使用python+flask搭建的一个网站，然后从网页的写字板上获取鼠标手写的汉字经过转码后传回后台，并经过图片裁剪处理之后传入CNN手写中文识别的模型中进行识别，最后通过PIL将识别结果生成图片，最后异步回传给web端进行识别结果展示。中文总共50,000多汉字，常用的有3,755个。这里主要对常见的3755个汉字进行识别。
一、数据集
目前国内有很多优秀的中文手写识别数据集。例如：北京邮电大学模式识别实验室发布的数据(HCL2000)，它是目前最大的脱机手写汉字库，共有1,000个人书写，除了汉字样本库外，还有一个对应的书写者信息库，记录了书写者的年龄、职业、文化程度等信息，用于研究相关影响因素。目前此数据库免费向研究者公开。本文使用的是中科院自动研究所的分享的中文手写数据集CASIA-HWDB(下载地址http://www.nlpr.ia.ac.cn/databases/handwriting/Home.html )，由187个人通过Wacom笔在线输入的手写汉字。
二、CNN结构
用tensorflow库来实现【三个卷积层+三个池化层+两个全连接层】的卷积神经网络，结构如下图所示：
训练图片都修整成64x64大小，这里我只训练常见的3755个汉字，在CNN识别数字的模型结构上再添加了一个卷积层和池化层，其他结构差不多。
将下载好的HWDB数据集解压处理好开始训练，这个训练过程比较长，我最终在GPU:GTX1050Ti上迭代了12,000次花费几个小时，最终取最可能的前三个预测值。
三、加载模型和环境
我训练模型迭代了12,000次之后，将训练参数保存在checkpoint文件夹中，不过因为单个文件大小的限制，训练好的模型文件从百度云上下载，下载之后直接覆盖checkpoint文件夹。
python 3.6.1;
pipenv *;
flask 0.12.2;
tensorflow 1.3.0;
pillow 4.2.1;
pickleshare 0.7.4;
numpy 1.13.1;
五、运行
1、下载项目，先安装python3.0和pipenv，然后 pipenv install --three；
2、从百度云下载训练好的模型文件，放到相应的checkpoint文件夹下；
3、使用pipenv run python3 run.py运行；
4、打开本地浏览器输入localhost:5000进行查看；
)
