遗传算法的基本思想可归为三点：1）遗传：子代总是和亲代相似。2）变异：子代和亲代有某些不相似的现象。3）选择：具有精选的能力，它决定生物进化的方向。

关于神经网络的一些调参经验以下经验均是个人实践过程中总结得到的，不成系统，一点拙见~训练损失不下降关于训练损失不下降，根据我的一些经验和理论知识，可以从以下角度来分析首先，从数据集来分析：是否数据集存在比较多的标注错误？针对类似分类的项目，是否数据集分布不均衡，某些类别的样本数量太少？数据集特征不明显，举个验证码的例子，很多字符类的验证码，为了不让别人破解，会加上背景、斑点和干扰线等，如果这些干扰

本篇文章主要是自己刚接触NER领域时，研读这篇《 A Survey on Deep Learning for Named Entity Recognition 》NER综述论文时翻译的中文版，这篇综述时间是2020年，可能近两年的部分成果暂未包含，很多内容是通过百度翻译直接翻的，部分内容进行了一定的调整。有少部分内容省略了，具体可以参考原论文，所有涉及的文献引用也请参考原论文。

数据集：采用 GitHub 上的 Chinese-medical-dialogue-data 中文医疗对话数据集Github地址如下：微调模型：Qwen 1.5B模型（Qwen2、2.5均可以，可以自由选择）模型权重文件可以先从huggingface官网下载，或者从魔塔社区下载速度更快：本实验环境：GPU 显存 >= 8GB参考资料：more。

上一篇已经介绍基础版的Lora微调实现过程，这一篇记录如何微调大模型使其输出带思维链。

FastMCP 的完整文档： https://gofastmcp.com/FactMCP安装指南：https://gofastmcp.com/getting-started/installation从官方 MCP SDK 的 FastMCP 1.0 升级到 FastMCP 2.0 通常很简单。核心服务器 API 高度兼容，在许多情况下，将您的 import 语句从更改为就足够了。

数据集：采用 GitHub 上的 Chinese-medical-dialogue-data 中文医疗对话数据集Github地址如下：微调模型：Qwen 1.5B模型（Qwen2、2.5均可以，可以自由选择）模型权重文件可以先从huggingface官网下载，或者从魔塔社区下载速度更快：本实验环境：GPU 显存 >= 8GB参考资料：more。

使用Pytorch识别字符验证码之前已经学习过利用Keras搭建神经网络模型来识别字符验证码，相关的文章：字符验证码识别之数据预处理涉及图像预处理和标签处理等操作字符验证码识别之模型构建涉及模型构建以及训练过程。近期又学习了pytorch实现卷积神经网络相关的技术，正好遇到一个验证码识别的需求，所以尝试使用pytorch来实现。数据预处理要训练的验证码如下所示:其为中文汉字的简单运算，实际上仅包括

关于神经网络的一些调参经验以下经验均是个人实践过程中总结得到的，不成系统，一点拙见~训练损失不下降关于训练损失不下降，根据我的一些经验和理论知识，可以从以下角度来分析首先，从数据集来分析：是否数据集存在比较多的标注错误？针对类似分类的项目，是否数据集分布不均衡，某些类别的样本数量太少？数据集特征不明显，举个验证码的例子，很多字符类的验证码，为了不让别人破解，会加上背景、斑点和干扰线等，如果这些干扰

Python的PIL库python imaging library是Python平台的图像处理标准库，我们在图像处理时不仅可以使用opencv，PIL也是可以的。from PIL import Image# 打开图片img = Image.open("123.jpg")# 获取宽、高width, height = img.size()# 获取像素值r, g, b = img.getpixel((1