说到问答机器人，就不得不说一下 ChatGPT 啦。一个预训练的大预言模型，只要是人类范畴内的知识，似乎他回答得都井井有条，从写文章到写代码，再到解决零散琐碎的问题，不光震撼到我们普通人，就百度和阿里也因此紧追其后分别推出了文心一言和通义千问。所以好像我们也可以通过 GPT，并训练特定的数据来完成本业务下的问答。但是，那时出现了 OpenAI 在封号的事件，国内公司又担心以后形成垄断后收取高昂费用

Neo4j的数据库构建完成后，现在就是要实现医疗知识的解答功能了。因为是初版，这里的问题解答不会涉及深度学习，目前只是一个条件查询的过程。而这个过程包括对问题的关键词拆解分类，然后提取词语和类型去图数据库查询，最后就是根据查询结果和问题类型组装语言完成回答，那么以下就是完成这个过程的全部代码流程了。以上就是这个医疗知识问答机器人的全部代码了，从上面的问答里也能看出，回答得还是很生硬。因为这就只是一

本文章主要是个人记录，也面向刚刚接触 YOLO 的同学阅读。所以以下会从数据标注，归一化处理到模型训练的实战内容，也包括各种踩坑经历和处理方法，最后对 detect.py 的重写，完成目标对象的坐标和识别标记输出。

关于TF的目标检测迁移学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。但是官方不但没有案例，网上也没有踩坑的博客，加之我又着急要弄水印检测。于是就在网上看了很多人用python实现的自定义训练，我也试过很多。运行的时候各种问题，不是缺少模块，就是版本兼容问题说什么convert 't' to a tensor and failed，还有运行Tensorboard打不开等等各

关于TF的目标检测迁移学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。但是官方不但没有案例，网上也没有踩坑的博客，加之我又着急要弄水印检测。于是就在网上看了很多人用python实现的自定义训练，我也试过很多。运行的时候各种问题，不是缺少模块，就是版本兼容问题说什么convert 't' to a tensor and failed，还有运行Tensorboard打不开等等各

在规则编码中，我们常常会遇到需要通过多种区间判断某种物品分类。比如二手物品的定价，尽管不是新品没有 SKU 但是基本的参数是少不了。想通过成色来区分某种物品，其实主要是确定一些参数。然后根据参数数据以及参数对应成色的所有数据集归档用机器学习训练，这样机器就可以得出规则了

MCP 英文全称 Model Context Protocol，字面意思就是模型上下文协议，也有说他是为解决大语言模型商业落地最后一公里而生。1. 数据不实时，因为都是对历史数据进行训练，而对于像新闻、天气、股市这种一直变动的是无法获取的。2. 功能有限，虽然他可以通过提示词实现很多功能，但还是因为旧数据原因，没法灵活更新功能。3. 私密数据不保障，已知知名模型训练都是抓取的全球公开数据，而商业落

Tensorflow.js 官方提供了很多常用模型库，涵盖了平时开发中大部分场景的模型。例如，前面提到的图片识别，除此之外还有人体姿态识别，目标物体识别，语音文字等识别。其中一些可能是 Python 转换而来，但都是开发人员用海量数据或资源训练的，个人觉得准确度能满足大部分功能开发要求。这里要介绍的是目标物体识别模型 ——CooSSD

在规则编码中，我们常常会遇到需要通过多种区间判断某种物品分类。比如二手物品的定价，尽管不是新品没有 SKU 但是基本的参数是少不了。想通过成色来区分某种物品，其实主要是确定一些参数。然后根据参数数据以及参数对应成色的所有数据集归档用机器学习训练，这样机器就可以得出规则了

内容和资源的采集，反手就是某虫了。在网络上，经过近几年的营销渲染，可能首选是用 Python 做脚本。而这次是用 PHP 的 QueryList 来做采集，下面也就是采集的编码过程和踩坑解决方法，最后再对采集图片进行标注和训练。