的數據，width/height特征層的寬高。
trans1轉置層，參數為：
transpose_param {
dim: 0
dim: 3
dim: 2
dim: 1
}
輸出的維度為：batch_size*width*num_output*height。trick的做法是：n的大小可以設置為width，即把特征層的每一列作為一個時刻的輸入。
conv5_trans為全連接層，當然它的全連接只針對某一列在num_output個featureMap上的節點進行，參數為：
inner_product_param {
num_output: 4096
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
axis: 2
}
輸出為：batch_size*width(n)*4096。
3. 構建序列，主要是構建LSTM的輸入格式，注意LSTM的輸入是：T*batch_size*C，T就是時序長度n，C是特征的維度即4096。
4. LSTM的輸出為：T*batch_size*lstm_c，lstm_c表示LSTM中特征維度的大小，這里取256。
經過fc-final，全連接為字符的種類數目+1（背景）。比如數字，輸出為T*batch_size*11。
5. 最終輸入CTC網絡，CTC網絡會對T時刻的數據做后處理計算與真實label的差異，返回loss。正如上節說的，T的大小應該大於label的長度，因為CTC的后處理會把結果中的空格（背景）和連續相同字符去除（重復識別）去除，如果T<len(label)，后處理后得到的字符一定和label不同了，這樣就沒意義了。
比如T=20，序列為：“1_88_8_1_1_66_10_16_8”，處理后得到“18811610168”。
檢測網絡
檢測網絡和訓練類似，只是CTCLoss層替換為CTCDecoder即可。
由於新加了一些層的依賴，基於的caffe為：https://github.com/houkai/caffe