嗯，您可以寻找其他东西的前几个想法，以使您的模型更加清晰......

1. 检查图像/元数据的 id 以查看是否出现了关于如何排列图像的统计显着模式。(i1.png,i2.png,i3.png 等),(最大的图像总是在顶部等)
2. 他们可能会故意以某种方式扰乱图像，前提是他们从不故意将图片放在正确的位置，这对您有利。您只需在三个位置之间确定任何图像的正确位置。
3. 您可能想看看是否可以合并 word2vec 和/或 LSTM 以使图像到->单词到->故事语法/上下文正确。
4. 如果他们在重置之前允许两次机会，那么如果您可以合并，您的模型将更加准确。如果它输出每个图像在某个位置的概率，那么您需要创建两个猜测而不是一个。

机会很低，但我很想看看你的结果，我认为如果他们没有制作糟糕的验证码，如果他们有系统性缺陷，你将有大约 16% < x < 30 的准确度可能会好很多。