请教一下关于中文训练的问题。

[sssimpleboy]

首先，是生成mdb文件。 因为readlines() 读不出来中文。 可以考虑用utf-8编码读入，但是编码后又该怎么办呢？ 我怕格式对不上，中英文编码占得字节数不一样。比如，0：0，1:1，...9:9,10：a，11：b，这种对应关系，我不知道怎么让utf-8编码与类别对应。 其次，是字典。我在其他讨论中看到有说替换list ，生成自动中文字典的。没搞懂啥意思，我只知道voc_type对应值决定了大写小写数字之类的。 5555555555555 然后，是预训练模型，提供的是英文的，我是不是需要从头开始训练中文的模型呢？ 因为模型是矫正识别一体的，不能只训练矫正模型嘛。 还有我之前用您提供的CVPR2016的mdb文件训练时，训练到一半停止了（好像是内存不够）？ 我是两块2080ti。需要换更大的吗？

希望大佬能帮帮我，这个项目的效果挺棒的，只是现在需要在中文环境使用，束手无策了 = =。

[sssimpleboy]

额，已经训练好了，但是由于没有预训练模型，所以必须从头开始训练，效果比较差。训练集是百度某次竞赛的29W清洗后剩下17W条字符串，测试集是RCTW2017里取了8000条字符串，再大就要爆存了，都是中文为主的（一级汉字3500+英文52+数字10+标点符号一共3598个类别）。epoch设了48，可能有点小，学习率是1。 第一次训练到最后准确能达到3.9%。。。。第二次训练接着第一次的训练模型，准确率能达到5.3% 然后就不会涨了。 损失在11~13之间波动。5555555555555555

[sssimpleboy]

哪位大佬来99孩子鸭~~~

[sssimpleboy]

是不是初始值设置的不好呢？

[ayumiymk]

中文的话，直接用这个repo可能效果不是很好。因为中文文字条的长度变化更加大，直接resize到同一个size进行训练的话，可能需要很大的数据量。所以在实际应用中，我一般都是不同batch采用不同长度来训练中文。另外，lr 1看起来好像有点大，可能导致不太好收敛。

[sssimpleboy]

我之前生成数据长度都在7以内。 然后训练的时候我得先用您提供的英文训练一会，再用中文训练准确率才能上去。 如果直接用我自己生成的中文，不管学习率设成多少(0.00001,0.0001,0.001,0.01,0.1,1,10,100都试了) 都很难有效果

[xingniandage]

中文怎么做自己的数据集呀

[sssimpleboy]

中文怎么做自己的数据集呀

TextRecognitionDataGenerator