OCR 是一种通过计算机算法将图像中的文字（数字、字母、汉字等）转换为可编辑文本的技术。其核心目标是模拟人类视觉系统对字符的识别过程，解决 “图像文字无法直接被机器解析” 的问题。在验证码识别中，主要用于处理由字符构成的静态图形验证码（如登录页常见的 4 位数字字母组合验证码）。OpenCV（Open Source Computer Vision Library）是一个跨平台的开源计算机视觉库，包

PPO 的成功，在于它完美平衡了简单性、稳定性和效率用 “截断目标函数” 替代 TRPO 的复杂约束，实现了策略的稳定更新；允许同一批数据多次更新，大幅提高了数据利用率；仅需普通梯度下降即可实现，工程落地门槛极低。理解 PPO 的核心 ——“在保证策略不突变的前提下，用数据高效地更新”，不仅能掌握一个强大的工具，更能体会到强化学习中 “实用主义” 的设计哲学。用最简单的办法，让策略更新既稳又快。它

就是 “逛超市时，你现在在哪，决定了你下一步可能去哪，并且每到一个地方能攒多少积分，最后算清楚每个地方到底值多少分拆成 4 个你能摸到的东西：状态：超市里的位置，比如 “入口、零食区、生鲜区、收银台（结账走人）”。转移：从当前位置能走到哪。比如 “在零食区，60% 概率去生鲜区，40% 概率回入口”（只和现在在哪有关，和你之前去过玩具区没关系 —— 这就是 “马尔可夫性”）。奖励：到每个位置给的积

在马尔可夫决策过程（MDP）中，动态规划（Dynamic Programming, DP）算法是求解最优策略和最优价值函数的经典方法。其核心思想是利用，通过迭代更新价值函数或策略，最终收敛到最优解。和。

循环神经网络（Recurrent Neural Network, RNN）是一种专门处理序列数据的神经网络模型，其核心特点是引入 “记忆” 机制——网络在处理当前输入时，会结合之前的输入信息（即 “历史状态”），从而捕捉序列数据中的时序依赖关系。与传统的前馈神经网络（如 CNN、MLP）不同，RNN 的结构中存在循环连接隐藏层的输出不仅取决于当前输入，还取决于上一时刻的隐藏状态。这种设计使其天然适

定义输入数据包含多个通道（例如彩色图像的 RGB 三通道）。每个通道有独立的卷积核集合，分别处理不同通道的信息。定义每个卷积层生成多个输出通道（也称为 “特征图”）。每个输出通道对应一组独立的卷积核，提取不同类型的特征。

连续使用 3 个 3×3 卷积核（感受野 7×7）等效于 1 个 7×7 卷积核，但参数量减少 3×(3×3) = 27 vs7×7 = 49，且增加了非线性（更多 ReLU 层）。VGG 有多个版本（如 VGG11、VGG13、VGG16、VGG19），数字代表网络的层数（卷积层 + 全连接层）。： 预训练的 VGG 模型是计算机视觉领域最常用的特征提取器之一，尤其在数据有限的场景下。： 每个块

重置门负责筛选历史信息，帮助模型关注 "当前相关" 的历史内容。更新门负责平衡新旧信息，帮助模型在 "记忆" 和 "遗忘" 之间找到平衡点。

指的是对超出模型单次处理能力（或固定长度限制）的超长序列进行读取、拆分和预处理的过程。其。

核心思想将不同的卷积层通过并联的方式结合在一起，经过不同卷积层处理的结果矩阵在深度这个维度拼接起来，形成一个更深的矩阵。通过这种方式对网络的深度和宽度进行高效扩充，在提升深度学习网络准确率的同时防止过拟合现象的发生。结构特点多尺度卷积核：通常使用 1×1、3×3、5×5 等不同尺寸的卷积核，增加了网络对不同尺度的适应性。小卷积核（如 1×1）可捕捉精细细节并降维，大卷积核（如 3×3、5×5）有助