本次破解目标网站，该网站是一个搜索式的网站，支持模糊搜索，我们输入“公司”进行搜索，发现有滑动验证码。
分析其网络请求，我们可以看到这样几个关键请求：
获取验证码的请求：https://neris.csrc.gov.cn/shixinchaxun/sxcx/captcha/get（实际为一个POST请求）
post参数
1 | captchaType: "blockPuzzle" |
请求返回json数据，内容如下
CRNN项目实战之前写过一篇文章利用CRNN进行文字识别，当时重点讲的CRNN网络结构和CNN部分的代码实现，因为缺少文字数据集没有进行真正的训练，这次正好有一批不定长的字符验证码，正好CRNN主要就是用于端到端地对不定长的文本序列进行识别，当然是字符和文字都是可以用的，所以这里进行了一次实战。
主要是参考github项目：https://github.com/meijieru/crnn.pytorch
lmdb首先关于lmdb这个数据库，python有两个包，一个是lmdb，另一个是python-lmdb。
使用pycharm的包安装功能可以看到关于lmdb的描述
Universal Python binding for the LMDB 'Lightning' Database Version 1.3.0
关于python-lmdb的描述
simple lmdb bindings written using ctypes Version 1.0.0
所以理论上我们安装前者肯定是可以用的，但是经过亲身实践，
在pip环境中使用pip install lmdb确实可以正常使用；
但是在conda环境中，使用conda install lmdb安装完成之后却无法导入包。
所以又使用：conda install python-lmdb安装，安装完之后却可以使用，非常奇怪。
后发现原因大概率是版本问题，使用pip可以安装lmdb=1.3.0的最新版本，而conda只能安装lmdb=0.9.x的版本，所以目前在conda中只能使用python-lmdb暂替使用。
CRNN的lmdb数据集github项目中关于如何训练自己的数据集写的不是很清楚，如果我们直接运行train.py会遇到各种问题，首先第一个问题就是数据集的问题，lmdbDataset中的初始化
遗传算法(Genetic Algorithm，简称GA)
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。
要点1：遗传算法按照一定的规则生成经过基因编码的初始群体，
要点2：然后从这些代表问题的可能潜在解的初始群体出发，挑选适应度强的个体进行交叉(或称交配、交换)和变异，以期发现适应度更佳的个体，
要点3：如此一代代地演化，得到一个最优个体，将其经过解码，该最佳个体编码则对应问题的最优解或近似最优解。
术语:
串：算法中的二进制串，对应于遗传学中的染色体。染色体是进化的信息载体。染色体可能发生突变，并因为这种突变，可能生成更好的、更能适应环境的后代。
基因：基因是串中的二进制位之数，基因用于表示个体的特征。基因是染色体遗传功能的最小操作单位。
基因位置：一个基因在串中的位置称为基因位置，有时也简称基因位或基因座。
基因特征值：在用串表示整数时，基因的特征值与二进制数的权一致。
种群：个体的集合称为种群，或称群体。生物的进化不是通过单个个体来实现的，而是一代代的种群同时进行。
种群大小：种群中个体的数量称为群体的大小。
适应度：适应度表示某一个体对于环境的适应程度。在GA中，也称做适值函数，用以估计个体的优劣。适应度值越高，被选来交配和进行后继遗传行为的概率也就越大。对于给定的优化问题，将其目标函数作为适应度函数。
1、决策树是一种分类器，是一个有向、无环树。
2、树中根节点没有父节点，一个节点可以有1-2个或者没有子节点。
3、每个叶节点都对应一个类别标识C的值；每个内部节点都对应一个用于分割数据集的属性Xi，称为分割属性；每个内部节点都有一个分割判断规则qj。
4、节点n的分割属性和分割判断规则组成了节点n的分割标准。
1、决策树原理：归纳推理
2、归纳：是从特殊到一般的过程
3、归纳推理：从若干个事实表现出的特征、特性或属性中，通过比较、总结、概括而得出一个规律性的结论。
4、归纳推理的基本假定：任一假设如果能在足够大的训练样本集中很好地逼近目标函数，则它也能在未见样本中很好地逼近目标函数。
• 是一种统计学分类方法
• 可以用来对一个未知的样本判定其属于特定类的概率
• 分类模型是在有指导的学习下获得
• 分类算法可与决策树和神经网络算法媲美
• 用于大型数据库时具有较高的分类准确率和高效率。
朴素贝叶斯分类的假设前提：类别C确定的情况下，不同属性(X1,X2)间是相互独立的，即条件独立。(朴素即为条件独立)
即：C确定下，P(X1,X2)=P(X1)P(X2) ；或表示为：P(X1,X2|C)=P(X1|C)P(X2|C)
设X是未知类别的数据样本(属性值已知)，H为假定：X属于某特定类的类C。分类问题即为，确定P(H|X)——给定观测数据样本X，假定H成立的概率。
后验概率：P(H|X)，在条件X下,H的后验概率
先验概率：P(H)
注：P（X/H)相当于已知带标签的数据，即有导师了。
换个表达形式就会明朗很多：
