一. CRNN概論
重點：原論文一定要得看！！！英語好的直接看原論文，不懂的地方查資料。英語不好的（比如筆者），先看中文資料，然后再看原論文。
簡介
CRNN全稱是：An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition 說自己是端到端的的網絡，其實嚴格意義根本不是的，而是一種識別網絡而已。
嚴格意義端到端的網絡：Fast Oriented Text Spotting with a Unified Network
請看下圖為CRNN網絡的輸入，得檢測到文字之后才能去識別文字。
不嚴格的端到端是啥意思呢？
下圖1-2所示為傳統的文字識別，還得把每個文字分割再去識別（這方面的東西不進行說明，很簡單的傳統方法）
而CRNN直接輸入上圖得到結果。
網絡
CRNN網絡結構入下圖1-3所示：
- 特征提取
正常的圖像提取，提取到的特征以序列方式輸出，這里不懂的讀者可以去看RNN訓練手寫數字識別
- BLSTM
特征輸入到BLSTM，輸出每個序列代表的值（這個值是一個序列，代表可能出現的值），對輸出進行softmax操作，等於每個可能出現值的概率。
- CTC
相當於一個LOSS，一個計算概率到實際輸出的概率，具體后面章節介紹。
- 創新點
- 使用雙向BLSTM來提取圖像特征，對序列特征識別效果明顯
- 將語音識別領域的CTC—LOSS引入圖像，這是質的飛越
- 不足點
- 網絡復雜，尤其是BLSTM和CTC很難理解，且很難計算。
- 由於使用序列特征，對於角度很大的值很難識別。
二. CRNN局部之特征提取
假設上圖2-1為提取到的特征（特征是一塊一塊的，這肯定不是特征圖，為了看着舒服）
圖像經過VGG的特征提取之后就是普通的feature map，然后進行上述的划分，形成特征序列！
如果你的文字很斜或者是縱向的，那就得把特征豎向划分序列了！
三. CRNN局部之BLSTM
基本原理不懂讀者可以看看這個教程
懂了原理這部分還是比較簡單的（理解簡單，實現太難了），筆者這里只介紹幾個使用過程難理解的點
- RNN輸入序列數量
從上圖可以得到的是X1---X6，總共6個序列
- RNN的層數
從上圖3-2可以看出，是由五層網絡構成
- RNN神經元數量
這里引用知乎大神的一個圖，上圖中序列為4，層數為3層（當然不加輸入和輸出也可以說是1層，這里按正常CNN去說就是3層了）
從圖中可以看出每個序列包含一個CNN，圖中的隱藏層神經元數量為24個，由於RNN使用權值共享，那么不同的神經元個數就為6個。
- 單個序列長度
以上圖知乎大神的圖為例子，每個輸入序列長度8
假設這個網絡是一個RNN識別手寫數字識別的圖，那么圖像的寬為4，高為8
注意：輸入序列的數量和輸入序列的長度和神經元個數無關！！！這里想象RNN即可理解
- BLSTM
筆者只是推導了單向的LSTM網絡，而沒有推導BLSTM網絡。
其實無論RNN如何變種，像現在最好的GRU等，無非都是在單元（unite）里面的trick而已。
具體公式推導，就是鏈式求導法則！建議先推RNN、然后LSTM、最后不用推導BLSTM都明白了
四. CRNN局部之CTC
關於CTC的描述網上很多，也講解的比較清楚了，這里主要是說一下我筆者看原理時候的幾個難點（弄了好久才想明白）
關於CTC是什么東西？
- 讓我們來看一下正常分類CNN網絡：
這是鳶尾花分類網絡，其中輸入一張圖像，輸出是經過softmax的種類概率。
那么這個網絡標簽是什么？？？
標簽的制作都是需要經過Incode(分類的種類經過數字化編碼)，測試過程需要Encode(把輸出的數字解碼成分類的種類)
這很簡單，讀者應該都理解，代碼為了計算機能看懂，編碼就是神經網絡能看懂。
- 那么RCNN如何編碼呢？
假設有26個英文字母要識別，那么種類數=27（還有一個空白blank字符）
假設CNN輸出以50個序列為基准（讀者這里看不懂就去看RNN識別手寫數字識別），序列太大訓練不准，識別結果會漏字母。序列太小訓練不准，識別會多字母。
- 打個小比喻
假設CTC是一個黑盒子，它能把輸出那么多序列變化為一個序列，這樣就能和CNN分類一樣計算Loss了。當然不會那么簡單，CTC還是比較復雜的，后面具體看這個黑盒子如何工作的。。。。
CTC理論基礎
注釋：這里筆者就不進行詳細的描述了，感覺別人比我寫的更好：非常詳細的CTC力理論
在這一章，主要針對筆者遇到的重難點進行介紹：
- 訓練--前向后相傳播
本來還去看了馬爾科夫的前后向傳播的理論，沒怎么看懂（數學基礎太差）
針對本文的CTC前后向傳播還是比較簡單理解的
其實這里可以理解為動態規划的方式進行的，因為其使用遞歸的方式，以一個點為中心，向前和向后進行遞推，以動態規划的方式理解就很簡單了。。。。不懂的讀者可以刷leetcode，做幾題就有感覺了
- 測試--CTC Prefix Search Decoding和CTC Beam Search Decoding
最簡單的搜索追溯算法：
每個都列舉最后計算，可以看出來是指數級搜索，效率肯定不行的
貪婪算法+動態規划---CTC Prefix Search Decoding：
第一步是進行合並操作：
第二步輸出最大概率：
擴充CTC Prefix Search Decoding算法---CTC Beam Search Decoding
- CTC Prefix Search Decoding屬於貪心算法，為什么可以得到最優解？
仔細看我上面的標題，CTC Prefix Search Decoding特意加了一個動態規划，動態規划是屬於最優解的算法。
因為CTC算法的前提是序列相互獨立，所以當前的序列最大，那么整體的序列最大。
注意：得合並之后的序列最大，而不是單個序列的最大！！！，如果是單個序列最大，那這就是單獨的貪心算法了。
- 為什么CTC序列之間相互獨立還可以計算有序列的文字，文字之間肯定有序列的啊？
這都得重新看網絡了，網絡用到了BLSTM，序列這個東西已經使用過了，到達CTC已經是使用序列之后的輸出了。
不得不佩服設計網絡的人RNN+CTC，語音是使用最早的。
其實回頭想一下，如果CTC是有序列的，那么前向和后項概率根本不能使用馬爾科夫模型（前提相互獨立）了，也不能使用CTC Prefix Search Decoding，只能使用最簡單的追溯算法，那效率那么低，怎么廣泛使用呢？
五. 參考文獻
[透視矯正網絡](Attentional Scene Text Recognizer with Flexible Rectification)