1）網路結構：
resnet提取影象表徵 fc
初始化位置特徵，p1, p2,… p21, 總共21長度。
2）提取的影象標準fc也是序列特徵，資料都是定長的，所以，將序列特徵均勻劃分到每個位置序列特徵，進行拼接。這樣，每個位置序列特徵上都有對應的字元內容表徵。
每個 位置特徵上拼接影象標註fc
3）然後，讓bilstm再去自動根據上下文關係，學習每個位置的字元。
拼接好的位置特徵， 經過bilstm
每個時刻的輸出狀態特徵，經過 fc + softmax 啟用。
fc： 將提取到的特徵向量，softmax( w x + b )
w是乙個權重矩陣，學習每個類別的權重，然後使用softmax啟用，得出每個矩陣的概率。
資料：給定資料集：10000條資料作為訓練集。
涵蓋幾十種字型，畫素大小也各不相同，排版方式複雜，語言也很多種。
原始，+ 文字框四個點座標（裡面是標註的文字）最小外接矩形，確定要扣取的文字區域，小於45度，轉為水平；大於45度，轉為垂直，最後將垂直的轉為水平（傾斜處理）
2. 對文字進行角度處理，然後歸一化成 同一尺寸。
的寬高統計，選取高度，寬度，為啥？？？
寬高比統計，寬高比為6，覆蓋85%左右。
歸一化： 寬32， 寬高比：6.
字串長度統計：模型序列**長度：21， 覆蓋99%的長度，長度超過21的，不到1%左右。
訓練集類標統計：中文4085（簡體，繁體），英文和數字（半形，全形？？需要統計嗎？？）62全形，62半形，符號220類。統計在訓練集**現的頻數。
最終確定，模型序列**類標： 國標1級簡體漢字常用的3500個，1000個繁體漢字，和訓練集**現的所有漢字，26個英文本母，和10個數字，共5302個類別。
資料生成（文字合成）
類標太多，平均乙個類標就幾個學習資料，所以需要合成大量與訓練集相似的文字，充分發揮模型的潛力，提高模型在測試集上的準確率。
生成文字序列（比較重要，畢竟文字是核心）
根據訓練集的資料分布情況，控制生成的比例。
控制比例：1）語種種模擬例（純中文、純英文（數字）、純符號、混合型），
2）每個字的字頻，（訓練集中字頻統計，生成時更新頻數，為0就不生成）
3）字串長度比例，（21覆蓋99%，各個長度比例要控制）
4）某些字元不能與其他字元在一起。（簡體不能和繁體在一起，中文裡面是全形符號，英文是半形符號）
背景合成
模型構建：
加深的殘差網路，比加深的cnn更容易優化。
採用101層的resnets，學習網路文字影象的特徵，給定乙個文字，歸一化為固定尺寸，輸入101層resnets網路進行特徵提取，輸出全域性特徵向量（表示整個文字序列的特徵），我們需要識別出每個位置的字元。
全域性特徵向量與位置序列向量p？？？結合起來，網路對該位置的字元特徵自動學習和選擇。 生成合成向量。
合成向量 輸入到bilstm（全連線層，softmax），得到文字序列每個位置的字元編碼，每個類別的概率，確定是哪個字元。
訓練資料識別出的有用的文字區域143532個，8:1:1進行劃分，劃分時參照語種比例，序列長度，字頻這些，橫豎比例。
合成：467552個，
後期分析：
計算各個類別準確率， 純中文，英文和數字，純符號，或者混合型的，
發現英文數字的準確率很低。混合型的。
有些過長的，大於21，被砍掉的。能補的補上去。
暑期總結 網路流
一張圖中每條邊都有同一時間能承載的最大資料量，求最大網路流即求從起點到終點同一時間能運輸的最大資料量。找到一條從起點到終點的路，那麼這條路上運輸的資料量為權值最小的邊的權值，然後再依次做下去，但這樣過早地阻塞了後面的流，會造成無法得到最優解。解決的方法是新增一條反向邊，如果邊 流過了k 那麼反向邊 ...
http協議總結 網路基礎篇
tcp ip是網際網路相關的各類協議族的總稱。協議中存在各種各樣的內容，從電纜的規格到ip位址的選定方法。尋找異地使用者的方法。雙發建立通訊的順序，以及web頁面顯示需求的處理 如上圖，是對tcp ip協議的一種描述。分層管理 tcp,ip協議按層次分分為 應用層 傳輸層 網路層 資料鏈層 應用層 ...
傳智播客學習總結 網路程式設計
tcp ip 協議 udp user datagram protocol 是一種不安全的面向無連線的協議，每乙個 packet 都有自己完整的 和目的資訊，所以並不能保證 packet 到達接收方的時間和準確性，每次傳送資料大小也限定在 64kb 以內。tcp transfer control pr...