图片识别转公式，GitHub 又一 LaTeX 神器面世！-技术圈

来自机器之心

只需要把公式图片用鼠标拖动到工具内，就能一键转成 LaTex 公式。

写论文、做研究时，最让你头疼的是什么？想必公式编辑会榜上有名。那么有没有便捷的方法进行公式编辑呢？这里推荐一款神器，它使用 PyTorch Lightning 可将 LaTeX 数学方程的图像映射到 LaTeX 代码。

它的效果是这样的，输入一张带公式的图片，它能转换成 LaTeX 代码形式：

而它的名字也是很直接的，就叫做「Image to LaTex Converter」，把产品功能写在了明面上。

项目地址：https://github.com/kingyiusuen/image-to-latex

网友表示：我太需要这个了。

也有网友表示，你也可以使用 CLIP 来实现，因为这个工具是将完整的方程拆分为单个字符。

此前，很多人都在用 Mathpix Snip，这个工具虽然好用，但是只能提供 50 次免费转换。之后，一位中国开发者也创建了一款类似工具「Image2LaTeX」，用户输入公式截图即可以自动将其对应的 LaTex 文本转换出来。效果也虽好，不过也只是提供了 1000 次从文档中提取公式的能力。

此次项目的创建者为明尼苏达大学双城分校计量心理学博士生 King Yiu Suen，他本科毕业于香港中文大学，致力于研究评估心理测试和教育评估的统计学方法，以及测试响应数据的建模。

该项目为何能够一键转换成 LaTex 公式？这要都得益于背后使用的数据集和模型。

项目背后的数据集与模型

作者也对打造过程进行了详细的介绍。2016 年，在 Yuntian Deng 等作者合著的一篇 OCR 主题论文《What You Get Is What You See: A Visual Markup Decompiler》中，他们介绍了叫做「im2latex-100K」的模型（原始版本和预处理版本），这是一个由大约 100K LaTeX 数学方程图像组成的数据集。

作者使用该数据集训练了一个模型，使用 ResNet-18 作为具有 2D 位置编码的编码器，使用 Transformer 作为具有交叉熵损失的解码器。这个过程类似于《Full Page Handwriting Recognition via Image to Sequence Extraction》Singh et al. （2021）中描述的方法，不过作者只使用 ResNet up to block 3 来降低计算成本，并且去掉了行号编码，因为它不适用于这个问题。

Singh et al. (2021) 论文中的系统架构。

最初，作者使用预处理数据集来训练模型，因为预处理图像被下采样到原始大小的一半以提高效率，而且分组并填充为相似的大小以方便批处理。但结果表明，这种严格的预处理被证明是一个巨大的限制。尽管该模型可以在测试集（其预处理方式与训练集相同）上取得合格的性能，但它并不能很好地泛化到数据集之外的图像，这很可能是因为其他图像质量、填充和字体大小与数据集中的图像不同。

使用相同数据集尝试解决相同问题的其他人也发现了这种现象。下图这位开发者试图从论文中裁剪图像，图像与数据集中的图像大小相似。但即使对于简单的公式，输出也会完全失败：

为此，作者使用了原始数据集并在数据处理 pipeline 中包含了图像增强（例如随机缩放、高斯噪声）以增加样本的多样性。此外，作者没有按大小对图像进行分组，而是进行了均匀采样并将它们填充为批次中最大图像的大小，以便模型必须学习如何适应不同的填充大小。

作者在使用数据集中遇到的其他问题包括：

一些 LaTex 代码生成了视觉上相同的输出，比如 \left (和 \ right)，看起来与 (和)) 一样，因此做了规范化处理；
一些 LaTex 代码用来添加空间，比如 \ vspace {2px} 和 \ hspace {0.3mm})。但是，间距对于人类来说也很难判断。此外，表述相同间距有很多方法，比如 1 cm = 10 mm。最后，作者比希望模型在空白图像上生成代码，因此删除了这些空白图像。

不过，该项目也有一些可能需要改进的地方：

更好地数据清理（比如删除间距命令）
尽可能多地训练模型（由于时间原因，只训练了 15 个 epoch 的模型，但是验证损失依然下降）
使用集束搜索（只实现了贪婪搜索）
使用更大的模型（比如 ResNet-34 而不是 ResNet-18）
进行一些超参数调优

作者使用的是 Google Colab，计算资源有限，因此并没有做到以上这些。

项目的使用与部署

在项目设置方面：首先你需要将该项目克隆到计算机，并将命令行放置到库文件夹中：

git clone https://github.com/kingyiusuen/image-to-latex.gitcd image-to-latex

然后，创建一个名为 venv 的虚拟环境并安装所需的软件包：

make venvmake install-dev

在数据预处理方面：执行如下命令下载 im2latex-100k 数据集并进行所有预处理任务（图像裁剪可能需要一个小时）：

python scripts/prepare_data.py

在模型训练方面：启动训练 session 的命令如下：

python scripts/run_experiment.py trainer.gpus=1 data.batch_size=32

你可以在 conf/config.yaml 中修改配置，也可以在命令行中修改。

在实验跟踪方面：最佳模型 checkpoint 将自动上传到 Weights & Biases (W&B)（在训练开始前你需要先进行注册或登录 W&B ）。如下是从 W&B 下载训练模型 checkpoint 的示例命令：

python scripts/download_checkpoint.py RUN_PATH

将 RUN_PATH 替换为运行的路径，运行路径格式为 <entity>/<project>/<run_id>。如果你想查找特定实验运行的运行路径，请转到 dashboard 中的 Overview 选项卡进行查看。

例如，你可以使用如下命令下载最佳运行：

python scripts/download_checkpoint.py kingyiusuen/image-to-latex/1w1abmg1

checkpoint 将被下载到项目目录下一个名为 artifacts 的文件夹中。

测试和持续集成方面：以下工具可用于 lint 代码库：

isort：对 Python 脚本中的 import 语句进行排序和格式化；
black：遵循 PEP8 的代码格式化程序；
flake8：在 Python 脚本中报告风格问题的代码检查器；
mypy：在 Python 脚本中执行静态类型检查。

使用下面的命令来运行所有的检查和格式化程序：

make lint

在部署方面：训练好的模型通过创建的 API 进行预测，启动和运行服务器命令如下：

make api

要运行 Streamlit 应用程序，请使用以下命令创建一个新的终端窗口：

make streamlit

应用程序应该在浏览器中自动打开，你也可通过 http://localhost:8501 / 进行查看。想让这个应用程序运行，你还需要下载实验运行的工件，启动并运行 API。

为 API 创建一个 Docker 映像：

make docker