LaTeX_OCR_PRO

数学公式识别，增强：中文公式、手写公式

Seq2Seq + Attention + Beam Search。结构如下：

1. 搭建环境
2. 开始训练
3. 可视化
4. 部署
5. 评价
6. 更多细节
- 模型实现细节
- 解决方案
7. 致谢

1. 搭建环境

python3.5 + tensorflow1.12.2
[可选] latex (latex 转 pdf)
[可选] ghostscript (图片处理)
[可选] magick (pdf 转 png)

如果你想直接训练，不想自己构建数据集：

[可选] 新开一个虚拟环境

virtualenv env35 --python=python3.5
source env35/bin/activate

安装依赖

pip install -r requirements.txt     // cpu 版
pip install -r requirements-gpu.txt // gpu 版

下载数据集
```
git submodule init
git submodule update
```
如果 git 速度太慢，您也可以手动下载数据集，放到 data 目录下。数据集仓库在 https://github.com/LinXueyuanStdio/Data-for-LaTeX_OCR

如果你想自己构建数据集，然后再训练：

Linux

一键安装

make install-linux

或

安装本项目依赖

virtualenv env35 --python=python3.5
source env35/bin/activate
pip install -r requirements.txt

安装 latex (latex 转 pdf)

sudo apt-get install texlive-latex-base
sudo apt-get install texlive-latex-extra

安装 ghostscript

sudo apt-get update
sudo apt-get install ghostscript
sudo apt-get install libgs-dev

安装magick (pdf 转 png)

wget http://www.imagemagick.org/download/ImageMagick.tar.gz
tar -xvf ImageMagick.tar.gz
cd ImageMagick-7.*; \
./configure --with-gslib=yes; \
make; \
sudo make install; \
sudo ldconfig /usr/local/lib
rm ImageMagick.tar.gz
rm -r ImageMagick-7.*

Mac

一键安装

make install-mac

或

安装本项目依赖

sudo pip install -r requirements.txt

LaTeX

我们需要 pdflatex，可以傻瓜式一键安装：http://www.tug.org/mactex/mactex-download.html

安装magick (pdf 转 png)

wget http://www.imagemagick.org/download/ImageMagick.tar.gz
tar -xvf ImageMagick.tar.gz
cd ImageMagick-7.*; \
./configure --with-gslib=yes; \
make;\
sudo make install; \
rm ImageMagick.tar.gz
rm -r ImageMagick-7.*

2. 开始训练

生成小数据集、训练、评价

提供了样本量为 100 的小数据集，方便测试。只需 2 分钟就可以根据 ./data/small.formulas/ 下的公式生成用于训练的图片。

注意：样本量很小，是无法有效训练模型的。这个小数据集仅用于确认代码有没有 bug。如果用于预测，那结果极差，因为数据不够。

一步训练

make small

或

生成数据集

用 LaTeX 公式生成图片，同时保存公式-图片映射文件，生成字典 只用运行一次

# 默认
python build.py
# 或者
python build.py --data=configs/data_small.json --vocab=configs/vocab_small.json

训练

# 默认
python train.py
# 或者
python train.py --data=configs/data_small.json --vocab=configs/vocab_small.json --training=configs/training_small.json --model=configs/model.json --output=results/small/

评价预测的公式

# 默认
python evaluate_txt.py
# 或者
python evaluate_txt.py --results=results/small/

评价数学公式图片

# 默认
python evaluate_img.py
# 或者
python evaluate_img.py --results=results/small/

生成完整数据集、训练、评价

根据公式生成 70,000+ 数学公式图片需要 2-3 个小时

一步训练

make full

或

生成数据集

用 LaTeX 公式生成图片，同时保存公式-图片映射文件，生成字典 只用运行一次
```
python build.py --data=configs/data.json --vocab=configs/vocab.json
```

训练

python train.py --data=configs/data.json --vocab=configs/vocab.json --training=configs/training.json --model=configs/model.json --output=results/full/

评价预测的公式

python evaluate_txt.py --results=results/full/

评价数学公式图片

python evaluate_img.py --results=results/full/

3. 可视化

可视化训练过程

用 tensorboard 可视化训练过程

小数据集

cd results/small
tensorboard --logdir ./

完整数据集

cd results/full
tensorboard --logdir ./

可视化预测过程

打开 visualize_attention.ipynb，一步步观察模型是如何预测 LaTeX 公式的。

或者运行

# 默认
python visualize_attention.py
# 或者
python visualize_attention.py --image=data/images_test/6.png --vocab=configs/vocab.json --model=configs/model.json --output=results/full/

可在 --output 下生成预测过程的注意力图。

4. 部署

部署为 Django 应用

安装部署需要的环境
```
pip install django
```
开启服务
```
python manage.py runserver 0.0.0.0:8010
```

开启图片服务

cd data/images_train
python -m SimpleHTTPServer 8020

使用方法在输入框里依次输入 0.png, 1.png 等等，即可看到结果

5. 评价

指标	训练分数	测试分数
perplexity	1.12	1.13
EditDistance	94.16	93.36
BLEU-4	91.03	90.47
ExactMatchScore	49.30	46.22

perplexity 是越接近1越好，其余3个指标是越大越好。

其中 EditDistance 和 BLEU-4 已达到业内先进水平

将 perplexity 训练到 1.03 左右，ExactMatchScore 还可以再升，应该可以到 70 以上。

机器不太好，训练太费时间了。

6. 更多细节

模型实现细节

包括数据获取、数据处理、模型架构、训练细节
解决方案

包括 “如何可视化 Attention 层”、“在 win10 用 GPU 加速训练” 等等

7. 致谢

十分感谢 Harvard 和 Guillaume Genthial 、Kelvin Xu 等人提供巨人的肩膀。

论文：

ZeroCodePro/LaTeX_OCR_PRO