我是Tensorflow的新手，想要构建一个模型，能够在我的图片上执行OCR。所有的图像中都有9个字符(数字和字母)，我的模型会类似于下面这个链接所示的模型：
https://matthewearl.github.io/2016/05/06/cnn-anpr/
我的问题是：我应该首先针对每个字符训练我的模型，然后再组合字符获取完整的标签，还是直接对完整的标签进行训练？
我知道我需要向模型传递图像+对应图像的标签，那么这些标签的格式是什么，是文本文件吗？我对这部分有点困惑，任何关于传递给模型的标签格式的解释都会很有帮助。谢谢。
处理这个问题的方式有几种（以下列表并非详尽无遗）。
1)第一种方法是直接从图像中对单词进行分类。如果您的9个字符的词汇量有限，可以训练一个针对特定词汇的分类器。然后，您可以将此分类器与您的图像进行卷积，并选择概率最高的单词。
2)第二个选项是训练一个字符分类器，在图像中找到所有字符，并找到最可能包含您要查找的9个字符的行。
3)第三个选项是训练一个文本检测器，找到所有可能的文本框。然后使用基于序列的模型读取所有文本框，并选择最符合您约束条件的最可能解决方案。下面的论文介绍了一个简单的基于序列的模型：http://ai.stanford.edu/~ang/papers/ICPR12-TextRecognitionConvNeuralNets.pdf。其他基于序列的模型可以基于HMM、连接时序分类、注意力模型等。
4)第四种选项是基于注意力机制的模型，可以端到端地先找到文本，然后逐个输出字符。
请注意，此列表并非详尽无遗，解决此问题的方法可能有很多种。其他选项甚至可以使用第三方解决方案，如Abbyy或Tesseract来帮助解决您的问题。
[1,0]，狗的标签表示为[0,1]。 - niczky12