車牌識別作為一種常見的影象識別的應用場景，已經是一個非常成熟的業務了，在傳統的車牌識別中，可以使用字元分割+字元識別的方式來進行車牌識別，而深度學習興起後，出現了很多端到端的車牌識別模型，不用分割字元，直接輸入車牌圖片即可識別出車牌字元。2019年1月5日百度深度學習線下技術公開課PaddlePaddle TechDay第一期演講則邀請了百度認證佈道師胡曉曼老師分享基於PaddlePaddle最新版本Fluid作用於車牌識別模型訓練的實踐。
以下為胡曉曼講師的演講實錄：
PaddlePaddle Fluid和TensorFlow的設計理念有何不同？
執行流程不是“先定義再執行”，而是“先編譯再執行”，通過寫一個 Transpiler把Protobuf Message翻譯成C++程式，然後用NCVV、ICC、GCC編譯成二進位制程式碼，可以直接執行在伺服器和手機上。
拋棄靜態圖思想，採用Program設計思想，原始的Program在平臺內部轉換成ProgramDesc，python的Executor接收ProgramDesc後，傳遞給Transpiler，輸出一段C++可執行的Program。
基於此，Fluid直譯器極大的加快了執行Program的速度，PaddlePaddle Fluid執行速度也會更快。
按步驟來，你也能創造自己的車牌識別資料集
1.資料準備
資料準備是做訓練的第一步，往往大家第一印象都是去網上下載車牌資料集，但是會有很多問題，如資料集不方便下載，大部分需要花錢等等。但其實除了收集真實場景的車牌資料，我們也可以自己用程式的方式生成車牌資料：
1.1生成車牌資料
1.1.1定義車牌所需字元
1.1.2生成中英文字元
一個車牌第一個字母都是中文，後面是英文和資料集合。
1.1.3資料增強：新增畸變、噪音和模糊處理
字元生成後，需要對車牌資料進行一些資料增強，因為直接生成的資料是非常乾淨和清晰的車牌資料，跟真實場景的資料有一定差距，直接拿來用的訓練結果會非常好，但是自然場景裡，噪音、畸變、模糊等問題會影響真實圖片的效果，最後實際應用依然達不到預期。因此，我們需要對這些資料進行畸變、噪音、模糊處理，儘量貼近現實場景的圖片。
1.1.4生成車牌背景——加入背景圖片，生成車牌字串list和label，並存為圖片格式。
車牌目前有藍牌、綠牌、白牌、黑牌，常見的是藍牌和綠牌，車牌數字搞定後需要加入背景圖片，使其跟真實車牌更相近。
1.1.5批量生成
生成字元後加入背景圖片，用函式的使其可以批量生成，做測試最好生成數量越多越好，起碼幾十萬張起。
1.2.6車牌生成效果
2.Fluid資料讀取
支援兩種傳入資料的方式：
以PythonReader同步讀取方式為例（注：batch_size：Fluid中Tensor的第0維度固定為batch_size，在上面程式碼段中，影象輸入x的形狀為[3,32,32]，分別代表：channel數目，影象的高度和寬度。如果不指定batch_size，那麼data運算元會根據實際資料來推斷batch_size的大小，如果需要自定義batch_size，就需要在第0維指定維度即可）：
3.Fluid網路模型
採用PaddlePaddle Fluid提供的vgg19模型來進行訓練，完整程式碼請見：
https://github.com/huxiaoman7/PaddlePaddle_code/tree/master/plate_recognition
這個模型的好處是把vgg9所有的網路模型都寫進去了。
4.啟動訓練-引數初始化
啟動訓練的時候如何進行引數初始化，可以選擇是否使用GPU。初始化完成後，需要把資料灌進來，啟動資料模型並輸入資料。
5.模型測試並輸出日誌
列印日誌
列印的日誌，pass表示第一次迭代，batch表示第一次batch，Loss是第一次迭代，第一次迭代裡面是98，acc是0.08，一直迭代到後面，loss值在不斷的下降。Loss值不斷下降可以畫成一張圖，根據它下降的幅度，可以幫助我們偵查這個模型訓練是否有問題。
儲存模型
建立一個儲存模型的路徑，通過呼叫Fluidio這個模組，將這個模型儲存下來。
6.預測模型
儲存好的模型不一定要在這臺機器上使用，在其他機器和容器裡面，也是可以進行使用的。提前將這個網路和模型載入進來，放入測試資料，就可以進行測試，預測模型。
預測結果（測試圖片）
這張圖片是預測的新能源的車牌圖片，豫GD17926，預測之後把模型載入進來，測試圖片，結果是豫GD17826，9變成8，沒有想象中的效果好，原因是隻迭代了2000次，沒有迭代太多的時間，如果模型並沒有完全收斂，大家可以在自主構建過程當中，增加迭代次數，看是否能夠達到收斂的狀態。當然，實際應用落地中，還是要看具體的業務場景。
最後，曉曼老師也根據自身經驗，給初學者提出幾點關於深度學習的建議：
1.不要過於追求高大上的模型和數學名詞，做工業應用實踐，要做好最基本的工作，不要深究理論；
2.不要隨便調參，理論有助於我們懂得如何更快速、更高效調參，使其以最快的方式達到最優的狀態；
3.不要只依賴機器，機器的資源是有限的，我們更應該考慮如何把模型進行效能優化，這樣可以加速模型進行訓練；
4.提高工程能力，多看程式碼，多寫程式碼，論文多復現，以此提高自己的工程能力。