sir-timio / htr Goto Github PK

View Code? Open in Web Editor NEW

19.0 3.0 4.0 63.07 MB

Handwritten text recognition

License: MIT License

Python 0.73% Jupyter Notebook 99.27%

neural-network docker ctc-loss cnn-text-classification tensorflow lstm

htr's Introduction

Handwritten text recognition

Result notebook: https://nbviewer.jupyter.org/github/sir-timio/HTR/blob/main/run.ipynb

Распознавание рукописного текста

Результат работы: https://nbviewer.jupyter.org/github/sir-timio/HTR/blob/main/run.ipynb

Телеграмм бот: https://t.me/neureader_bot

Usage with Docker

install docker
open terminal and go to project directory
build

docker build -t htr/tfgpu .

change to your absolute path to project and run:

docker run -it -p 8888:8888 -v /absolute/path/to/HTR:/home/htr htr/tfgpu

open jupyter via url

Использование с помощью Docker

установите Docker
откройте терминал и перейдите в данный каталог
введите в терминале (это займет несколько минут):

docker build -t htr/tfgpu .

введите в терминале (измените путь на свой абсолютный путь к репозиторию HTR):

docker run -it -p 8888:8888 -v /absolute/path/to/HTR:/home/htr htr/tfgpu

скопируйте ссылку в браузер и наслаждайтесь проектом в Jupyter!

Постановка задачи и актуальность

С каждым днем все больше достижений в области информатики, особенно в машинном обучении и анализе изображений, находят свое применение в реальной жизни. Компьютерное зрение, зарекомендовавшее себя как один из самых эффективных способов анализа изображений и видео, облегчающий или заменяющий работу человека, давно интегрировано во множество сфер деятельности. Распознавание рукописного текста (РРТ) является одной из ключевых задач компьютерного зрения и имеет следующие преимущества:

Доступ к данным: возможность поиска и удобство использования

РРТ значительно повысил доступность данных. После сканирования и преобразования информации в любой редактируемый формат, такой как MS Word или Adobe PDF, программное обеспечение позволяет хранить или копировать файл в любом месте, где вы хотите, что означает, что файлы затем могут быть найдены в системе вашей компании, и любой человек, имеющий разрешение, может получить к ним доступ. Банковская отрасль и торговые компании получат возможность оптимизировать трудоемкую бумажную работу.

Экономия времени и памяти

Хранение в облаке - правильный путь, если вы хотите иметь доступную для поиска информацию и сэкономить. Управление бумажной информацией является неэффективной задачей. Этот процесс является одним из самых трудоемких и дорогих. Но самое худшее в этой ручной работе - вероятность человеческой ошибки. Доступ к цифровым данным улучшает рабочие процессы компаний. Используя РРТ, компании могут сократить количество ошибок. Это особенно ценится страховыми компаниями из-за большого количества документов, с которыми им приходится работать каждый день.

Повышение Удовлетворенности Клиентов

Улучшение качества обслуживания клиентов - это то, к чему стремится каждая компания, и РРТ действительно может помочь в этом. Давайте подумаем о зоне поддержки клиентов, где агенты постоянно получают звонки или электронные письма с запросами. Используя технологию программного обеспечения РРТ, они могут представить себе все услуги, которые клиент имеет в компании, потому что информация доступна в один клик. Это не только уменьшает время, затрачиваемое на каждое дело, но и позволяет службе поддержки клиентов решать любые проблемы, требующие немедленного решения.

Повышение безопасности

Цифровая среда требует повышения безопасности, особенно для конфиденциальной информации, управляемой полицейскими департаментами, гражданскими учреждениями или обработки персональных данных. Технология РРТ запрограммирована на предотвращение попыток мошенничества путем сравнения предоставленной информации с сохраненными данными с минимумом ошибок, что невозможно сделать вручную.

Технической задачей данного проекта является создание модели для распознавание русского рукописного текста, качество которой оценивается посредством метрик CER и accuracy, а бизнесс задачей — оптимизация документооборота, качество которой можно оценить в денежных единицах на обработку одного изображения с помощью сервисов, доступных на рынке.

Набор данных

HKR (https://github.com/abdoelsayed2016/HKR_Dataset) — закрытая база данных, содержащая фрагменты русского и казахского рукописного текста. Помимо 33 символов русского алфавита в наборе присутствуют 9 символов казахского алфавита. HKR представляет собой набор форм. Все формы были созданы с помощью LATEX и впоследствии были заполнены людьми. База данных состоит из более чем 1400 заполненных форм. Всего около 63000 предложений, более 715699 символов, написанных примерно 200 разными авторами.
Набор данных полностью соотвествует требованиям для решения поставленной задачи, поскольку имеет распределение по символам, аналоличное словарю русского языка.

EDA, предобработка данных и валидация: https://nbviewer.jupyter.org/github/sir-timio/HTR/blob/main/preprocess/Preprocess.ipynb

Дальнейшие планы

Подключение словаря русского языка (или предметной области) для повышения качества распознавания — при анализе ошибок работы модели на тестовых данных были найдены закономерности, на основе которых можно сделать вывод, что подключение словаря позволит значительно уменьшить CER, соответственно, повысить accuracy.

Оценка экономического эффекта

При использовании ручного труда:

n * (profit - r_t * salary_h - err_h * fail_cost)

При использовании технологий сторонних компаний:

n * (profit - cost - err_1 * fail_cost)

При использовании собственных технологий:

n * (profit - err_2 * fail_cost) - r_ds * r_t * salary_ds

все расчеты производятся на месяц

n - количество изображений для обработки. Могут представлять из себя анкеты, документы, заявки и т.п.
profit - прибыль компании от одного обработанного изображения
fail_cost - цена ошибки
salary_h - з/п в час при ручной обработке
salary_ds - з/п в час разработчика технологии
r_t - время работы одного человека при ручной обрабатывании
r_ds - количество разработчиков (2 < r_ds < 6)
r_t_ds - время работы разработчика (r_t_ds < r_t в общем случае)
salary_ds - з/п в час разработчика технологии
err_h - ошибка при работе человека
err_1 - ошибка сторонней технологии (err_h < err_1)
err_2 - ошибка нашей технологии (err_h < err_2)

Как можно видеть из формул, затраты первых двух решений растут линейно с увеличением n. При успешном внедрении технологии, err_1 ~ err_2 ~ err_h. С учетом того, что err_2 принимает малые значения, которые могут становится еще меньше, наша прибыль растет при неизменных затратах. Это позволяет масштабировать бизнес.
Ошибка err_2 обратно пропорциональна качеству нашей модели, поэтому при увеличении точности на 1 или на 10 процентов, прибыль вырастет на 0.01 и 0.1 стоимости ошибки соответсвенно. Данная гибкость вносит ясность вопрос: стоит улучшать модель или нет.

Готовые решения и их стоимость

Сколько стоит распознать текст с одной картинки? В Google и Яндексе — 10 копеек, в Microsoft — 5 копеек при точности в районе 96%. Кажется, не так уж дорого. Но что, если нужно распознать не одну картинку, а, скажем, десятки миллионов? Например, при объемах 50 млн загружаемых изображений в день, нам бы приходилось тратить от 2.5 млн рублей ежедневно.
За год получается 1-2 млрд рублей. Это очень дорогое удовольствие для многих компаний.

Применение РРТ в Российских компаниях

Одним из самых показательных примеров применения распознавания бумажных документов с рукописным текстом – это опыт сети «Спортмастер», где покупателями от руки оформляется сотни тысяч анкет ежемесячно, при этом магазины сети расположены не только по всей России, от Калининграда до Петропавловска-Камчатского, но и странах СНГ и Китае, в сумме это более 400 магазинов. Внедрение технологии распознавания рукописного текста в анкетах покупателей позволило в 2 раза увеличить скорость обработки этих анкет и полностью отказаться от доставки бумажных экземпляров в центральных офис для обработки. Важно отметить, что обработка китайских иероглифов оказалась дешевле и качественнее, чем через китайских подрядчиков.

В «Ситимобил»: для осуществления задачи по фотоконтролю такси — распознаем госномер автомобиля на фото. Распознанные данные сравниваются с данными в карточке водителя. Таким образом мы определяем правильная машина пришла на контроль или нет.

В сервисе для объявлений «Юла»: с помощью OCR мы находим лекарственные препараты, которые запрещены к продаже на Юле. Для этого распознанный текст сравнивается со справочником лекарственных средств. Кроме того, мы определяем номера телефонов, ссылки на сторонние сайты, ник Инстаграма и т. д.

Для рекламной платформы myTarget: мы группируем рекламные баннеры по наличию одинакового текста на изображении. Это позволяет сократить количество ручной модерации, а также использовать текстовые классификаторы для определения рекламы низкого качества.

Заключение

Все поставленные задачи были выполнены: разработана модель для распознавания русского рукописного текста, качество которой на тестовых данных — CER: 4.64%, accuracy: 77.95%, экономический эффект внедрения данной модели был рассмотрен в пункте "Оценка экономического эффекта". Использование технологий распознавания текста позволяет легко соответствовать внутренним стандартам документооборота и полностью или частично устраняет необходимость в бумажном документообороте. Высокоуровневые услуги оптического распознавания символов могут помочь многим средним и крупным компаниям получить прибыль от использования специально разработанных алгоритмов. Такие отрасли, как банковское дело и финансы, здравоохранение, туризм и логистика, могут извлечь наибольшую выгоду из успешного внедрения РРТ. И с каждым годом потребность такой услуги будет только возрастать.

htr's People

Contributors

Stargazers

Watchers

Forkers

romakoks stepan-coder i200cm3 dolgikh17

htr's Issues

Ошибка в создании модели

model = Model(params)

params = {
'callbacks': ['checkpoint', 'csv_log', 'tb_log', 'early_stopping'],
'metrics': ['cer', 'accuracy'],
'checkpoint_path': os.path.join(WORKING_DIR, 'checkpoints/training_2/cp.ckpt'),
'csv_log_path': os.path.join(WORKING_DIR, 'logs/csv_logs/log_2.csv'),
'tb_log_path': os.path.join(WORKING_DIR, 'logs/tb_logs/log2'),
'tb_update_freq': 200,
'epochs': 50,
'batch_size': batch_size,
'early_stopping_patience': 10,
'input_img_shape': (new_img_width, new_img_height, 1),
'vocab_len': 75,
'max_label_len': 22,
'chars_path': os.path.join(os.path.split(metadata)[0], 'symbols.txt'),
'blank': '#',
'blank_index': 74,
'corpus': os.path.join(os.path.split(metadata)[0], 'corpus.txt')
}

Пытаюсь создать модель с таким словарем, однако не хватает параметра vocab.

KeyError Traceback (most recent call last)
in
----> 1 model = Model(params)
2 model.build()
3 model.get_summary()
4 #model.load_weights('checkpoints/training_2/cp.ckpt')

/home/htr/model/Model.py in init(self, params)
43 self.max_label_len = params['max_label_len']
44 self.chars_path = params['chars_path']
---> 45 self.vocab = params['vocab']
46 self.blank = params['blank']
47 self.blank_index = None

KeyError: 'vocab'

Как это исправить или что должно быть в vocab?

executor failed running [/bin/bash -c apt-get update && apt-get install -y libgl1]: exit code: 100

F:\HTR>docker build -t htr/tfgpu .
[+] Building 435.5s (4/9)
 => [1/5] FROM docker.io/tensorflow/tensorflow:2.4.1-gpu-jupyter@sha256:c3b4e83edf14b282902c80e0ef245115736ce4c  428.5s
 => => sha256:39db22124f005688940638be691ddd6fcccd364860a75c09bf227bd64b71a6cc 84.73MB / 84.73MB                  34.3s
 => => extracting sha256:419640447d267f068d2f84a093cb13a56ce77e130877f5b8bdb4294f4a90a84f                          0.0s
 => => extracting sha256:61e52f862619ab016d3bcfbd78e5c7aaaa1989b4c295e6dbcacddd2d7b93e1f5                          0.0s
 => => extracting sha256:2a93278deddf8fe289dceef311ed19e8f2083a88eba6be60d393842fd40697b0                          1.1s
[+] Building 435.7s (4/9)
 => [1/5] FROM docker.io/tensorflow/tensorflow:2.4.1-gpu-jupyter@sha256:c3b4e83edf14b282902c80e0ef245115736ce4c  428.7s
 => => sha256:39db22124f005688940638be691ddd6fcccd364860a75c09bf227bd64b71a6cc 84.73MB / 84.73MB                  34.3s
 => => extracting sha256:419640447d267f068d2f84a093cb13a56ce77e130877f5b8bdb4294f4a90a84f                          0.0s
 => => extracting sha256:61e52f862619ab016d3bcfbd78e5c7aaaa1989b4c295e6dbcacddd2d7b93e1f5                          0.0s
 => => extracting sha256:2a93278deddf8fe289dceef311ed19e8f2083a88eba6be60d393842fd40697b0                          1.1s
 => => extracting sha256:c9f080049843544961377a152d7d86c34816221038b8da3e3dc207ccddb72549                          1.6s
 => => extracting sha256:8189556b23294579329c522acf5618c024520b323d6a68cdd9eca91ca4f2f454                          0.0s
 => => sha256:fc3e5b4f9be500b755e357e514e19e6091012e82405ed8af34b8137c76245f8f 3.99MB / 3.99MB                    37.9s
 => => sha256:82f0e853e481c2ffd3a42c9f6d1f0db698ea463e7e6848978dc9649f5decf7c3 176B / 176B                        36.7s
 => => sha256:0e3f4c426c9e5994ac625c63f9e8116e8cfdfe4600ba6c78fc52d06de8bd7dbe 440.43MB / 440.43MB               131.5s
 => => sha256:bd7b74ac1111ef1599411a0197a707306f96edd73ce80e40b85accb872accddb 1.09kB / 1.09kB                    38.5s
 => => sha256:69903a2e24bf9c9fd83c0af1fbdbc4a802d0fba99e38c9d407af0f596102c469 1.09kB / 1.09kB                    39.2s
 => => sha256:c3a9076c8993f5e5fa46e6fa73ac1813757fd093a8389f2b5a942cae5537b4b9 46.66MB / 46.66MB                  58.5s
 => => sha256:dc5bef361fe84b2b8012101a1e4b8879696eb39c3ade23d20f1e36b920921198 410.45kB / 410.45kB                61.8s
[+] Building 435.8s (4/9)
 => [1/5] FROM docker.io/tensorflow/tensorflow:2.4.1-gpu-jupyter@sha256:c3b4e83edf14b282902c80e0ef245115736ce4c  428.8s
 => => sha256:39db22124f005688940638be691ddd6fcccd364860a75c09bf227bd64b71a6cc 84.73MB / 84.73MB                  34.3s
[+] Building 585.7s (6/9)
 => [internal] load build definition from Dockerfile                                                               0.9s
 => => transferring dockerfile: 377B                                                                               0.5s
 => [internal] load .dockerignore                                                                                  0.7s
 => => transferring context: 2B                                                                                    0.4s
 => [internal] load metadata for docker.io/tensorflow/tensorflow:2.4.1-gpu-jupyter                                 5.8s
 => [internal] load build context                                                                                  0.2s
 => => transferring context: 481B                                                                                  0.0s
 => [1/5] FROM docker.io/tensorflow/tensorflow:2.4.1-gpu-jupyter@sha256:c3b4e83edf14b282902c80e0ef245115736ce4c  560.7s
 => => resolve docker.io/tensorflow/tensorflow:2.4.1-gpu-jupyter@sha256:c3b4e83edf14b282902c80e0ef245115736ce4c91  0.0s
 => => sha256:64d8717296f8099f62b7f5abca1560addc2bf19d09021e800ece8b37cc9d89ae 19.63kB / 19.63kB                   0.0s
 => => sha256:c3b4e83edf14b282902c80e0ef245115736ce4c91eabc39c93f51ca56508e504 6.60kB / 6.60kB                     0.0s
 => => sha256:171857c49d0f5e2ebf623e6cb36a8bcad585ed0c2aa99c87a055df034c1e5848 26.70MB / 26.70MB                   3.6s
 => => sha256:419640447d267f068d2f84a093cb13a56ce77e130877f5b8bdb4294f4a90a84f 852B / 852B                         0.8s
 => => sha256:61e52f862619ab016d3bcfbd78e5c7aaaa1989b4c295e6dbcacddd2d7b93e1f5 162B / 162B                         1.0s
 => => sha256:2a93278deddf8fe289dceef311ed19e8f2083a88eba6be60d393842fd40697b0 7.21MB / 7.21MB                     4.7s
 => => sha256:c9f080049843544961377a152d7d86c34816221038b8da3e3dc207ccddb72549 10.33MB / 10.33MB                   5.4s
 => => extracting sha256:171857c49d0f5e2ebf623e6cb36a8bcad585ed0c2aa99c87a055df034c1e5848                          4.5s
 => => sha256:8189556b23294579329c522acf5618c024520b323d6a68cdd9eca91ca4f2f454 1.00kB / 1.00kB                     4.2s
 => => sha256:c9db5d801625d9841844fca4fd240bb1c864f5f8e737ad884cde4d50783ebf37 1.78GB / 1.78GB                   264.7s
 => => sha256:1c370cc33248c9c135e305d2b727d6a351670a2f78b9ed2138bb85432cdfee21 179.19MB / 179.19MB                36.1s
 => => sha256:91490cad11f8302e74e711101e16b34724c7378c64c412a15013ff3e4193bfc2 7.49kB / 7.49kB                     6.0s
 => => sha256:39db22124f005688940638be691ddd6fcccd364860a75c09bf227bd64b71a6cc 84.73MB / 84.73MB                  34.3s
 => => extracting sha256:419640447d267f068d2f84a093cb13a56ce77e130877f5b8bdb4294f4a90a84f                          0.0s
 => => extracting sha256:61e52f862619ab016d3bcfbd78e5c7aaaa1989b4c295e6dbcacddd2d7b93e1f5                          0.0s
 => => extracting sha256:2a93278deddf8fe289dceef311ed19e8f2083a88eba6be60d393842fd40697b0                          1.1s
 => => extracting sha256:c9f080049843544961377a152d7d86c34816221038b8da3e3dc207ccddb72549                          1.6s
 => => extracting sha256:8189556b23294579329c522acf5618c024520b323d6a68cdd9eca91ca4f2f454                          0.0s
 => => sha256:fc3e5b4f9be500b755e357e514e19e6091012e82405ed8af34b8137c76245f8f 3.99MB / 3.99MB                    37.9s
 => => sha256:82f0e853e481c2ffd3a42c9f6d1f0db698ea463e7e6848978dc9649f5decf7c3 176B / 176B                        36.7s
 => => sha256:0e3f4c426c9e5994ac625c63f9e8116e8cfdfe4600ba6c78fc52d06de8bd7dbe 440.43MB / 440.43MB               131.5s
 => => sha256:bd7b74ac1111ef1599411a0197a707306f96edd73ce80e40b85accb872accddb 1.09kB / 1.09kB                    38.5s
 => => sha256:69903a2e24bf9c9fd83c0af1fbdbc4a802d0fba99e38c9d407af0f596102c469 1.09kB / 1.09kB                    39.2s
 => => sha256:c3a9076c8993f5e5fa46e6fa73ac1813757fd093a8389f2b5a942cae5537b4b9 46.66MB / 46.66MB                  58.5s
 => => sha256:dc5bef361fe84b2b8012101a1e4b8879696eb39c3ade23d20f1e36b920921198 410.45kB / 410.45kB                61.8s
 => => sha256:a8cf4ab5b477394948942f0bb6d8e66f2ee402dda75ce9e8192c2471a734e9e4 263B / 263B                        62.6s
 => => sha256:c1c11b71e870852e45aee2dace3afcd60fcdff5125c13dd397c130a070e1a297 158B / 158B                        63.2s
 => => sha256:8267c7e45f596b7c12c23bc7362938e7ab8d88bef5f8fa719f4a0d0f082d7d23 129B / 129B                        64.4s
 => => sha256:ce0d841a8f903e50915c945f40b82b1556a9b0368c5c164b0553c38001f1fcd5 15.50MB / 15.50MB                  73.3s
 => => sha256:3ac95ea8bb4f67af378307748e18b45e5bc3a0e6e6455b586ed828383d8c53b8 7.78kB / 7.78kB                    76.1s
 => => sha256:117b2ba06f191216d424f83b55b72e7ae026d50437bfa11b3922e402ec3e1ea3 11.59kB / 11.59kB                  77.4s
 => => sha256:8739bc7256c624871d843df12dd729aa67865eb166add482441cae22be86e0f2 8.74kB / 8.74kB                    78.3s
 => => sha256:a55168dbf71de17f7e0f601635236f3784ae73dabc90880789cad337cd60f465 7.18kB / 7.18kB                    79.1s
 => => sha256:51fe3f9b075ff6b8aaeb74a7d419bf572c3a6f6243c04818a37776b562bbae08 10.01kB / 10.01kB                  81.4s
 => => sha256:b4a4a5f30f793c9ec694323a53975d7348a5019f6606abc0048a1f1fe3cadad7 5.68kB / 5.68kB                    82.4s
 => => sha256:91685856cab1648efe33e1aca974515939af9685bdd13dc1f40ef1e006a1db00 226B / 226B                        83.2s
 => => sha256:4871f8ab4308c25c98790fd8341c6fb03cfb6548f36f862ada3dba3f5f44c1ce 334.25kB / 334.25kB                86.6s
 => => sha256:f0d9fb274b0f41d26e67fecc6536559a56baabacb7ae724c2df7715a6eb29ff5 3.84kB / 3.84kB                    88.2s
 => => extracting sha256:c9db5d801625d9841844fca4fd240bb1c864f5f8e737ad884cde4d50783ebf37                        160.4s
 => => extracting sha256:1c370cc33248c9c135e305d2b727d6a351670a2f78b9ed2138bb85432cdfee21                         13.1s
 => => extracting sha256:91490cad11f8302e74e711101e16b34724c7378c64c412a15013ff3e4193bfc2                          0.0s
 => => extracting sha256:39db22124f005688940638be691ddd6fcccd364860a75c09bf227bd64b71a6cc                          4.9s
 => => extracting sha256:fc3e5b4f9be500b755e357e514e19e6091012e82405ed8af34b8137c76245f8f                          0.7s
 => => extracting sha256:82f0e853e481c2ffd3a42c9f6d1f0db698ea463e7e6848978dc9649f5decf7c3                          0.0s
 => => extracting sha256:0e3f4c426c9e5994ac625c63f9e8116e8cfdfe4600ba6c78fc52d06de8bd7dbe                         38.7s
 => => extracting sha256:bd7b74ac1111ef1599411a0197a707306f96edd73ce80e40b85accb872accddb                          0.0s
 => => extracting sha256:69903a2e24bf9c9fd83c0af1fbdbc4a802d0fba99e38c9d407af0f596102c469                          0.0s
 => => extracting sha256:c3a9076c8993f5e5fa46e6fa73ac1813757fd093a8389f2b5a942cae5537b4b9                          7.4s
 => => extracting sha256:dc5bef361fe84b2b8012101a1e4b8879696eb39c3ade23d20f1e36b920921198                          0.2s
 => => extracting sha256:a8cf4ab5b477394948942f0bb6d8e66f2ee402dda75ce9e8192c2471a734e9e4                          0.0s
 => => extracting sha256:c1c11b71e870852e45aee2dace3afcd60fcdff5125c13dd397c130a070e1a297                          0.0s
 => => extracting sha256:8267c7e45f596b7c12c23bc7362938e7ab8d88bef5f8fa719f4a0d0f082d7d23                          0.0s
 => => extracting sha256:ce0d841a8f903e50915c945f40b82b1556a9b0368c5c164b0553c38001f1fcd5                          1.1s
 => => extracting sha256:3ac95ea8bb4f67af378307748e18b45e5bc3a0e6e6455b586ed828383d8c53b8                          0.0s
 => => extracting sha256:117b2ba06f191216d424f83b55b72e7ae026d50437bfa11b3922e402ec3e1ea3                          0.0s
 => => extracting sha256:8739bc7256c624871d843df12dd729aa67865eb166add482441cae22be86e0f2                          0.0s
 => => extracting sha256:a55168dbf71de17f7e0f601635236f3784ae73dabc90880789cad337cd60f465                          0.0s
 => => extracting sha256:51fe3f9b075ff6b8aaeb74a7d419bf572c3a6f6243c04818a37776b562bbae08                          0.0s
 => => extracting sha256:b4a4a5f30f793c9ec694323a53975d7348a5019f6606abc0048a1f1fe3cadad7                          0.0s
 => => extracting sha256:91685856cab1648efe33e1aca974515939af9685bdd13dc1f40ef1e006a1db00                          0.0s
 => => extracting sha256:4871f8ab4308c25c98790fd8341c6fb03cfb6548f36f862ada3dba3f5f44c1ce                          0.1s
 => => extracting sha256:f0d9fb274b0f41d26e67fecc6536559a56baabacb7ae724c2df7715a6eb29ff5                          0.0s
 => ERROR [2/5] RUN apt-get update &&  apt-get install -y libgl1                                                  18.0s
------
 > [2/5] RUN apt-get update &&  apt-get install -y libgl1:
#5 1.702 Get:1 http://security.ubuntu.com/ubuntu bionic-security InRelease [88.7 kB]
#5 1.795 Hit:2 http://archive.ubuntu.com/ubuntu bionic InRelease
#5 1.917 Get:3 http://archive.ubuntu.com/ubuntu bionic-updates InRelease [88.7 kB]
#5 2.150 Get:4 https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64  InRelease [1581 B]
#5 2.445 Err:4 https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64  InRelease
#5 2.445   The following signatures couldn't be verified because the public key is not available: NO_PUBKEY A4B469963BF863CC
#5 2.686 Get:5 http://archive.ubuntu.com/ubuntu bionic-backports InRelease [83.3 kB]
#5 2.986 Get:6 http://security.ubuntu.com/ubuntu bionic-security/multiverse amd64 Packages [23.8 kB]
#5 3.008 Ign:7 https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  InRelease
#5 3.092 Get:8 https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  Release [564 B]
#5 3.164 Get:9 https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  Release.gpg [833 B]
#5 3.220 Get:10 http://security.ubuntu.com/ubuntu bionic-security/main amd64 Packages [3373 kB]
#5 3.275 Get:11 http://archive.ubuntu.com/ubuntu bionic-updates/multiverse amd64 Packages [30.8 kB]
#5 3.508 Get:12 http://archive.ubuntu.com/ubuntu bionic-updates/universe amd64 Packages [2410 kB]
#5 3.743 Get:13 https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  Packages [73.8 kB]
#5 5.134 Get:14 http://security.ubuntu.com/ubuntu bionic-security/universe amd64 Packages [1636 kB]
#5 5.236 Get:15 http://archive.ubuntu.com/ubuntu bionic-updates/restricted amd64 Packages [1728 kB]
#5 5.646 Get:16 http://security.ubuntu.com/ubuntu bionic-security/restricted amd64 Packages [1688 kB]
#5 5.820 Get:17 http://archive.ubuntu.com/ubuntu bionic-updates/main amd64 Packages [3785 kB]
#5 6.594 Get:18 http://archive.ubuntu.com/ubuntu bionic-backports/main amd64 Packages [64.0 kB]
#5 6.595 Get:19 http://archive.ubuntu.com/ubuntu bionic-backports/universe amd64 Packages [20.6 kB]
#5 8.836 Reading package lists...
#5 15.70 W: GPG error: https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64  InRelease: The following signatures couldn't be verified because the public key is not available: NO_PUBKEY A4B469963BF863CC
#5 15.70 E: The repository 'https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64  InRelease' is no longer signed.
------
executor failed running [/bin/bash -c apt-get update &&         apt-get install -y libgl1]: exit code: 100

Recommend Projects

React

A declarative, efficient, and flexible JavaScript library for building user interfaces.
Vue.js

🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
Typescript

TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
TensorFlow

An Open Source Machine Learning Framework for Everyone
Django

The Web framework for perfectionists with deadlines.
Laravel

A PHP framework for web artisans
D3

Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

javascript

JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
web

Some thing interesting about web. New door for the world.
server

A server is a program made to process requests and deliver data to clients.
Machine learning

Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Visualization

Some thing interesting about visualization, use data art
Game

Some thing interesting about game, make everyone happy.

Recommend Org

Facebook

We are working to build community through open source technology. NB: members must have two-factor auth.
Microsoft

Open source projects and samples from Microsoft.
Google

Google ❤️ Open Source for everyone.
Alibaba

Alibaba Open Source for everyone
D3

Data-Driven Documents codes.
Tencent

China tencent open source team.