diff --git a/README.md b/README.md
index bb90dc9191af682d3c4c4692fabb516668cd0188..22853ef287bfa535508334ce32cd91de56f53571 100644
--- a/README.md
+++ b/README.md
@@ -1,83 +1,164 @@
-中文版说明请见[中文README](./README_cn.md)。
+# Release Notes
+### Update 2020.04.20: 发布 cnocr V1.1.0
+V1.1.0做了很多大改动，主要如下：
-# Update 2019.07.25: release cnocr V1.0.0
+* 更新了训练代码，使用mxnet的recordio首先把数据转换成二进制格式，提升训练效率。也加入了更多可传入的参数。**允许训练集中的文字数量不同，目前是中文10个字，英文20个字母。**
-`cnocr` `v1.0.0` is released, which is more efficient for prediction. **The new version of the model is not compatible with the previous version.** So if upgrading, please download the latest model file again. See below for the details (same as before).
+* 内置了各种模型，最小的模型只有之前模型的`1/5`大。开放了很多训练好的模型。
+* 英文识别精度显著提升，新模型已经可以识别英文单词间的空格。
+* 支持OCR识别时在给定字符集中进行。
+* mxnet依赖升级到更新的版本了。很多人反馈mxnet `1.4.1`经常找不到没法装，现在升级到`>=1.5.0,<1.7.0`。
-Main changes are：
+
+
+### Update 2019.07.25: 发布 cnocr V1.0.0
+
+`cnocr`发布了预测效率更高的新版本v1.0.0。**新版本的模型跟以前版本的模型不兼容**。所以如果大家是升级的话，需要重新下载最新的模型文件。具体说明见下面（流程和原来相同）。
-- **The new crnn model supports prediction for variable-width image files, so is more efficient for prediction.**
-- Support fine-tuning the existing model with specific data.
-- Fix bugs，such as `train accuracy` always `0`.
-- Depended package `mxnet` is upgraded from `1.3.1` to `1.4.1`.
+主要改动如下：
+
+- **crnn模型支持可变长预测，提升预测效率**
+- 支持利用特定数据对现有模型进行精调（继续训练）
+- 修复bugs，如训练时`accuracy`一直为`0`
+- 依赖的 `mxnet` 版本从`1.3.1`更新至 `1.4.1`
# cnocr
-A python package for Chinese OCR with available trained models.
-So it can be used directly after installed.
+**cnocr**是用来做中文OCR的**Python 3**包。cnocr自带了训练好的识别模型，安装后即可直接使用。
+
+本项目起源于我们自己 ([爱因互动 Ein+](https://einplus.cn)) 内部的项目需求，所以非常感谢公司的支持。
+
+## 可直接使用的模型
+
+cnocr的ocr模型可以分为两阶段：第一阶段是获得ocr图片的局部编码向量，第二部分是对局部编码向量进行序列学习，获得序列编码向量。目前两个阶段分别包含以下的模型：
+
+1. 局部编码模型（emb model）
+ * `conv`：多层的卷积网络；
+ * `conv-lite`：更小的多层卷积网络；
+ * `densenet`：一个小型的`densenet`网络；
+ * `densenet-lite`：一个更小的`densenet`网络。
+2. 序列编码模型（seq model）
+ * `lstm`：两层的LSTM网络；
+ * `gru`：两层的GRU网络；
+ * `fc`：两层的全连接网络。
+
+
+
+cnocr目前包含以下可直接使用的模型，训练好的模型都放在 **[cnocr-models](https://github.com/breezedeus/cnocr-models)** 项目中，可免费下载使用：
+
+| 模型名称 | 局部编码模型 | 序列编码模型 | 模型大小 | 迭代次数 | 测试集准确率 | 测试集中的图片预测速度（秒/张） |
+| :------- | ------------ | ------------ | -------- | ------ | -------- | ------ |
+| conv-lstm | conv | lstm | 36M | 50 | 98.5% | |
+| conv-lite-lstm | conv-lite | lstm | 23M | 45 | 98.6% | |
+| conv-lite-fc | conv-lite | fc | 20M | 27 | 98.6% | 0.033837 |
+| densenet-lite-lstm | densenet-lite | lstm | 8.6M | 42 | 98.6% | 0.013124 |
+| densenet-lite-fc | densenet-lite | fc | 6.8M | 32 | 97% | |
-The accuracy of the current crnn model is about `98.8%`.
+> 模型名称是由局部编码模型和序列编码模型名称拼接而成。
-The project originates from our own ([爱因互动 Ein+](https://einplus.cn)) internal needs.
-Thanks for the internal supports.
-## Changes
-Most of the codes are adapted from [crnn-mxnet-chinese-text-recognition](https://github.com/diaomin/crnn-mxnet-chinese-text-recognition).
-Much thanks to the author.
+## 特色
-Some changes are:
+本项目的初期代码fork自 [crnn-mxnet-chinese-text-recognition](https://github.com/diaomin/crnn-mxnet-chinese-text-recognition)，感谢作者。
-* use raw MXNet CTC Loss instead of WarpCTC Loss. No more complicated installation.
-* public pre-trained model for anyone. No more a-few-days training.
-* add online `predict` function and script. Easy to use.
+但源项目使用起来不够方便，所以我在此基础上做了一些封装和重构。主要变化如下：
-## Installation
+* 不再使用需要额外安装的MXNet WarpCTC Loss，改用原生的 MXNet CTC Loss。所以安装极简！
+* 自带训练好的中文OCR识别模型。不再需要额外训练！
+* 增加了预测（或推断）接口。所以使用方便！
+
+## 安装
```bash
pip install cnocr
```
-> Please use Python3 (3.4, 3.5, 3.6 should work). Python2 is not tested.
+> 注意：请使用Python3 (3.4, 3.5, 3.6以及之后版本应该都行)，没测过Python2下是否ok。
-## Usage
-The first time cnocr is used, the model files will be downloaded automatically from
-[Dropbox](https://www.dropbox.com/s/7w8l3mk4pvkt34w/cnocr-models-v1.0.0.zip?dl=0) to `~/.cnocr`.
-The zip file will be extracted and you can find the resulting model files in `~/.cnocr/models` by default.
-In case the automatic download can't perform well, you can download the zip file manually
-from [Baidu NetDisk](https://pan.baidu.com/s/1DWV3H2UWmzOU6d48UbTYVw) with extraction code `ss81`, and put the zip file to `~/.cnocr`. The code will do else.
+## 使用方法
+首次使用cnocr时，系统会自动从 **[cnocr-models](https://github.com/breezedeus/cnocr-models)** 下载zip格式的模型压缩文件，并存于 `~/.cnocr`目录。
+下载后的zip文件代码会自动对其解压，然后把解压后的模型相关目录放于`~/.cnocr/1.1.0`目录中。
+如果系统不能自动从 **[cnocr-models](https://github.com/breezedeus/cnocr-models)** 成功下载zip文件，则需要手动下载此zip文件并把它放于 `~/.cnocr/1.1.0`目录。如果Github下载太慢，也可以从 [百度云盘](链接: https://pan.baidu.com/s/1j9PASisDxB_5tjrV2fs2-g)下载， 提取码为 `ri27`。
-### Predict
+放置好zip文件后，后面的事代码就会自动执行了。
-Three functions are provided for prediction.
+# 示例
-#### 1. `CnOcr.ocr(img_fp)`
+| 图片 | OCR结果 |
+| ------------------------------------------------------------ | ------------------------------------------------------------ |
+|  | Hello World!你好世界 |
+|  | 网络支付并无本质的区别，因为
每一个手机号码和邮件地址背后
都会对应着一个账户--这个账
户可以是信用卡账户、借记卡账
户，也包括邮局汇款、手机代
收、电话代收、预付费卡和点卡
等多种形式。 |
+|  | 当然，在媒介越来越多的情形下,
意味着传播方式的变化。过去主流
的是大众传播,现在互动性和定制
性带来了新的挑战——如何让品牌
与消费者更加互动。 |
+|  | This chapter is currently only available in this web version. ebook and print will follow.
Convolutional neural networks learn abstract features and concepts from raw image pixels. Feature
Visualization visualizes the learned features by activation maximization. Network Dissection labels
neural network units (e.g. channels) with human concepts. |
+| | |
-The function `cnOcr.ocr (img_fp)` can recognize texts in an image containing multiple lines of text (or single lines).
-**Function Description**
-- input parameter `img_fp`: image file path; or color image `mx.nd.NDArray` or `np.ndarray`, with shape `(height, width, 3)`, and the channels should be RGB formatted.
-- return: `List(List(Char))`, such as: `[['第', '一', '行'], ['第', '二', '行'], ['第', '三', '行']]`.
-
+### 代码预测
+
+类`CnOcr`是OCR的主类，包含了三个函数针对不同场景进行文字识别。类`CnOcr`的初始化函数如下：
+
+```python
+class CnOcr(object):
+ def __init__(
+ self,
+ model_name='conv-lite-fc',
+ model_epoch=None,
+ cand_alphabet=None,
+ root=data_dir(),
+ ):
+```
+
+其中的几个参数含义如下：
+
+* `model_name`: 模型名称，即上面表格第一列中的值。默认为 `conv-lite-fc`。
+* `model_epoch`: 模型迭代次数。默认为 `None`，表示使用默认的迭代次数值。对于模型名称 `conv-lite-fc`就是 `27`。
+* `cand_alphabet`: 待识别字符所在的候选集合。默认为 `None`，表示不限定识别字符范围。`cnocr.consts`中内置了两个候选集合：(1)数字和标点 `NUMBERS`；(1)英文字母、数字和标点 `ENG_LETTERS`。
+ * 例如对于图片  ，不做约束时识别结果为 `o12345678`；如果加入数字约束时（`ocr = CnOcr(cand_alphabet=NUMBERS)`），识别结果为 `012345678`。
+* `root`: 模型文件所在的根目录。
+ * Linux/Mac下默认值为 `~/.cnocr`，表示模型文件所处文件夹类似 `~/.cnocr/1.1.0/conv-lite-fc-0027`。
+ * Windows下默认值为 ``。
+
+
+
+每个参数都有默认取值，所以可以不传入任何参数值进行初始化：`ocr = CnOcr()`。
+
-**Use Case**
+类`CnOcr`主要包含三个函数，下面分别说明。
+
+
+
+#### 1. 函数`CnOcr.ocr(img_fp)`
+
+函数`CnOcr.ocr(img_fp)`可以对包含多行文字（或单行）的图片进行文字识别。
+
+
+
+**函数说明**：
+
+- 输入参数 `img_fp`: 可以是需要识别的图片文件路径（如上例）；或者是已经从图片文件中读入的数组，类型可以为`mx.nd.NDArray` 或 `np.ndarray`，取值应该是`[0，255]`的整数，维数应该是`(height, width, 3)`，第三个维度是channel，它应该是`RGB`格式的。
+- 返回值：为一个嵌套的`list`，类似这样`[['第', '一', '行'], ['第', '二', '行'], ['第', '三', '行']]`。
+
+
+
+**调用示例**：
```python
@@ -87,8 +168,7 @@ res = ocr.ocr('examples/multi-line_cn1.png')
print("Predicted Chars:", res)
```
-or:
-
+或：
```python
import mxnet as mx
from cnocr import CnOcr
@@ -99,11 +179,15 @@ res = ocr.ocr(img)
print("Predicted Chars:", res)
```
-The previous codes can recognize texts in the image file [examples/multi-line_cn1.png](./examples/multi-line_cn1.png):
+
+
+上面使用的图片文件 [examples/multi-line_cn1.png](./examples/multi-line_cn1.png)内容如下：
-The OCR results shoule be:
+
+
+上面预测代码段的返回结果如下：
```bash
Predicted Chars: [['网', '络', '支', '付', '并', '无', '本', '质', '的', '区', '别', '，', '因', '为'],
@@ -115,20 +199,20 @@ Predicted Chars: [['网', '络', '支', '付', '并', '无', '本', '质', '的'
['等', '多', '种', '形', '式', '。']]
```
-#### 2. `CnOcr.ocr_for_single_line(img_fp)`
-If you know that the image you're predicting contains only one line of text, function `CnOcr.ocr_for_single_line(img_fp)` can be used instead。Compared with `CnOcr.ocr()`, the result of `CnOcr.ocr_for_single_line()` is more reliable because the process of splitting lines is not required.
+#### 2. 函数`CnOcr.ocr_for_single_line(img_fp)`
+如果明确知道要预测的图片中只包含了单行文字，可以使用函数`CnOcr.ocr_for_single_line(img_fp)`进行识别。和 `CnOcr.ocr()`相比，`CnOcr.ocr_for_single_line()`结果可靠性更强，因为它不需要做额外的分行处理。
-**Function Description**
+**函数说明**：
-- input parameter `img_fp`: image file path; or color image `mx.nd.NDArray` or `np.ndarray`, with shape `[height, width]` or `[height, width, channel]`. The optional channel should be `1` (gray image) or `3` (color image).
-- return: `List(Char)`, such as: `['你', '好']`.
+- 输入参数 `img_fp`: 可以是需要识别的单行文字图片文件路径（如上例）；或者是已经从图片文件中读入的数组，类型可以为`mx.nd.NDArray` 或 `np.ndarray`，取值应该是`[0，255]`的整数，维数应该是`(height, width)`或`(height, width, channel)`。如果没有channel，表示传入的就是灰度图片。第三个维度channel可以是`1`（灰度图片）或者`3`（彩色图片）。如果是彩色图片，它应该是`RGB`格式的。
+- 返回值：为一个`list`，类似这样`['你', '好']`。
-**Use Case**：
+**调用示例**：
```python
from cnocr import CnOcr
@@ -137,7 +221,7 @@ res = ocr.ocr_for_single_line('examples/rand_cn1.png')
print("Predicted Chars:", res)
```
-or:
+或：
```python
import mxnet as mx
@@ -150,30 +234,32 @@ print("Predicted Chars:", res)
```
-The previous codes can recognize texts in the image file [examples/rand_cn1.png](./examples/rand_cn1.png)：
+对图片文件 [examples/rand_cn1.png](./examples/rand_cn1.png)：
-The OCR results shoule be:
+的预测结果如下：
```bash
Predicted Chars: ['笠', '淡', '嘿', '骅', '谧', '鼎', '臭', '姚', '歼', '蠢', '驼', '耳', '裔', '挝', '涯', '狗', '蒽', '子', '犷']
```
-#### 3. `CnOcr.ocr_for_single_lines(img_list)`
-Function `CnOcr.ocr_for_single_lines(img_list)` can predict a number of single-line-text image arrays batchly. Actually `CnOcr.ocr(img_fp)` and `CnOcr.ocr_for_single_line(img_fp)` both invoke `CnOcr.ocr_for_single_lines(img_list)` internally.
+
+#### 3. 函数`CnOcr.ocr_for_single_lines(img_list)`
+
+函数`CnOcr.ocr_for_single_lines(img_list)`可以**对多个单行文字图片进行批量预测**。函数`CnOcr.ocr(img_fp)`和`CnOcr.ocr_for_single_line(img_fp)`内部其实都是调用的函数`CnOcr.ocr_for_single_lines(img_list)`。
-**Function Description**
+**函数说明**：
-- input parameter `img_list`: list of images, in which each element should be a line image array, with type `mx.nd.NDArray` or `np.ndarray`. Each element should be a tensor with values ranging from `0` to` 255`, and with shape `[height, width]` or `[height, width, channel]`. The optional channel should be `1` (gray image) or `3` (color image).
-- return: `List(List(Char))`, such as: `[['第', '一', '行'], ['第', '二', '行'], ['第', '三', '行']]`.
+- 输入参数` img_list`: 为一个`list`；其中每个元素是已经从图片文件中读入的数组，类型可以为`mx.nd.NDArray` 或 `np.ndarray`，取值应该是`[0，255]`的整数，维数应该是`(height, width)`或`(height, width, channel)`。如果没有channel，表示传入的就是灰度图片。第三个维度channel可以是`1`（灰度图片）或者`3`（彩色图片）。如果是彩色图片，它应该是`RGB`格式的。
+- 返回值：为一个嵌套的`list`，类似这样`[['第', '一', '行'], ['第', '二', '行'], ['第', '三', '行']]`。
-**Use Case**：
+**调用示例**：
```python
import mxnet as mx
@@ -187,20 +273,27 @@ res = ocr.ocr_for_single_lines(line_img_list)
print("Predicted Chars:", res)
```
-More use cases can be found at [tests/test_cnocr.py](./tests/test_cnocr.py).
-### Using the Script
+更详细的使用方法，可参考[tests/test_cnocr.py](./tests/test_cnocr.py)中提供的测试用例。
+
+
+
+### 脚本引用
+
+也可以使用脚本模式预测：
```bash
python scripts/cnocr_predict.py --file examples/multi-line_cn1.png
```
+返回结果同上面。
+
-### (No NECESSARY) Train
+### 训练自己的模型
-You can use the package without any train. But if you really really want to train your own models, follow this:
+cnocr安装后即可直接使用，但如果你**非要**训练自己的模型，请参考下面命令：
```bash
python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr
@@ -208,7 +301,7 @@ python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr
-Fine-tuning the model with specific data from existing models is also supported. Please refer to the following command:
+现在也支持从已有模型利用特定数据精调模型，请参考下面命令：
```bash
python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr --load_epoch 20
@@ -216,15 +309,17 @@ python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr -
-More references can be found at [scripts/run_cnocr_train.sh](./scripts/run_cnocr_train.sh).
+更多可参考脚本[scripts/run_cnocr_train.sh](./scripts/run_cnocr_train.sh)中的命令。
+
+## 未来工作
-## Future Work
+* [x] 支持图片包含多行文字 (`Done`)
+* [x] crnn模型支持可变长预测，提升灵活性 (since `V1.0.0`)
+* [x] 完善测试用例 (`Doing`)
+* [x] 修bugs（目前代码还比较凌乱。。） (`Doing`)
+* [x] 支持`空格`识别（since `V1.1.0`）
+* [x] 尝试新模型，如 DenseNet，进一步提升识别准确率（since `V1.1.0`）
+* [ ] 优化训练集，去掉不合理的样本；在此基础上，重新训练各个模型
-* [x] support multi-line-characters recognition (`Done`)
-* [x] crnn model supports prediction for variable-width image files (`Done`)
-* [x] Add Unit Tests (`Doing`)
-* [x] Bugfixes (`Doing`)
-* [ ] Support space recognition (Tried, but not successful for now )
-* [ ] Try other models such as DenseNet, ResNet
diff --git a/README_cn.md b/README_cn.md
deleted file mode 100644
index a4d77621755a9c19e69f0fc1f4077b7246a85c2b..0000000000000000000000000000000000000000
--- a/README_cn.md
+++ /dev/null
@@ -1,267 +0,0 @@
-# Release Notes
-
-### Update 2020.04.20: 发布 cnocr V1.1.0
-
-
-
-### Update 2019.07.25: 发布 cnocr V1.0.0
-
-`cnocr`发布了预测效率更高的新版本v1.0.0。**新版本的模型跟以前版本的模型不兼容**。所以如果大家是升级的话，需要重新下载最新的模型文件。具体说明见下面（流程和原来相同）。
-
-
-
-主要改动如下：
-
-- **crnn模型支持可变长预测，提升预测效率**
-- 支持利用特定数据对现有模型进行精调（继续训练）
-- 修复bugs，如训练时`accuracy`一直为`0`
-- 依赖的 `mxnet` 版本从`1.3.1`更新至 `1.4.1`
-
-# cnocr
-
-**cnocr**是用来做中文OCR的**Python 3**包。cnocr自带了训练好的识别模型，所以安装后即可直接使用。
-
-本项目起源于我们自己 ([爱因互动 Ein+](https://einplus.cn)) 内部的项目需求，所以非常感谢公司的支持。
-
-## 可直接使用的模型
-
-cnocr的ocr模型可以分为两阶段：第一阶段是获得ocr图片的局部编码向量，第二部分是对局部编码向量进行序列学习，获得序列编码向量。目前两个阶段分别包含以下的模型：
-
-1. 局部编码模型（emb model）
- * `conv`：多层的卷积网络；
- * `conv-lite`：更小的多层卷积网络；
- * `densenet`：一个小型的`densenet`网络；
- * `densenet-lite`：一个更小的`densenet`网络。
-2. 序列编码模型（seq model）
- * `lstm`：两层的LSTM网络；
- * `gru`：两层的GRU网络；
- * `fc`：两层的全连接网络。
-
-
-
-cnocr目前包含以下可直接使用的模型：
-
-| 模型名称 | 局部编码模型 | 序列编码模型 | 模型大小 | 迭代次数 | 测试集准确率 |
-| :------- | ------------ | ------------ | -------- | ------ | -------- |
-| conv-lstm | conv | lstm | 36M | 50 | 98.5% |
-| conv-lite-lstm | conv-lite | lstm | 23M | 45 | 98.6% |
-| conv-lite-fc | conv-lite | fc | 20M | 27 | 98.6% |
-| densenet-lite-lstm | densenet-lite | lstm | 8.6M | 42 | 98.6% |
-| densenet-lite-fc | densenet-lite | fc | 6.8M | 32 | 97% |
-
-> 模型名称是由局部编码模型和序列编码模型名称拼接而成。
-
-## 特色
-
-本项目的初期代码都fork自 [crnn-mxnet-chinese-text-recognition](https://github.com/diaomin/crnn-mxnet-chinese-text-recognition)，感谢作者。
-
-但源项目使用起来不够方便，所以我在此基础上做了一些封装和重构。主要变化如下：
-
-* 不再使用需要额外安装的MXNet WarpCTC Loss，改用原生的 MXNet CTC Loss。所以安装极简！
-* 自带训练好的中文OCR识别模型。不再需要额外训练！
-* 增加了预测（或推断）接口。所以使用方便！
-
-## 安装
-
-```bash
-pip install cnocr
-```
-
-> 注意：请使用Python3 (3.4, 3.5, 3.6以及之后版本应该都行)，没测过Python2下是否ok。
-
-
-
-## 使用方法
-
-首次使用cnocr时，系统会自动从[Dropbox](https://www.dropbox.com/s/7w8l3mk4pvkt34w/cnocr-models-v1.0.0.zip?dl=0)下载zip格式的模型压缩文件，并存于 `~/.cnocr`目录。
-下载后的zip文件代码会自动对其解压，然后把解压后的模型相关文件放于`~/.cnocr/models`目录。
-
-如果系统不能自动从[Dropbox](https://www.dropbox.com/s/7w8l3mk4pvkt34w/cnocr-models-v1.0.0.zip?dl=0)成功下载zip文件，则需要手动下载此zip文件并把它放于 `~/.cnocr`目录。
-另一个下载地址是[百度云盘](https://pan.baidu.com/s/1DWV3H2UWmzOU6d48UbTYVw)(提取码为`ss81`)。
-放置好zip文件后，后面的事代码就会自动执行了。
-
-
-
-### 代码预测
-
-主要包含三个函数，下面分别说明。
-
-
-
-#### 1. 函数`CnOcr.ocr(img_fp)`
-
-函数`CnOcr.ocr(img_fp)`可以对包含多行文字（或单行）的图片进行文字识别。
-
-
-
-**函数说明**：
-
-- 输入参数 `img_fp`: 可以是需要识别的图片文件路径（如上例）；或者是已经从图片文件中读入的数组，类型可以为`mx.nd.NDArray` 或 `np.ndarray`，取值应该是`[0，255]`的整数，维数应该是`(height, width, 3)`，第三个维度是channel，它应该是`RGB`格式的。
-- 返回值：为一个嵌套的`list`，类似这样`[['第', '一', '行'], ['第', '二', '行'], ['第', '三', '行']]`。
-
-
-
-**调用示例**：
-
-
-```python
-from cnocr import CnOcr
-ocr = CnOcr()
-res = ocr.ocr('examples/multi-line_cn1.png')
-print("Predicted Chars:", res)
-```
-
-或：
-```python
-import mxnet as mx
-from cnocr import CnOcr
-ocr = CnOcr()
-img_fp = 'examples/multi-line_cn1.png'
-img = mx.image.imread(img_fp, 1)
-res = ocr.ocr(img)
-print("Predicted Chars:", res)
-```
-
-
-
-上面使用的图片文件 [examples/multi-line_cn1.png](./examples/multi-line_cn1.png)内容如下：
-
-
-
-
-
-上面预测代码段的返回结果如下：
-
-```bash
-Predicted Chars: [['网', '络', '支', '付', '并', '无', '本', '质', '的', '区', '别', '，', '因', '为'],
- ['每', '一', '个', '手', '机', '号', '码', '和', '邮', '件', '地', '址', '背', '后'],
- ['都', '会', '对', '应', '着', '一', '个', '账', '户', '一', '―', '这', '个', '账'],
- ['户', '可', '以', '是', '信', '用', '卡', '账', '户', '、', '借', '记', '卡', '账'],
- ['户', '，', '也', '包', '括', '邮', '局', '汇', '款', '、', '手', '机', '代'],
- ['收', '、', '电', '话', '代', '收', '、', '预', '付', '费', '卡', '和', '点', '卡'],
- ['等', '多', '种', '形', '式', '。']]
-```
-
-
-
-#### 2. 函数`CnOcr.ocr_for_single_line(img_fp)`
-
-如果明确知道要预测的图片中只包含了单行文字，可以使用函数`CnOcr.ocr_for_single_line(img_fp)`进行识别。和 `CnOcr.ocr()`相比，`CnOcr.ocr_for_single_line()`结果可靠性更强，因为它不需要做额外的分行处理。
-
-**函数说明**：
-
-- 输入参数 `img_fp`: 可以是需要识别的单行文字图片文件路径（如上例）；或者是已经从图片文件中读入的数组，类型可以为`mx.nd.NDArray` 或 `np.ndarray`，取值应该是`[0，255]`的整数，维数应该是`(height, width)`或`(height, width, channel)`。如果没有channel，表示传入的就是灰度图片。第三个维度channel可以是`1`（灰度图片）或者`3`（彩色图片）。如果是彩色图片，它应该是`RGB`格式的。
-- 返回值：为一个`list`，类似这样`['你', '好']`。
-
-
-
-**调用示例**：
-
-```python
-from cnocr import CnOcr
-ocr = CnOcr()
-res = ocr.ocr_for_single_line('examples/rand_cn1.png')
-print("Predicted Chars:", res)
-```
-
-或：
-
-```python
-import mxnet as mx
-from cnocr import CnOcr
-ocr = CnOcr()
-img_fp = 'examples/rand_cn1.png'
-img = mx.image.imread(img_fp, 1)
-res = ocr.ocr_for_single_line(img)
-print("Predicted Chars:", res)
-```
-
-
-对图片文件 [examples/rand_cn1.png](./examples/rand_cn1.png)：
-
-
-
-的预测结果如下：
-
-```bash
-Predicted Chars: ['笠', '淡', '嘿', '骅', '谧', '鼎', '臭', '姚', '歼', '蠢', '驼', '耳', '裔', '挝', '涯', '狗', '蒽', '子', '犷']
-```
-
-
-
-#### 3. 函数`CnOcr.ocr_for_single_lines(img_list)`
-
-函数`CnOcr.ocr_for_single_lines(img_list)`可以**对多个单行文字图片进行批量预测**。函数`CnOcr.ocr(img_fp)`和`CnOcr.ocr_for_single_line(img_fp)`内部其实都是调用的函数`CnOcr.ocr_for_single_lines(img_list)`。
-
-
-
-**函数说明**：
-
-- 输入参数` img_list`: 为一个`list`；其中每个元素是已经从图片文件中读入的数组，类型可以为`mx.nd.NDArray` 或 `np.ndarray`，取值应该是`[0，255]`的整数，维数应该是`(height, width)`或`(height, width, channel)`。如果没有channel，表示传入的就是灰度图片。第三个维度channel可以是`1`（灰度图片）或者`3`（彩色图片）。如果是彩色图片，它应该是`RGB`格式的。
-- 返回值：为一个嵌套的`list`，类似这样`[['第', '一', '行'], ['第', '二', '行'], ['第', '三', '行']]`。
-
-
-
-**调用示例**：
-
-```python
-import mxnet as mx
-from cnocr import CnOcr
-ocr = CnOcr()
-img_fp = 'examples/multi-line_cn1.png'
-img = mx.image.imread(img_fp, 1).asnumpy()
-line_imgs = line_split(img, blank=True)
-line_img_list = [line_img for line_img, _ in line_imgs]
-res = ocr.ocr_for_single_lines(line_img_list)
-print("Predicted Chars:", res)
-```
-
-
-
-更详细的使用方法，可参考[tests/test_cnocr.py](./tests/test_cnocr.py)中提供的测试用例。
-
-
-
-### 脚本引用
-
-也可以使用脚本模式预测：
-
-```bash
-python scripts/cnocr_predict.py --file examples/multi-line_cn1.png
-```
-
-返回结果同上面。
-
-
-
-### 训练自己的模型
-
-cnocr安装后即可直接使用，但如果你**非要**训练自己的模型，请参考下面命令：
-
-```bash
-python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr
-```
-
-
-
-现在也支持从已有模型利用特定数据精调模型，请参考下面命令：
-
-```bash
-python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr --load_epoch 20
-```
-
-
-
-更多可参考脚本[scripts/run_cnocr_train.sh](./scripts/run_cnocr_train.sh)中的命令。
-
-
-
-## 未来工作
-
-* [x] 支持图片包含多行文字 (`Done`)
-* [x] crnn模型支持可变长预测，提升灵活性 (`Done`)
-* [x] 完善测试用例 (`Doing`)
-* [x] 修bugs（目前代码还比较凌乱。。） (`Doing`)
-* [ ] 支持`空格`识别（`V1.0.0`在训练集中加入了空格，但从预测结果看，空格依旧是识别不出来）
-* 尝试新模型，如 DenseNet、ResNet，进一步提升识别准确率
-