参考资料：500 lines or less ocr
我们的OCR系统主要由5部分组成,分别写在5个文件之中。它们分别是:
-
客户端(ocr.js)
-
服务器(server.py)
-
简单的用户界面(ocr.html)
-
基于反向传播训练的ANN(ocr.py)
-
ANN的实现脚本(neuralnetworkdesign.py)
虽然界面服务器用户界面不是我们的重点，但由于笔者水平有限，必须要从这些地方撸起。首先看最简单的用户界面，它将是我们使用的入口
<html>
<head><script src="ocr.js"></script><link rel="stylesheet" type="text/css" href="ocr.css">
</head>
<body οnlοad="ocrDemo.onLoadFunction()"><div id="main-container" style="text-align: center;"><h1>OCR Demo</h1><canvas id="canvas" width="200" height="200"></canvas><form name="input"><p>Digit: <input id="digit" type="text"> </p><input type="button" value="Train" οnclick="ocrDemo.train()"><input type="button" value="Test" οnclick="ocrDemo.test()"><input type="button" value="Reset" οnclick="ocrDemo.resetCanvas();"/></form> </div>
</body>
</html>
canvas是一个必须由脚本绘制的图形容器。除此之外我们定义了三个按钮调用js的处理函数
以下是完整的js脚本ocr.js
/*** This module creates a 200x200 pixel canvas for a user to draw* digits. The digits can either be used to train the neural network* or to test the network's current prediction for that digit.** To simplify computation, the 200x200px canvas is translated as a 20x20px* canvas to be processed as an input array of 1s (white) and 0s (black) on* on the server side. Each new translated pixel's size is 10x10px** When training the network, traffic to the server can be reduced by batching* requests to train based on BATCH_SIZE.*/
var ocrDemo = {CANVAS_WIDTH: 200,TRANSLATED_WIDTH: 20,PIXEL_WIDTH: 10, // TRANSLATED_WIDTH = CANVAS_WIDTH / PIXEL_WIDTHBATCH_SIZE: 1,// Server VariablesPORT: "8000",HOST: "http://localhost",// ColorsBLACK: "#000000",BLUE: "#0000ff",trainArray: [],trainingRequestCount: 0,onLoadFunction: function() {this.resetCanvas();},resetCanvas: function() {var canvas = document.getElementById('canvas');var ctx = canvas.getContext('2d');this.data = [];ctx.fillStyle = this.BLACK;ctx.fillRect(0, 0, this.CANVAS_WIDTH, this.CANVAS_WIDTH);var matrixSize = 400;while (matrixSize--) this.data.push(0);this.drawGrid(ctx);canvas.onmousemove = function(e) { this.onMouseMove(e, ctx, canvas) }.bind(this);canvas.onmousedown = function(e) { this.onMouseDown(e, ctx, canvas) }.bind(this);canvas.onmouseup = function(e) { this.onMouseUp(e, ctx) }.bind(this);},drawGrid: function(ctx) {for (var x = this.PIXEL_WIDTH, y = this.PIXEL_WIDTH; x < this.CANVAS_WIDTH; x += this.PIXEL_WIDTH, y += this.PIXEL_WIDTH) {ctx.strokeStyle = this.BLUE;ctx.beginPath();ctx.moveTo(x, 0);ctx.lineTo(x, this.CANVAS_WIDTH);ctx.stroke();ctx.beginPath();ctx.moveTo(0, y);ctx.lineTo(this.CANVAS_WIDTH, y);ctx.stroke();}},onMouseMove: function(e, ctx, canvas) {if (!canvas.isDrawing) {return;}this.fillSquare(ctx, e.clientX - canvas.offsetLeft, e.clientY - canvas.offsetTop);},onMouseDown: function(e, ctx, canvas) {canvas.isDrawing = true;this.fillSquare(ctx, e.clientX - canvas.offsetLeft, e.clientY - canvas.offsetTop);},onMouseUp: function(e) {canvas.isDrawing = false;},fillSquare: function(ctx, x, y) {var xPixel = Math.floor(x / this.PIXEL_WIDTH);var yPixel = Math.floor(y / this.PIXEL_WIDTH);this.data[((xPixel - 1) * this.TRANSLATED_WIDTH + yPixel) - 1] = 1;ctx.fillStyle = '#ffffff';ctx.fillRect(xPixel * this.PIXEL_WIDTH, yPixel * this.PIXEL_WIDTH, this.PIXEL_WIDTH, this.PIXEL_WIDTH);},train: function() {var digitVal = document.getElementById("digit").value;if (!digitVal || this.data.indexOf(1) < 0) {alert("Please type and draw a digit value in order to train the network");return;}this.trainArray.push({"y0": this.data, "label": parseInt(digitVal)});this.trainingRequestCount++;// Time to send a training batch to the server.if (this.trainingRequestCount == this.BATCH_SIZE) {alert("Sending training data to server...");var json = {trainArray: this.trainArray,train: true};this.sendData(json);this.trainingRequestCount = 0;this.trainArray = [];}},test: function() {if (this.data.indexOf(1) < 0) {alert("Please draw a digit in order to test the network");return;}var json = {image: this.data,predict: true};this.sendData(json);},receiveResponse: function(xmlHttp) {if (xmlHttp.status != 200) {alert("Server returned status " + xmlHttp.status);return;}var responseJSON = JSON.parse(xmlHttp.responseText);if (xmlHttp.responseText && responseJSON.type == "test") {alert("The neural network predicts you wrote a \'" + responseJSON.result + '\'');}},onError: function(e) {alert("Error occurred while connecting to server: " + e.target.statusText);},sendData: function(json) {var xmlHttp = new XMLHttpRequest();xmlHttp.open('POST', this.HOST + ":" + this.PORT, false);xmlHttp.onload = function() { this.receiveResponse(xmlHttp); }.bind(this);xmlHttp.onerror = function() { this.onError(xmlHttp) }.bind(this);var msg = JSON.stringify(json);xmlHttp.setRequestHeader('Content-length', msg.length);xmlHttp.setRequestHeader("Connection", "close");xmlHttp.send(msg);}
}
虽然javascript本来是不支持类的，但可以用“极简主义法”的方式定义类，参看：http://www.ruanyifeng.com/blog/2012/07/three_ways_to_define_a_javascript_class.html
如我们的var ocrDemo就可以看作一个以极简主义法定义的类。而this指针是js语言的一个关键字，它在函数调用的时候自动生成，并且它总是指向调用函数的那个对象
如此，结合canvas的一些方法，画画过程就不难看懂了：我们把10*10的一个真实像素化为一个我们的像素，为网格填充颜色后，监听鼠标动作，每次点击和move调用
fillSquare 函数填充一个方块
解决了画画问题，下一步要将数据传输到服务器，让它进行相关的学习,其中
sendData: function(json) {var xmlHttp = new XMLHttpRequest();xmlHttp.open('POST', this.HOST + ":" + this.PORT, false);console.log(this.HOST+":"+this.PORT)xmlHttp.onload = function() { this.receiveResponse(xmlHttp); }.bind(this);xmlHttp.onerror = function() { this.onError(xmlHttp) }.bind(this);var msg = JSON.stringify(json);xmlHttp.setRequestHeader('Content-length', msg.length);xmlHttp.setRequestHeader("Connection", "close");console.log("fuck")xmlHttp.send(msg);}xmlhttprequest对象可以用于幕后和服务器交换数据
该对象有如下方法：
| abort() | 取消当前的请求。 |
| getAllResponseHeaders() | 返回头信息。 |
| getResponseHeader() | 返回指定的头信息。 |
| open(method,url,async,uname,pswd) | 规定请求的类型，URL，请求是否应该进行异步处理，以及请求的其他可选属性。 method：请求的类型：GET 或 POST url：文件在服务器上的位置 async：true（异步）或 false（同步） |
| send(string) | 发送请求到服务器。 string：仅用于 POST 请求 |
| setRequestHeader() | 把标签/值对添加到要发送的头文件。 |
值得注意的是open方法中的同步（false)异步(true)请求,如果设置为同步，那么在未收到返回数据之前，浏览器页面是不能进行其他操作的。如果设置为同步，则可以进行其他操作，但服务器返回的数据可能收不到了。笔者没有在windows下装科学计算环境，服务器挂在了阿里云上。这又带来了一些问题：
1.由于需要实时响应，向远程服务器发送的速度非常慢
2.跨域访问通常情况下被拒绝
3.服务器端若不关闭防火墙将不能收到post请求
什么是跨域访问呢？从一个域名的网页访问另一网页的资源时，只要协议域名端口有任何一个不同，就被称为跨域访问。跨域访问由于一些安全问题，通常情况是拒绝的
我们需要在服务器端处理post请求时添加报文头部 s.send_header("Access-Control-Allow-Origin", "*")
其中*代表任意，即我们允许任意域访问。这其中又有一个细节，当跨域访问无权限时，服务端还是能够收到请求报文的，但不会对它进行处理
服务器部分源码如下：
import BaseHTTPServer
import json
from ocr import OCRNeuralNetwork
import numpy as npHOST_NAME = 'localhost'
PORT_NUMBER = 8000
HIDDEN_NODE_COUNT = 15# Load data samples and labels into matrix
data_matrix = np.loadtxt(open('data.csv', 'rb'), delimiter = ',')
data_labels = np.loadtxt(open('dataLabels.csv', 'rb'))# Convert from numpy ndarrays to python lists
data_matrix = data_matrix.tolist()
data_labels = data_labels.tolist()# If a neural network file does not exist, train it using all 5000 existing data samples.
# Based on data collected from neural_network_design.py, 15 is the optimal number
# for hidden nodes
nn = OCRNeuralNetwork(HIDDEN_NODE_COUNT, data_matrix, data_labels, list(range(5000)));class JSONHandler(BaseHTTPServer.BaseHTTPRequestHandler):def do_POST(s):print "fuck"response_code = 200response = ""var_len = int(s.headers.get('Content-Length'))content = s.rfile.read(var_len);payload = json.loads(content);if payload.get('train'):nn.train(payload['trainArray'])nn.save()elif payload.get('predict'):try:response = {"type":"test", "result":nn.predict(str(payload['image']))}except:response_code = 500else:response_code = 400s.send_response(response_code)s.send_header("Content-type", "application/json")s.send_header("Access-Control-Allow-Origin", "*")s.end_headers()if response:s.wfile.write(json.dumps(response))returnPage = '''\<html><body><p>Hello, web!</p></body></html>'''# Handle a GET request.def do_GET(self):self.send_response(200)self.send_header("Content-type", "text/html")self.send_header("Content-Length", str(len(self.Page)))self.end_headers()self.wfile.write(self.Page)if __name__ == '__main__':server_class = BaseHTTPServer.HTTPServer;httpd = server_class((HOST_NAME, PORT_NUMBER), JSONHandler)try:httpd.serve_forever()except KeyboardInterrupt:passelse:print "Unexpected server exception occurred."finally:httpd.server_close()逻辑也不难理解。先预处理数据，然后使用basehttpserver开启服务器，重写post请求
aseHTTPRequestHandler 实例有下列方法：
handle()
调用 handle_one_request()一次 (或，如果能够持续连接，多次) 处理进来的 HTTP 请求。你从不需要重载它；替代，实现对应的 do_*() 方法。
handle_one_request()
这个方法将解析和分派请求到对应的 do_*() 方法。你从不需要重载它。
send_error(code[, message])
发送并记录一个完整的错误回复到客户端。数字的 code 指定 HTTP 错误代码，以 message 作为可选的，更多指定的文本。全套的头被发送，后面紧跟使用 the error_message_format 类变量组成的文本。
send_response(code[, message])
发送一个响应头并记录已接收的请求。HTTP 响应行被发送，后面紧跟 Server 和 Date 头。这两个头的值分别地从 version_string() 和 date_time_string() 方法中获得。
send_header(keyword, value)
编写一个指定的 HTTP 头到输出流。 keyword 应该指定头关键字，value 指定它的值。
end_headers()
发送一个空白行，表示响应中的 HTTP 头结束。
log_request([code[, size]])
记录一个已接收的 (成功的) 请求。code 指定关联响应的数字的 HTTP 代码。如果响应的大小可用，那么它应该作为 size 参数被传递。
log_error(...)
当一个请求不能被完成时记录一个错误。缺省，它传递信息给 log_message()，因此它取相同的参数 (format 和 附加值)。
log_message( format,...)
记录一个随机信息给 sys.stderr。典型地重载创建自定义的错误日志结构。 format 参数是一个标准的printf风格的格式化字符串，附加参数给 log_message() 用于输出格式。客户端地址和当前的日期时间被作为记录的每个信息的前缀。
version_string()
返回服务器软件的版本字符串。这是一个 server_version 和 sys_version 类变量的联合。
date_time_string([timestamp])
返回通过 timestamp 给定的日期和时间(必须是由 time.time()返回的格式)，格式化一个信息头。如果 timestamp 被省略，它使用当前的日期和时间。
结果像 'Sun, 06 Nov 1994 08:49:37 GMT'。2.5 版本中的新特性： timestamp 参数。
log_date_time_string()
返回当前的日期和时间，格式化日志。
address_string()
返回客户端地址，格式化日志。一个名称的查找被执行在客户端的IP地址上。
如此基础部分就解读完成啦
