<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u012851870的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u012851870</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u012851870]]></copyright><item><title><![CDATA[转载：车牌识别]]></title><link>https://blog.youkuaiyun.com/u012851870/article/details/83748648</link><guid>https://blog.youkuaiyun.com/u012851870/article/details/83748648</guid><author>u012851870</author><pubDate>Mon, 05 Nov 2018 14:10:37 +0800</pubDate><description><![CDATA[
								            
						

更新：基于keras-tensorflow的车牌识别，HyperLPR是一个基于Python的使用深度学习针对对中文车牌识别的实现，与开源的EasyPR相比，它的检测速度和鲁棒性和多场景的适应性都要好于EasyPR。





来自：计算机的潜意识





非常详细的讲解车牌识别EasyPR









EasyPR--一个开源的...]]></description><category></category></item><item><title><![CDATA[SSDB安装与python环境的使用]]></title><link>https://blog.youkuaiyun.com/u012851870/article/details/44754509</link><guid>https://blog.youkuaiyun.com/u012851870/article/details/44754509</guid><author>u012851870</author><pubDate>Mon, 30 Mar 2015 18:08:04 +0800</pubDate><description><![CDATA[SSDB



配置最大文件打开数

编译安装ssdb

wget https://github.com/ideawu/ssdb/archive/stable-1.8.0.zip    #或者本地下载，然后scp拷贝至目标机器
unzip ssdb-stable-1.8.0.zip                                     #解压缩
cd ssdb-s]]></description><category></category></item><item><title><![CDATA[机器学习courses笔记。LOGISTIC]]></title><link>https://blog.youkuaiyun.com/u012851870/article/details/38372189</link><guid>https://blog.youkuaiyun.com/u012851870/article/details/38372189</guid><author>u012851870</author><pubDate>Mon, 04 Aug 2014 16:59:06 +0800</pubDate><description><![CDATA[Coursera公开课笔记: 斯坦福大学机器学习第六课“逻辑回归(Logistic Regression)”

 






+13投票





斯坦福大学机器学习第六课"逻辑回归“学习笔记，本次课程主要包括7部分：
1) Classification(分类)
2) Hypothesis Representation
3) Decision boundary]]></description><category></category></item><item><title><![CDATA[批处理梯度下降BGD与随机梯度下降SGD]]></title><link>https://blog.youkuaiyun.com/u012851870/article/details/38366573</link><guid>https://blog.youkuaiyun.com/u012851870/article/details/38366573</guid><author>u012851870</author><pubDate>Mon, 04 Aug 2014 10:56:04 +0800</pubDate><description><![CDATA[梯度下降（GD）是最小化风险函数、损失函数的一种常用方法，随机梯度下降和批量梯度下降是两种迭代求解思路，下面从公式和实现的角度对两者进行分析，如有哪个方面写的不对，希望网友纠正。


下面的h(x)是要拟合的函数，J(theta)损失函数，theta是参数，要迭代求解的值，theta求解出来了那最终要拟合的函数h(theta)就出来了。其中m是训练集的记录条数，j是参数的个数。


]]></description><category></category></item></channel></rss>