預處理:
BLSTM 分爲兩類，第一類不支持變長輸入，第二類支持變長輸入． 顯然，由於我們的手寫體文本行的長度都是不固定的，所以採用的是支持變長輸入的BLSTM． 這裏的變長 不是指任意長度，而是多個固定長寬。
根據CASIA-HWDB2.0-2. 2 數據集中文本行圖片的大小，採取的固定長寬分別爲:
［240，130］、［400，180］、［560，180］、［640，180］、［800，180］、［950，200］、［1030，200］、［1210，180］、［1290，200 ］、［1370， 200］、［1450，200］、［1530，200］、［1610，180］、［1700，130］、［1700，170］、［1700，220］、［1800，130］、［1800，170］、［1800， 220］、［1800，300］、［1900，130］、［1900，170］、［1900，220］、［1900，300］、［2000，150］、［2000，220］［2000，300］、［2100， 150］、［2100，220］、［2100，300］、［2200，260］、［2300，260］、［2600， 500］
根據圖片的大小，從前往後判斷當前圖片的長寬所處的邊界範圍． 如果圖片長和寬恰巧等於邊界值，則不需改變圖片; 否則需要根據邊界的大小，將圖片的右側和下方加白邊; 將圖片大小超過［2600， 500］邊界的圖片直接歸一化爲［2600， 500］． 這樣就把所有的圖片按照大小分成33 類．並且爲了高效的進行訓練，把所有分類過後的圖片進行歸一化，長和寬分別設置爲當前圖片的二分之一（也就是進行一次resize，使得圖片縮小，這樣便於進行訓練，也節省了空間和時間！！）
這篇論文的網址：Attention 機制在脫機中文手寫體文本行識別中的應用
如果使用其他的數據集：
【Text Transcriptor】訓練CRNN時，關於ctc_loss的幾點注意事項
另外的一個crnn訓練總結文：
原文鏈接： 建議看原文，我是怕原文掛了，才做一個轉載備份一下。。。
https://www.cnblogs.com/shouhuxianjian/p/8036105.html
轉載鏈接： crnn的一些訓練技巧