深度学习目标检测破解滑动验证码前言本文主要参考以下文章：利用深度学习识别滑动验证码缺口位置利用深度学习 PyTorch 识别滑动验证码缺口这两篇文章都是同一位大佬所写，第一篇是利用华为云的一个深度学习平台做的(无需做任何编码工作)，第二篇是通过PyTorch来做的，要自己代码实现。我这里主要参考第二篇文章，也直接在这里把作者使用到github项目列出来：标注工具labelImgPyTorch-YO

啤酒与尿布的故事：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，超市也因此发现了一个规律，在购买婴儿尿布的年轻的父亲们中，有30%~40%的人同时要买一些啤酒。超市随后调整了货架的摆放，将尿布和啤酒放在一起，因此，明显增加了销售额。

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。

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。

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

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。

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。