[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-PatrickLib--captcha_recognize":3,"tool-PatrickLib--captcha_recognize":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":139},3118,"PatrickLib\u002Fcaptcha_recognize","captcha_recognize","Image Recognition captcha without image segmentation 无需图片分割的验证码识别","captcha_recognize 是一款基于 TensorFlow 开发的开源验证码识别工具，专为解决传统验证码识别中繁琐的图像分割难题而设计。它无需将验证码图片中的字符逐个切割，而是直接对整张图片进行端到端的深度学习识别，大大简化了处理流程。\n\n该工具主要解决了复杂背景或粘连字符验证码难以通过传统 OCR 技术准确识别的问题。在标准数字字母验证码测试中，经过充分训练后其识别准确率可高达 99.7%，即便面对更复杂的生成规则也能保持一定的识别能力。\n\ncaptcha_recognize 非常适合开发者、人工智能研究人员以及需要自动化处理验证码的数据工程师使用。对于希望研究卷积神经网络（CNN）在图像识别领域应用的学习者来说，这也是一个极佳的实践项目。普通用户若不具备编程环境搭建能力，可能需要技术人员协助部署。\n\n其核心技术亮点在于摒弃了传统的“先分割后识别”模式，利用深度神经网络直接映射图像到文本序列，不仅提升了识别速度，还有效避免了因分割错误导致的整体识别失败。项目提供了完整的数据集生成、格式转换、模型训练及评估脚本，支持单卡或多卡 GPU 加速训练，方便用户根据自己的数据快速定制","captcha_recognize 是一款基于 TensorFlow 开发的开源验证码识别工具，专为解决传统验证码识别中繁琐的图像分割难题而设计。它无需将验证码图片中的字符逐个切割，而是直接对整张图片进行端到端的深度学习识别，大大简化了处理流程。\n\n该工具主要解决了复杂背景或粘连字符验证码难以通过传统 OCR 技术准确识别的问题。在标准数字字母验证码测试中，经过充分训练后其识别准确率可高达 99.7%，即便面对更复杂的生成规则也能保持一定的识别能力。\n\ncaptcha_recognize 非常适合开发者、人工智能研究人员以及需要自动化处理验证码的数据工程师使用。对于希望研究卷积神经网络（CNN）在图像识别领域应用的学习者来说，这也是一个极佳的实践项目。普通用户若不具备编程环境搭建能力，可能需要技术人员协助部署。\n\n其核心技术亮点在于摒弃了传统的“先分割后识别”模式，利用深度神经网络直接映射图像到文本序列，不仅提升了识别速度，还有效避免了因分割错误导致的整体识别失败。项目提供了完整的数据集生成、格式转换、模型训练及评估脚本，支持单卡或多卡 GPU 加速训练，方便用户根据自己的数据快速定制专属识别模型。","Introduce\n=========\n### Translation: [English](https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fblob\u002Fmaster\u002FREADME.md) [中文](https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fblob\u002Fmaster\u002FREADME-zhcn.md)\n\nimage recognition captchas using TensorFlow, no need image segmentation, run on ubuntu 16.04, python 2.7\n\n![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_3ef093ccf2a1.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_8915f375bc31.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_31f8c3e13552.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_3bfa71d57b0f.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_280b0290a782.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_072ec7fe3579.png)\n\naccuracy 99.7% judged by captcha_eval.py, training size 50000, after 20000 steps\ncaptcha generator: https:\u002F\u002Fgithub.com\u002Flepture\u002Fcaptcha\n\n![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_b34e6fa83613.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_ee6b5cb48a42.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_b2e243f734b7.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_5b027a0feade.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_4b2327af9297.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_d885b569fe1c.jpg)\n\naccuracy 52.1% judged by captcha_eval.py, training size 100000, after 200000 steps\ncaptcha generator: https:\u002F\u002Fgithub.com\u002FGregwar\u002FCaptchaBundle\n \nDependence\n==========\n### python 2.7\n### Anaconda2 4.3.1\nhttps:\u002F\u002Fwww.continuum.io\u002Fdownloads#linux\n### TensorFlow 1.1\nhttps:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\n### captcha\nhttps:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fcaptcha\u002F0.1.1\n\nUsage\n=====\n## 1.prepare captchas\nput your own captchas in **\u003Ccurrent_dir>\u002Fdata\u002Ftrain_data\u002F** for training, **\u003Ccurrent_dir>\u002Fdata\u002Fvalid_data\u002F** for evaluating and **\u003Ccurrent_dir>\u002Fdata\u002Ftest_data\u002F** for recognize testing, images file name must be **label_\\*.jpg** or **label_\\*.png** and recommend size **128x48**. you can also use default generation:\n```\npython captcha_gen_default.py\n```\n\n## 2.convert dataset to tfrecords\nthe result file will be **\u003Ccurrent_dir>\u002Fdata\u002Ftrain.tfrecord** and **\u003Ccurrent_dir>\u002Fdata\u002Fvalid.tfrecord**\n```\npython captcha_records.py\n```\n\n## 3.training\ntrain and evaluate neural network on CPU or one single GPU\n```\npython captcha_train.py\n```\nyou can also train over multiple GPUs\n```\npython captcha_multi_gpu_train.py\n```\n\n## 4.evaluate\n```\npython captcha_eval.py\n```\n\n## 5.recognize\nread captchas from **\u003Ccurrent_dir>\u002Fdata\u002Ftest_data\u002F** for recogition\n```\npython captcha_recognize.py\n```\nresult like this\n```\n...\nimage WFPMX_num552.png recognize ----> 'WFPMX'\nimage QUDKM_num468.png recognize ----> 'QUDKM'\n```\n\n","介绍\n=========\n### 翻译： [英文](https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fblob\u002Fmaster\u002FREADME.md) [中文](https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fblob\u002Fmaster\u002FREADME-zhcn.md)\n\n使用 TensorFlow 识别验证码，无需图像分割，在 Ubuntu 16.04 和 Python 2.7 上运行。\n\n![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_3ef093ccf2a1.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_8915f375bc31.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_31f8c3e13552.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_3bfa71d57b0f.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_280b0290a782.png)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_072ec7fe3579.png)\n\n由 captcha_eval.py 判断的准确率为 99.7%，训练集大小为 50000，训练 20000 步后得到的结果。\n\n验证码生成器：https:\u002F\u002Fgithub.com\u002Flepture\u002Fcaptcha\n\n![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_b34e6fa83613.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_ee6b5cb48a42.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_b2e243f734b7.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_5b027a0feade.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_4b2327af9297.jpg)![captcha](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_readme_d885b569fe1c.jpg)\n\n由 captcha_eval.py 判断的准确率为 52.1%，训练集大小为 100000，训练 200000 步后得到的结果。\n\n验证码生成器：https:\u002F\u002Fgithub.com\u002FGregwar\u002FCaptchaBundle\n\n依赖\n==========\n### Python 2.7\n### Anaconda2 4.3.1\nhttps:\u002F\u002Fwww.continuum.io\u002Fdownloads#linux\n### TensorFlow 1.1\nhttps:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\n### captcha\nhttps:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fcaptcha\u002F0.1.1\n\n用法\n=====\n## 1. 准备验证码\n将您自己的验证码放入 **\u003Ccurrent_dir>\u002Fdata\u002Ftrain_data\u002F** 进行训练，**\u003Ccurrent_dir>\u002Fdata\u002Fvalid_data\u002F** 用于评估，**\u003Ccurrent_dir>\u002Fdata\u002Ftest_data\u002F** 用于识别测试。图片文件名必须是 **label_\\*.jpg** 或 **label_\\*.png**，推荐尺寸为 **128x48**。您也可以使用默认生成：\n```\npython captcha_gen_default.py\n```\n\n## 2. 将数据集转换为 tfrecords\n结果文件将是 **\u003Ccurrent_dir>\u002Fdata\u002Ftrain.tfrecord** 和 **\u003Ccurrent_dir>\u002Fdata\u002Fvalid.tfrecord**\n```\npython captcha_records.py\n```\n\n## 3. 训练\n在 CPU 或单个 GPU 上训练和评估神经网络\n```\npython captcha_train.py\n```\n您也可以在多个 GPU 上进行训练\n```\npython captcha_multi_gpu_train.py\n```\n\n## 4. 评估\n```\npython captcha_eval.py\n```\n\n## 5. 识别\n从 **\u003Ccurrent_dir>\u002Fdata\u002Ftest_data\u002F** 中读取验证码进行识别\n```\npython captcha_recognize.py\n```\n结果如下：\n```\n...\nimage WFPMX_num552.png 识别 ----> 'WFPMX'\nimage QUDKM_num468.png 识别 ----> 'QUDKM'\n```","# captcha_recognize 快速上手指南\n\n基于 TensorFlow 的验证码识别工具，无需图像分割，支持端到端训练与识别。\n\n## 环境准备\n\n- **操作系统**: Ubuntu 16.04\n- **Python 版本**: 2.7\n- **核心依赖**:\n  - Anaconda2 (推荐版本 4.3.1)\n  - TensorFlow 1.1\n  - captcha (Python 库)\n\n> **国内加速建议**：安装 Anaconda 或 Python 包时，建议配置清华源或阿里源以提升下载速度。\n> - 清华 Anaconda 镜像：`https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002F`\n> - 阿里 pip 镜像：`pip install -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F \u003Cpackage>`\n\n## 安装步骤\n\n1. **安装 Anaconda2**\n   下载并安装 Linux 版 Anaconda2（建议使用历史版本存档中的 4.3.1）：\n   ```bash\n   wget https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002FAnaconda2-4.3.1-Linux-x86_64.sh\n   bash Anaconda2-4.3.1-Linux-x86_64.sh\n   source ~\u002F.bashrc\n   ```\n\n2. **创建虚拟环境并安装依赖**\n   ```bash\n   conda create -n captcha_env python=2.7\n   source activate captcha_env\n   \n   # 安装 TensorFlow 1.1 (CPU 版本示例，如需 GPU 请自行替换对应 whl)\n   pip install -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F tensorflow==1.1\n   \n   # 安装 captcha 生成库\n   pip install -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F captcha==0.1.1\n   ```\n\n3. **获取项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize.git\n   cd captcha_recognize\n   ```\n\n## 基本使用\n\n### 1. 准备数据\n将您的验证码图片放入以下目录：\n- 训练数据：`data\u002Ftrain_data\u002F`\n- 验证数据：`data\u002Fvalid_data\u002F`\n- 测试数据：`data\u002Ftest_data\u002F`\n\n**命名规范**：文件名必须为 `标签_*.jpg` 或 `标签_*.png`（例如：`ABC12_num01.png`），推荐图片尺寸为 **128x48**。\n\n若无自有数据，可运行默认生成脚本创建测试数据集：\n```bash\npython captcha_gen_default.py\n```\n\n### 2. 转换数据集\n将图片数据转换为 TensorFlow 所需的 TFRecord 格式：\n```bash\npython captcha_records.py\n```\n执行后将生成 `data\u002Ftrain.tfrecord` 和 `data\u002Fvalid.tfrecord`。\n\n### 3. 开始训练\n在单 CPU 或单 GPU 上启动训练：\n```bash\npython captcha_train.py\n```\n*(若需多 GPU 训练，请使用 `python captcha_multi_gpu_train.py`)*\n\n### 4. 模型评估\n训练完成后，评估模型准确率：\n```bash\npython captcha_eval.py\n```\n\n### 5. 识别测试\n对 `data\u002Ftest_data\u002F` 目录下的图片进行批量识别：\n```bash\npython captcha_recognize.py\n```\n\n**输出示例**：\n```text\n...\nimage WFPMX_num552.png recognize ----> 'WFPMX'\nimage QUDKM_num468.png recognize ----> 'QUDKM'\n```","某电商数据团队需要每日从多个合作伙伴网站抓取库存价格信息，但这些站点均部署了字符型图片验证码以阻止自动化访问。\n\n### 没有 captcha_recognize 时\n- **开发周期漫长**：传统方案需先编写复杂的图像处理算法进行字符分割，再单独训练识别模型，耗时数周且难以调优。\n- **维护成本高昂**：一旦目标网站调整验证码的字体、噪点或字符间距，原有的分割逻辑立即失效，导致爬虫频繁中断。\n- **识别率不稳定**：面对字符粘连或背景干扰严重的图片，分段式识别容易出错，整体准确率往往不足 80%，需大量人工介入复核。\n- **算力资源浪费**：为处理分割和识别两个独立步骤，往往需要串联多个服务模块，增加了服务器负载和延迟。\n\n### 使用 captcha_recognize 后\n- **端到端快速部署**：利用其基于 TensorFlow 的无需图像分割特性，直接输入原始图片即可训练，将模型上线时间从数周缩短至几天。\n- **抗干扰能力极强**：模型直接学习整图特征，天然适应字符粘连、扭曲及复杂背景，即使对方微调样式也能保持高鲁棒性。\n- **识别精度显著提升**：在标准字符集测试中准确率高达 99.7%，大幅减少了因验证码识别失败导致的抓取遗漏和人工清洗工作。\n- **架构简洁高效**：单一模型完成全流程识别，简化了技术栈，降低了推理延迟，使大规模并发抓取成为可能。\n\ncaptcha_recognize 通过摒弃繁琐的图像分割步骤，以端到端的深度学习方案彻底解决了复杂验证码识别难、维护贵的痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPatrickLib_captcha_recognize_953780ab.png","PatrickLib","Patrick Library","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPatrickLib_858b5d77.png",null,"https:\u002F\u002Fgithub.com\u002FPatrickLib",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,572,175,"2026-01-20T04:21:38","Apache-2.0",4,"Linux (Ubuntu 16.04)","非必需。支持在 CPU 或单张 GPU 上运行，也支持多 GPU 训练。未指定具体显卡型号、显存大小或 CUDA 版本（基于 TensorFlow 1.1 推断需较旧版本 CUDA）。","未说明",{"notes":95,"python":96,"dependencies":97},"该项目基于较旧的 TensorFlow 1.1 和 Python 2.7 构建，现代环境可能需要配置兼容的旧版依赖。图像推荐尺寸为 128x48 像素，文件名需遵循 'label_*.jpg' 或 'label_*.png' 格式。提供默认验证码生成脚本用于创建训练数据。","2.7",[98,99,100],"TensorFlow==1.1","Anaconda2==4.3.1","captcha==0.1.1",[14,13],[103,104,105,106,107],"captcha-breaking","python","tensorflow","captcha","image-recognition-captchas","2026-03-27T02:49:30.150509","2026-04-06T05:15:18.304112",[111,116,121,125,130,134],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},14374,"训练损失（Loss）不降反升甚至爆炸怎么办？","如果配置参数（如 IMAGE_HEIGHT=65, IMAGE_WIDTH=190, CHARS_NUM=8）正常但损失值急剧增加，请检查是否修改了 captcha_models.py 中的损失函数或 captcha_input.py 中的图像解码逻辑。建议重新下载主分支代码，使用 generate_default 生成默认验证码数据进行测试，以排除自定义数据或代码修改导致的问题。","https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fissues\u002F1",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},14375,"训练暂停后能否从断点处继续训练？","可以继续训练，但由于每一轮训练的图片都是随机组合的（随机梯度下降），且没有记录具体的随机种子状态，因此“继续训练”本质上是基于当前模型权重在新的随机数据批次上继续优化，不存在严格意义上从“上一秒的数据位置”接着跑的概念。只要加载了保存的模型权重，即可在当前状态下继续训练以提升准确率。","https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fissues\u002F2",{"id":122,"question_zh":123,"answer_zh":124,"source_url":120},14376,"训练集数据量较小（如 5 万张），在大量轮次训练中是否会因数据重复使用而影响效果？","不会有问题。深度学习训练通常需要进行数万轮（epochs），而训练集每轮的数据都是随机打乱组合的。即使总轮次远超数据集大小（例如 1.9 万轮 vs 390 轮用完一次数据），这种重复使用不同随机组合的数据正是随机梯度下降（SGD）的标准工作方式，有助于模型找到局部最优解，是正常且必要的训练过程。",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},14377,"训练初期评估准确率（Accuracy）为 0% 是否正常？","这是正常现象。在训练初期（例如前几千步），模型尚未收敛，eval.py 和 recognize.py 的识别结果可能为 0%。随着训练步数增加（例如达到 16000 步后），准确率会逐渐上升（如达到 45% 左右）。需要确保训练运行足够的步数（通常建议 20000 步以上）才能看到良好的结果。","https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fissues\u002F23",{"id":131,"question_zh":132,"answer_zh":133,"source_url":129},14378,"使用 CPU 训练时 Loss 下降非常缓慢怎么办？","使用 Tensorflow-CPU 训练速度确实较慢，Loss 下降缓慢可能与步数不足有关。数据显示在 2700 步时 Loss 仍在 2.9-3.0 之间波动属于早期阶段。建议持续训练至至少 20000 步，此时 Loss 通常会显著降低且准确率会有明显提升。如果条件允许，建议使用 GPU 加速训练。",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},14379,"项目是否支持 tfrecords 格式数据？如何使用？","项目底层依赖 TensorFlow 的数据处理机制。关于 tfrecords 的具体描述和使用方法，官方建议直接参考 TensorFlow 官方指南中的 Datasets API 文档：https:\u002F\u002Fwww.tensorflow.org\u002Fprogrammers_guide\u002Fdatasets，以获取最权威的数据读取和转换方案。","https:\u002F\u002Fgithub.com\u002FPatrickLib\u002Fcaptcha_recognize\u002Fissues\u002F7",[]]