一. CRNN概论
重点：原论文一定要得看！！！英语好的直接看原论文，不懂的地方查资料。英语不好的（比如笔者），先看中文资料，然后再看原论文。
简介
CRNN全称是：An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition 说自己是端到端的的网络，其实严格意义根本不是的，而是一种识别网络而已。
严格意义端到端的网络：Fast Oriented Text Spotting with a Unified Network
请看下图为CRNN网络的输入，得检测到文字之后才能去识别文字。
不严格的端到端是啥意思呢？
下图1-2所示为传统的文字识别，还得把每个文字分割再去识别（这方面的东西不进行说明，很简单的传统方法）
而CRNN直接输入上图得到结果。
网络
CRNN网络结构入下图1-3所示：
- 特征提取
正常的图像提取，提取到的特征以序列方式输出，这里不懂的读者可以去看RNN训练手写数字识别
- BLSTM
特征输入到BLSTM，输出每个序列代表的值（这个值是一个序列，代表可能出现的值），对输出进行softmax操作，等于每个可能出现值的概率。
- CTC
相当于一个LOSS，一个计算概率到实际输出的概率，具体后面章节介绍。
- 创新点
- 使用双向BLSTM来提取图像特征，对序列特征识别效果明显
- 将语音识别领域的CTC—LOSS引入图像，这是质的飞越
- 不足点
- 网络复杂，尤其是BLSTM和CTC很难理解，且很难计算。
- 由于使用序列特征，对于角度很大的值很难识别。
二. CRNN局部之特征提取
假设上图2-1为提取到的特征（特征是一块一块的，这肯定不是特征图，为了看着舒服）
图像经过VGG的特征提取之后就是普通的feature map，然后进行上述的划分，形成特征序列！
如果你的文字很斜或者是纵向的，那就得把特征竖向划分序列了！
三. CRNN局部之BLSTM
基本原理不懂读者可以看看这个教程
懂了原理这部分还是比较简单的（理解简单，实现太难了），笔者这里只介绍几个使用过程难理解的点
- RNN输入序列数量
从上图可以得到的是X1---X6，总共6个序列
- RNN的层数
从上图3-2可以看出，是由五层网络构成
- RNN神经元数量
这里引用知乎大神的一个图，上图中序列为4，层数为3层（当然不加输入和输出也可以说是1层，这里按正常CNN去说就是3层了）
从图中可以看出每个序列包含一个CNN，图中的隐藏层神经元数量为24个，由于RNN使用权值共享，那么不同的神经元个数就为6个。
- 单个序列长度
以上图知乎大神的图为例子，每个输入序列长度8
假设这个网络是一个RNN识别手写数字识别的图，那么图像的宽为4，高为8
注意：输入序列的数量和输入序列的长度和神经元个数无关！！！这里想象RNN即可理解
- BLSTM
笔者只是推导了单向的LSTM网络，而没有推导BLSTM网络。
其实无论RNN如何变种，像现在最好的GRU等，无非都是在单元（unite）里面的trick而已。
具体公式推导，就是链式求导法则！建议先推RNN、然后LSTM、最后不用推导BLSTM都明白了
四. CRNN局部之CTC
关于CTC的描述网上很多，也讲解的比较清楚了，这里主要是说一下我笔者看原理时候的几个难点（弄了好久才想明白）
关于CTC是什么东西？
- 让我们来看一下正常分类CNN网络：
这是鸢尾花分类网络，其中输入一张图像，输出是经过softmax的种类概率。
那么这个网络标签是什么？？？
标签的制作都是需要经过Incode(分类的种类经过数字化编码)，测试过程需要Encode(把输出的数字解码成分类的种类)
这很简单，读者应该都理解，代码为了计算机能看懂，编码就是神经网络能看懂。
- 那么RCNN如何编码呢？
假设有26个英文字母要识别，那么种类数=27（还有一个空白blank字符）
假设CNN输出以50个序列为基准（读者这里看不懂就去看RNN识别手写数字识别），序列太大训练不准，识别结果会漏字母。序列太小训练不准，识别会多字母。
- 打个小比喻
假设CTC是一个黑盒子，它能把输出那么多序列变化为一个序列，这样就能和CNN分类一样计算Loss了。当然不会那么简单，CTC还是比较复杂的，后面具体看这个黑盒子如何工作的。。。。
CTC理论基础
注释：这里笔者就不进行详细的描述了，感觉别人比我写的更好：非常详细的CTC力理论
在这一章，主要针对笔者遇到的重难点进行介绍：
- 训练--前向后相传播
本来还去看了马尔科夫的前后向传播的理论，没怎么看懂（数学基础太差）
针对本文的CTC前后向传播还是比较简单理解的
其实这里可以理解为动态规划的方式进行的，因为其使用递归的方式，以一个点为中心，向前和向后进行递推，以动态规划的方式理解就很简单了。。。。不懂的读者可以刷leetcode，做几题就有感觉了
- 测试--CTC Prefix Search Decoding和CTC Beam Search Decoding
最简单的搜索追溯算法：
每个都列举最后计算，可以看出来是指数级搜索，效率肯定不行的
贪婪算法+动态规划---CTC Prefix Search Decoding：
第一步是进行合并操作：
第二步输出最大概率：
扩充CTC Prefix Search Decoding算法---CTC Beam Search Decoding
- CTC Prefix Search Decoding属于贪心算法，为什么可以得到最优解？
仔细看我上面的标题，CTC Prefix Search Decoding特意加了一个动态规划，动态规划是属于最优解的算法。
因为CTC算法的前提是序列相互独立，所以当前的序列最大，那么整体的序列最大。
注意：得合并之后的序列最大，而不是单个序列的最大！！！，如果是单个序列最大，那这就是单独的贪心算法了。
- 为什么CTC序列之间相互独立还可以计算有序列的文字，文字之间肯定有序列的啊？
这都得重新看网络了，网络用到了BLSTM，序列这个东西已经使用过了，到达CTC已经是使用序列之后的输出了。
不得不佩服设计网络的人RNN+CTC，语音是使用最早的。
其实回头想一下，如果CTC是有序列的，那么前向和后项概率根本不能使用马尔科夫模型（前提相互独立）了，也不能使用CTC Prefix Search Decoding，只能使用最简单的追溯算法，那效率那么低，怎么广泛使用呢？
五. 参考文献
[透视矫正网络](Attentional Scene Text Recognizer with Flexible Rectification)