1. 问题分析 

看到这个题目，最先想到的是MNIST的手写数字识别，深度神经网络学习的Hello World! 然而，这个仿佛要难上许多。我们先看（吐槽）数据，里面是大小不一，但又相差不大的英文签名图片，每个人写法不一，有分离的，有连笔的，有粗的，有模糊的，有一半的，有人居然用没有墨水的笔签名，还有人自己名字写错，重新改写的，好吧，这些我都忍了，居然还有指鹿为马，明明是张三的签名，标签居然是李四！！！看到这样“真实”的数据，心中有一万匹马跑过！看来，数据得经过27层过滤。查阅了下资料，这种题一般有两种做法，第一种是将图片整体送入网络，直接得到签名。第二种是先将字符分离，逐个识别。不得不说第一种让人好喜欢，好直男，快刀斩乱麻，但是，做这样的直男，需要很大的本事才行，就如有人问撕葱：你为什么喜欢逛街？撕葱答：因为有钱啊！直不直！喜欢不喜欢！ 

2. 数据处理 

既然选择了第二种方法，那么数据处理就显得尤为重要，字符分离的好坏，直接影响后面的识别。仔细观察数据，大致可以分为四类，第一类印刷体大概是”NOM：”这样，签名在后面的。第二类印刷体是“NOM”这样的，就是少了个冒号，签名在下面的。第三类是没有印刷体，第四类是看不清，或是空白的。所以重点是找到印刷体，就可以定位，进行图片切割。所以，数据处理又可以为分三步。

 一是印刷体定位。我用的是opencv的模板匹配，将印刷体定位之后，进行第一次切割，将签名切割出来。 

二是切割签名，得到单个字符。这里面要手工去噪声，没有连笔的字体好分离，有连笔的可以根据宽度或其它算法进行分离。 

三是计算空格位置。外国人的名字就是麻烦，只能根据字间距，估算出空格位置。一般来说，如果分割出来的字符个数与标签字符个数（不计空格）相同，就认为分离对了，保存下来，将来用作下步训练网络用。 

3.训练经过 

训练为两步：

 第一步是将前面得到的字符进行整形，得到28*28大小的图片，进行归一化处理。 

第二步是设计一个网络，进行训练。这就跟那个MNIST基本相同了，感觉随便一个模型都能得到不错的准确率。

训练方法：

reduce_lr =ReduceLROnPlateau(monitor='val_acc', mode='max', factor=0.1, patience=3,verbose=1) 

early_stopping =EarlyStopping(monitor='val_acc', mode='max', min_delta=0, patience=5,verbose=0) 

优化方式：adam