1.怎麼把deploy 檔案轉成mxnet 能支援的op檔案
2. 用mxnet 訓練出來的精度為1 的model 對訓練集進行**出現的問題是 30% 的樣本確識別錯誤了
目前val 集是0.54 20個epoch 跑完 訓練的精度為1 但是val 的精度為0.55
訓練的資料集是在原始的資料集上擴充得到的。測試的時候只在未擴充的樣本上進行了** 3.4w的樣本量 大概錯了8900 個 ，既然錯了那麼多，為什麼精度還是會顯示1那 原因在**
樣本雖然擴增了 但是一定是對結果有正面的影響麼？
用了早前的版本
3. 用多lable 訓練的模型出來的結果很不好
4. 從log 畫曲線要怎麼畫
5. 我現在分不出來是我的網路的問題-網路不夠深 -為什麼這麼理解
因為我會把1-l 等 學習能力差
yy 說 在第一層卷積的時候 32-128 可能有助於結果的改善
6. 在水表上做實驗。現在水表上把精度調上去，在說車牌識別的事
a。我的資料量不夠大
b. 我輸入的尺寸太小了
c. 我的網路不行
d. 我擴增樣本的方式不對
我減去均值,但是我覺得跟不減去沒有差啥。
是我自己的感覺麼
wuxiang 的網路就是不減去均值的
不減均值可能有他的道理
只是我沒有觀察到
我的願望是 loss 能下降到0.001 這樣的
看了mnsit 的多工，直接去掉卷積層，只有fc 層
精度也是挺高的。
把切割之後的好好訓一下 正確能上99%
這個難度理論上比end-to-end 簡單
我覺得自己早前的邏輯錯了。我之前就應該猛調單個網路的結構
我其實很期待這些資料集
仔細想想要怎麼減去均值 把背景給出去。應該是比較關鍵的事情。
因為黃牌和藍色的牌子在我看來背景是比較單一
比較難訓練的要loss 的權重要加大？
這次訓練水表的cifar 跟之前訓練單個的deploy檔案不一樣
在每個pool 後面加上乙個norm2 lrn 層 不知道起什麼作用 為了收斂？
水表的均值怎麼減去？
在lch 的caffe 下面找到的
Opencv SVM車牌識別
車牌定位演算法在車牌識別技術中占有很重要地位，乙個車牌識別系統的識別率往往取決於車牌定位的成功率及準確度。車牌定位有很多種演算法，從最簡單的來，車牌在影象中一般被認為是長方形，由於影象攝取角度不同也可能是四邊形。我們可以使用opencv中的例項 c program files opencv samp...
HyperLPR車牌識別
本文基於hyperlpr進行修改，完整 參考 hyperlpr是乙個使用深度學習針對對中文車牌識別的實現，與較為流行的開源的其他框架相比，它的檢測速度和魯棒性和多場景的適應性都要好於目前開源的框架，hyperlpr可以識別多種中文車牌包括白牌，新能源車牌，使館車牌，教練車牌，武警車牌等。使用的目標檢...
車牌識別程式
車牌識別程式 僅供學習使用 說明 此程式識別的車牌是在網上隨便找的，此程式中的二值化 形狀選擇和形態學處理的blob分析三步曲 並不具有普遍性。因為位置 光照 車牌清潔狀態等都會對車票識別造成很大的影響。只有使用mlp svm cnn 等人工智慧演算法訓練的程式，才具有比較高的普適性。1.採集影象 ...