守服网本文导航
有没有比较耐玩的类似足球经理的手游推荐？
谢邀。现在移动端的足球模拟经营类游戏属于冷门游戏，在国内上架的足球模拟类游戏屈指可数，我曾经玩了几款基本上都是粗制滥造，一塌糊涂的设定和球员数据，让人没有继续玩下去的动力。足球模拟经营类知名度高的足球经理、FIFA足球经理和冠军足球经理。除了冠军足球发布了一款圈钱其他俩家都没有在国内发布过移动端。如果你的安卓手机能搞定Google Play，苹果手机有海外账号，那么建议你买FM2019MOBILE或TOUCH，这两个版本都是足球经理的移动端，MOBILE针对的是手机端，TOUCH针对的是平板电脑。这两个版本FMTOUCH的版本优势在于不像手机版的FMMOBILE比赛时没有人物模型，FMT更接近与PC版。两个版本都是有完全汉化的，英语不好的小伙伴也可以放心的玩。
去泰国旅游要准备什么？
很多宝宝来泰国玩耍，各种东西都在带，一个行李箱都不够的节奏。然而，玩耍了过后，才发现好多东西根本没有用上。那么，二小姐就来科普下来泰国玩耍的必备25种物品。=======================证件篇======================1. 护照。出国就不用身份证了，估计宝宝们都知道吧。除了出海关和入境以外，护照的作用还有：办理电话卡、酒店入住（必须要护照，不然基本上你就住不了酒店了~）、租小绵羊（在岛上或者清迈这些城市基本上是不要驾照要护照的节奏）、买东西登记退税（要记录各种护照信息）…2.护照复印件。这个最好出门之前复印一份带身上，万一你护照就掉了呢…哦，对了!最方便的是手机拍一个照，可以随身携带。3.驾驶证翻译件。很多网站都有下，下一个填好打印出来。租小绵羊用不着，但是租车的时候可以用。虽然有些时候租车的也不看这个翻译件的，但是万一遇到警察叔叔了呢…所以要租车的宝宝们最好随手带一个这个。4.银行卡和信用卡。取钱太方便了，所以尽量少现金，取取取~5.机票行程单。落地签必备！不是落地签的话，这个就不用带了，完全没用。=======================衣物篇======================1.方便脱和穿的轻薄长袖。因为室内、商场、BTS和出租车，这些地方都太寒冷了。对了，除了大皇宫有衣服的要求外，其他 地方基本上都没有。颜色之类的无所谓，现在已经不太敏感了。2.如果在七八月份来的话，是雨季，最好带个雨衣或者雨伞之类的。随时都有可能就倾盆大雨的节奏！3.披肩。女宝宝最好带一个。凹造型或者保暖都可以~4.比基尼。去海边当然要带咯，即使你不下海，拍个照也是美丽。5.拖鞋。最好带一个，特别是去海边，光脚踩沙滩也方便脱和穿，进寺庙也方便脱穿。6.墨镜。基本上是必带的节奏，挡太阳，凹造型。=======================药品篇======================1.感冒药。室内外温差真心大不是骗你的。室外的温度是夏天，室内的温度是秋天。所以很多宝宝会感冒神马的。去药店沟通万一不畅呢~所以，带上感冒药。2.拉肚子的药。这个最好也带一个。好多宝宝各种吃吃吃，泰国虽然饮食挺卫生的，但是难免你吃了个冬阴功，又去吃个芒果冰淇淋，万一拉肚子了也好用。3.创可贴。这个用的概率最大了。女宝宝神马高跟鞋或者其他鞋打脚啊之类的，男宝宝潜水或者海边被弄伤神马的，这个真心是万用神器！=======================APP篇======================1.google地图。这个必须要，真心要！别扯神马你有百度地图，出了国门能用吗…用google地图可以走遍世界啊~好了，不扯远了。就说曼谷，有google地图，你走路，公交车，地铁，BTS，开车路线，摩托车路线、坐船路线（这个简直要点一万个赞！）全部给你通通搞定！2.google翻译。在某些情况下，翻译我觉得还是有点用的。真心你不会泰语就不要迷信去用翻译器跟泰国人说泰语，他回你一句你就彻底傻掉了…大部分地方都用英文，特别是菜单，看不懂太正常了，所以，一定要用google翻译。当然，有道词典神马的也比较靠谱。3.打车软件（uber/grab）。在国外用uber的频率真心太高。曼谷出租车虽然多，但是好多时候都遇到不打表。当然，泰国交通还是好很多，尼玛在印度的时候，黑车简直太多了，如果没有uber，二小姐的旅行费用简直要乘以2…感谢uber！另外插播一句，在曼谷用grab更方便，几乎就是泰国版的滴滴。4.微信。东南亚覆盖也很广。不管是联系国内，或者联系当地，都很方便。5.支付宝。现在免税店、711和一些商场都可以用支付宝啦，实时汇率支付，实在太方便！=======================电器工具篇======================1.手机。不说了，这个必须带。你的地图，你的随身翻译，你的拍照工具…对了，不要纠结神马大卡小卡的问题，泰国的电信公司早就帮你准备好了，落地办卡，随插随走，还各种便宜。推荐ture公司的，4G简直太快，价格比国内便宜多了~2.转换头或者插座。两个扁头的可以直接使用，比如苹果的充电器。当然带个两个扁头的插线板，就简直可以满足一家老小的各种需求了，实在太好用！3.充电宝。爱自拍、爱微信、手机随手都在玩耍的的宝宝必备。4.ipad或者kindle。ipad不说了，各种电影看看看，坐船坐车坐飞机号称“等待神器”。爱阅读的宝宝们，如果带个kindle当然更赞，边旅行边读书，提升内在气质，拍照都美一百倍！5.相机。如果随行带摄影师的宝宝们，或者自己拍摄技术好，可以带个单反。不满足以上条件的带个卡片就足够了，讲真，iphone 7 plus拍摄质量真心高，所以卡片都可以省。要冲浪或者下海的带个GO PRO咯。6.笔记本。这个完全看自己能不能用得上。不过度假还要办公的机会真心少，能用ipad或者手机解决就用它们。=======================不用带的东西篇======================1.防晒霜。国内防晒霜真心没法用，防晒度数不够。到了泰国再买，711和药店都有，品牌很多，不贵，防晒度数肯定够的。2.女宝宝就不用买卫生巾了。泰国的花王简直用的太好用了，711很容易买到。二小姐回国都用泰国的花王。3.驱蚊水。某些时候，会遇到泰国蚊子很多的情况，比如海岛之类的，所以，尽量去711买一瓶先！国内的驱蚊水基本上没有用咯~4.洗发水之类的。简直泰国太便宜了，又好用，快来买~5.电话卡。到了机场直接办一张，很多电信的柜台，便宜又好用，基本上都有中文菜单提供套餐供你选择的。国内淘宝购买的话，万一用不了就麻烦了。6.晕车药。这个真心不用带了，泰国药店买就好，又便宜又好用。长途汽车或者坐船都必备。特别是坐船，有些宝宝晕船简直太可怜了…
有什么好看的双肩包推荐一下？
暑假的夏日旅行有些人正在筹划中，有些人已经开始实施了，出游背双肩包既能装很多随身物品，也能给穿搭加分！出行的时候使用双肩包真的太方便了，东西再多，就往里面塞就好了，有不用担心东西会掉出来。不管走到哪里，双肩包就是那么能装！除了实用，双肩包还得要好看，颜值一样很重要。艾娃整理了一些有颜值耐打又好用的双肩包，可以自行搜索下，价格都标上咯！第一，红色双肩包亮眼的红色永远不过时，还非常学院风，北极狐的双肩包太百搭了，红色也没有那么艳，搭配的时候一样很好看。这种款式的背包，休闲装和裙装都可以hold住。第二，黄色双肩包明亮的黄色给人阳光灿烂的感觉，有很多卡通款式，充满童趣。这次整理黄色背包的时候，感觉心里突然长了敞亮了，从浅黄色到亮黄色到姜黄色，选择的范围还是蛮大的，印象比较深的是萝拉的那款背包，上面的印花好有趣。第三，紫色双肩包可盐可甜的紫色少男少女们穿搭必备，紫色是有点梦幻的颜色，而且紫色双肩包背的人不太多，它的色彩感比较强，最喜欢Anello那款。第四，粉色双肩包粉色是我最喜欢的颜色啦，甜美俏皮，非常适合少女学生党们！北极狐的粉色也好看。比较有个性的是puma的那款，是和芝麻街的联名合作款，辨识度好高。第五，蓝色双肩包蓝色的包包，背去旅游拍照真是再好不过了，特别小清新，男生女生都可以选。好多走的是拼色风格，看上去视觉色彩有点丰富。第六，绿色双肩包绿色是今年很受欢迎的颜色，有春天的感觉，也可以给燥热的夏天降降温。在大街上看到绿色的背包，眼镜会特别舒服，都说红绿配很土，耐克出的红绿双肩包，有没有觉得特别有趣，居然还有点可爱的感觉。第七，白色双肩包想要比较百搭一点，可以选择白色包包，怎么搭配衣服都不会出错！白色双肩包的唯一问题就是不耐脏，但是搭配是真的好看，可以根据自己的需要入。好了，以上关于好看的双肩包就分享到这，希望对你有所启发！真诚回答，需要你的点赞支持！关注我了解更多穿搭知识(〃’▽’〃)
你觉得苹果12哪款颜色最好？
根据外媒PhoneArena报导，传言全新iPhone 12不再采用近几代系列的柔和轮廓，而是采用锐利、方正的设计，因为明年是iPhone 4推出的第10周年，Apple也有可能会推出iPhone 4方正小巧的纪念款造型，让果粉收藏～除了机身以外，iPhone 12的镜头也可能会高达四颗或者更多，并且有最新的ToF飞时测距镜头开发技术，拍出来的成品会更加贴近真实并有精确的景深。而iPhone 12也可能不会是「无浏海」的全屏设计，因为如果要有全萤幕的功能，镜头就势必得减少了～而设计师 ＠techy_paradise 也透过专业技术建构出iPhone 12的3D模型，并介绍iPhone 12预计在明年的9月发布！颜色方面也有棱镜白、黑、绿、蓝及金丝雀黄和火烈鸟粉，还有陶瓷黑、陶瓷白等，可见iPhone 12绝对能满足喜欢各种特殊色彩的粉丝们！外媒PhoneArena也指出，玫瑰金是iPhone最受买家喜爱的颜色之一，而在iPhone 12 Pro也可能强势回归！光是听到消息，相信很多人已经想把手上的手机卖掉，换成好久不见的经典款玫瑰金！ （但编辑个人认为这个颜色更偏粉一点，少女感更强～）消息一波接一波，继充满少女感的玫瑰粉后，又传出新色「海军蓝」登场！ @EverythingApplePro 公开概念图，指出海军蓝将代替iPhone 11大受欢迎的夜幕绿，这静谧又沉稳的蓝让人感觉超舒服，你是不是也心动了呢？这两个颜色根本可以成为情侣机啊！此外，iPhone 12还提供3G、4G、5G的 Wifi蓝牙功能，在电池方面也更加升级，配备了功能强大的锂离子4465 mAh电池！ iPhone 12光是模型建构就那么有架势，让人更加期待明年新机发表，还在观望iPhone 11的朋友们不妨等明年iPhone 12推出后再来考虑要买哪一台啦！
艾肯、福克斯特、雅马哈、罗兰，吉他弹唱录音用哪一种声卡比较好？
福克斯、雅马哈、罗兰都还可以，我们的音乐制作录音用的是罗兰
在计算机视觉中，如何做到实时识别手写汉字？
随着手机、平板和可穿戴设备如智能手表的普及，手写识别比以往任何时候都更为重要。在这些移动设备上支持汉字手写识别需要大型的符号库，这提出了独特的挑战。这篇文章介绍了我们如何应对实现 iPhone，ipad 和 Apple Watch（Scribble 模式）优良实时性能带来的挑战。我们基于深度学习的识别系统能够精确地识别 30,000 个汉字。为了达到令人满意的精确性，我们特别关注数据采集条件，书写风格的代表性和训练方案。我们发现只要有合适的方法，即使更大型的符号库也是可以实现的。我们的实验表明，只要我们使用有足够质量和数量的训练数据，符号库增加带来的不精确性就会降低。引言手写识别可以增强移动设备的用户体验，特别是对于中文输入的用户，因为键盘打字有较高的复杂度。由于底层字符库的数量庞大，汉字手写识别带来了独一无二的挑战。不同于基于字母的文字，通常只涉及 100 个符号，中国国家标准 GB18030-2005 中的一组汉字字符包含了 27,533 个条目，除此之外还有很多在中国广泛使用的语标字符。为了计算方便，通常将重点放在那些日常生活中最有代表性的有限数量的字符上。这样一来，标准 GB2312-80 集仅包括 6,763 个条目（1 级 3755 个字符，二级 3008 个字符）。中国科学院自动化研究所建立的流行 CASIA 数据库中使用的紧密匹配的字符集共包含 7,356 个条目 [6]。SCUT-COUCH 数据库具有类似的覆盖 [8]。这些集合倾向于反映中国整体用户的常用字符。然而，在个人用户层面，「常用」因人而异。大多数人至少需要少数几个被认为是「不经常写」的字符，例如与他们相关的专有名词。因此，汉字手写识别算法的理想应用规模至少要达到 GB18030-2005 的水平。虽然早期的识别算法主要依赖于基于个体笔画分析的结构化方法，但在后来为实现笔画顺序独立性的需求引发了使用整体形状信息的统计学方法的兴趣 [5]。这显然使大量库存识别复杂化，因为正确的字符分类往往随着需要消除歧义的类别数量的增加而变得更加困难 [3]。在拉丁文的脚本任务如 MNIST [4] 中，卷积神经网络（CNN）很快就形成了 [11]。给定足够数量的培训数据，并根据需要补充合成样品，CNN 确实获得了最先进的结果 [1]，[10]。然而，这些研究中的类别数量非常少（10）。当我们开始研究中国汉字的大规模识别之前，CNN 似乎是显而易见的选择。但是，这种方法需要在保持嵌入式设备的实时性能的同时，将 CNN 扩展到大约三万个字符。本文重点介绍了在准确性，汉字覆盖率和书写风格的鲁棒性方面面临的挑战。系统配置我们在这个工作中采用的通用 CNN 架构与之前在 MNIST 任务的手写识别实验中使用的很相似（参见例子 [1]，[10]）。整个系统的配置如图 1 所示。图 1. 典型 CNN 架构（包含两个卷积和二次采样的连续阶段）输入是表示手写汉字的 48×48 像素的中分辨率图像（出于性能原因）。我们通过依次卷积和二次采样将此输入馈送到多个特征提取层。最后一个特征提取层通过完全连接层连接到输出。从一个卷积层到下一个卷积层，我们通过选择核的规模和特征图的数量导出越来越低质量的粒度的特征。我们使用 2×2 内核的最大池化层 [9] 进行二次采样。最后一个特征层通常包含大约 1000 个小特征图。最后，输出层每个类都有一个节点，例如 GB2312-80 的 1 级汉字数量为 3,755，而在扩展到全部库存时接近 30,000。作为参考，我们评估了以前谈论过的 CASIA 基准任务的 CNN 实现 [6]。虽然这个任务只涵盖一级汉字字符，但在文献中存在许多关于字符精度的参考结果（例如 [7] 和 [14]）。我们使用基于 CASIA-OLHWDB，DB1.0-1.2，分开训练集和测试数据集的相同设置 [6]，[7]，产生大约一百万个训练样本。请注意，考虑到我们的产品目标是不对 CASIA 的最高准确度进行调整。相反，我们的优先事项是模型大小，评估速度和用户体验。因此，我们选择了一种紧凑的跨越多种书写分格的健壮的实时系统，这些字体大多是倒笔字。问题进而转化成一种基于图像的识别方法，即使我们对在线数据集进行评估。如 [10]，[11] 中，我们补充了适度变形的实际观测值。表 1 显示了使用图 1 的 CNN 的结果，其中缩写「Hz-1」是指汉字一级数据库（3,755 个字符），「CR（n）」表示前 n 个字符识别精度。除了通常报道的前 1 位和前十位的精度外，我们还提到了前 4 位的精度，因为我们的用户界面旨在显示 4 位候选字符，前四位的准确度是我们系统用户体验的重要预测指标。表 1. 3,755 个字符的 CASIA 在线数据库的结果。标准训练，相关模型大小= 1MB表 1 中的数据与 [7] 和 [14] 中的在线结果相比，top-1 精度的平均值大约为 93％，top-10 精度平均为 98％。因此，虽然我们的 top-10 精度与文献一致，但我们的 top-1 精度略低。然而，相对于令人满意的 top-4 精度，必须有所平衡。甚至更重要的是，此模型尺寸（1 MB）比 [7] 和 [14] 中的任何对比系统都小。表 1 中的系统仅针对 CASIA 数据进行训练，不包括任何其他训练数据。我们也有兴趣使用 iOS 设备内部收集的其他训练数据。这些数据涵盖了更多种类的风格（参见下一节），并且每个字符包含更多的训练实例。表 2 报告了在同样的测试集与 3,755 个字符的上的结果，。表 2. 3,755 个字符的 CASIA 在线数据库的结果。增强训练，相关模型大小= 15MB尽管所产生的系统占用更大的内存空间（15 MB），但精度只稍有提高（top-4 精度高达 4％）。这表明，大体而言，测试集中出现的大多数风格的字符已经在 CASIA 训练集中完美覆盖。这也表明减少一些训练数据没有缺点：附加样式的存在对底层模型无害。扩大至 30K 个字符由于理想的「频繁书写」的字符集因人而异，所以大量用户需要大于 3,755 个字符的字符量。然而，选择哪一个字符并不那么简单。用 GB2312-80 编码定义简体中文，用 Big5，Big5E 和 CNS 11643-92 编码定义繁体中文字符涵盖范围很广（从 3,755 到 48,027 个汉字字符）。最近又有了 HKSCS-2008 编码，额外增加了 4,568 个字符，甚至可表示更多字符的 GB18030-2000 编码。我们希望确保用户能够以简体中文和繁体中文以及姓名，诗歌和其他常见符号，可视化符号和表情符号来进行日常通信。我们还希望支持拉丁语文本，用于避免音译偶尔出现的拉丁文产品或商品名称。我们遵循 Unicode 作为流行的国际字符编码标准，因为它几乎涵盖了所有上述标准。（请注意，扩展名为 B-D 的 Unicode 7.0 编码可以指定超过七十万个字符，并在考虑包含更多的字符）。因此，我们的字符识别系统集中在 GB18030-2005，HKSCS-2008，Big5E，核心 ASCII 的汉字部分，以及一组可视化符号和表情，总共约三万个字符，我们觉得这适用于大多数中国用户。选择基础字符集后，对用户实际使用的书写风格进行抽样至关重要。尽管有办法找到期望的书写风格（参见 [13]，但是仍存在许多区域差异，例如，（i）使用 U + 2EBF（艹）做基，或（ii）草书 U + 56DB（四）与 U + 306E（の）相比，渲染字体也可能导致混淆，因为有些用户希望以特定的风格呈现特定的字符，因为快速的输入会使字体潦草，往往会增加其辨认难度，例如 U + 738B（王）和 U + 4E94（五）之间，最后增加的国际化有时引发意想不到的冲突：例如 U + 4E8C（二）行文潦草时，可能与拉丁字符「2」和「Z」冲突。我们的原理是为用户提供从打印体到草书到无约束书写的全部可能的输入 [5]。为了覆盖尽可能多的变体，我们向大中华地区的几个地区的作家寻求数据。我们惊讶地发现，大多数用户从未见过多数生僻字。这种不熟悉由用户书写时犹豫，笔画顺序和其他书写问题导致，所有这些问题我们都要考虑进去。我们收集了来自不同年龄，性别以及各种教育背景的付费参与者的数据。得到的手写数据在许多方面是独一无二的：包括在 iOS 设备上的数以千计用户，用手指，而非手写笔，写出的小批量数据。这些数据的优点之一是，iOS 设备的采样会产生非常清晰的手写信号。我们发现很多种书写风格。图 2-4 以打印体，草书及无限制风格展示了字符「花」U+82B1 (花)图 2。印刷基不同的 U + 82b1（花）图 3。草书基不同的 U + 82b1（花）图 4。无限制基不同的 U + 82b1（花）事实上，在日常生活中，用户经常写得很快且不受约束，可能会导致书写潦草以及与正楷字体不太一样。相反，有时也会导致不同字符之间的混淆。图 5-7 显示了我们在数据中观察到的一些具体例子。请注意，具有足够的训练集对于区分草书变化尤为重要，如图 7 所示。图 5 不同的 U+7684 (的)图 6 不同的 U+4EE5 (以)图 7 U+738 (王) 和 U+4E94 (五) 形状类似根据前面讨论的指导原则，我们可以收集数千万个字符的实例作为训练集数据。在同一测试集上，将可识别字符数从 3,755 增加到约 30,000 之后，将上节中的 3,755 个字符系统与表 3 中的结果作对比。表 3 基于包含 30K 个字符的在线数据库 CASIA 的结果请注意，模型大小保持不变，因为表 2 的系统仅限于「Hz-1」字符集，但是实质相同。精确度按预期略有下降，因为覆盖范围大大增加了前面提到的额外的字符混淆，例如「二」与「Z」。比较表 1-3，你将看到 10 倍的覆盖率不会产生 10 倍的错误，或 10 倍的存储空间。实际上，随着模型大小的增加，错误的数量增加缓慢。因此，构建一个涵盖 3 万个字符，而不是 3,755 个字符的高精度汉字识别系统是可行且实用的。为了了解系统在整个 30,000 个字符中的运行情况，我们还对许多不同测试集进行了评估，这些测试集包含以各种样式编写的所有支持的字符。表 4 列出了平均结果。表 4。多个内部测试集的平均结果，包括所有书写风格的 30,000 个字符当然，表 3-4 中的结果是不可直接比较的，因为它们是在不同的测试集上获得的。尽管如此，他们表示，在整个字符库中，前 1 和前 4 个精度都在同一个可接受范围上。这是训练基本完成的结果。讨论由于表意文字报告组（IRG）不断提出来自各种来源的新增内容，Unicode 中的 CJK 字符总数（目前约为 75,000 [12]）可能会增加。诚然，这些字符变体将是十分罕见的（例如，历史人物的名称或诗歌）。不过，对于每个名字都含有这些罕见字符的人来说，这是很有意思的。那么，我们期望在未来如何处理更大的字符库呢？本文讨论的实验支持具有不同数量的训练数据集的基于训练和测试错误率的学习曲线 [2]。因此，我们可以通过更大的训练集来推断渐进的准确性，以及使用更多的字符集提升的效果。例如，考虑到表 1 和表 3 之间的 10 倍大的数据集和相应的（少于）2％的精度下降，我们可以推算出 100,000 个字符的数据集和相应增加的训练数据，达到 84％左右的 top-1 精度，和 97％左右的 top-10 精度是实际可行的（使用相同类型的架构）。总而言之，即使在包含了 30,000 个汉字的嵌入式设备上构建高精度的手写识别系统也是可行的。此外，只要有足够数量的高质量的训练数据来扩大数据集，准确性才会缓慢下降。这对未来更大的字符库的识别大有裨益。参考[1] D.C. Ciresan, U. Meier, L.M. Gambardella, and J. Schmidhuber, Convolutional Neural Network Committees For Handwritten Character Classification, in *11th Int. Conf. Document Analysis Recognition (ICDAR 2011)*, Beijing, China, Sept. 2011.[1] D.C. Ciresan, U. Meier, L.M. Gambardella, and J. Schmidhuber, Convolutional Neural Network Committees For Handwritten Character Classification, in *eleventh Int. Conf. Document Analysis Recognition (ICDAR twenty eleven)*, Beijing, China, Sept. twenty eleven.[2] C. Cortes, L.D. Jackel, S.A. Jolla, V. Vapnik, and J.S. Denker, Learning Curves: Asymptotic Values and Rate of Convergence, in *Advances in Neural Information Processing Systems (NIPS 1993)*, Denver, pp. 327–334, Dec. 1993.[2] C. Cortes, L.D. Jackel, S.A. Jolla, V. Vapnik, and J.S. Denker, Learning Curves: Asymptotic Values and Rate of Convergence, in *Advances in Neural Information Processing Systems (NIPS nineteen ninety three)*, Denver, pp. three hundred twenty seven–three hundred thirty four, Dec. nineteen ninety three.[3] G.E. Hinton and K.J. Lang, Shape Recognition and Illusory Conjunctions, in *Proc. 9th Int. Joint Conf. Artificial Intelligence, Los Angeles, CA*, pp. 252–259, 1985.[3] G.E. Hinton and K.J. Lang, Shape Recognition and Illusory Conjunctions, in *Proc. 9th Int. Joint Conf. Artificial Intelligence, Los Angeles, CA*, pp. two hundred fifty two – two hundred fifty nine, nineteen eighty five.[4] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, Gradient– based Learning Applied to Document Recognition, *Proc. IEEE*, Vol. 86, No. 11, pp. 2278–2324, Nov. 1998.[4] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, Gradient– based Learning Applied to Document Recognition, *Proc. IEEE*, Vol. eighty six, No. eleven, pp. two thousand two hundred seventy eight–two thousand three hundred twenty four, Nov. nineteen ninety eight.[5] C.-L. Liu, S. Jaeger, and M. Nakagawa, Online Recognition of Chinese Characters: The State-of-the-Art, *IEEE Trans. Pattern Analysis Machine Intelligence*, Vol. 26, No. 2, pp. 198–213, Feb. 2004.[5] C.-L. Liu, S. Jaeger, and M. Nakagawa, Online Recognition of Chinese Characters: The State-of-the-Art, *IEEE Trans. Pattern Analysis Machine Intelligence*, Vol. twenty six, No. 2, pp. one hundred ninety eight–two hundred thirteen, Feb. Two thouasand four.[6] C.-L. Liu, F. Yin, D.-H. Wang, and Q.-F. Wang, CASIA Online and Offline Chinese Handwriting Databases, in *Proc. 11th Int. Conf. Document Analysis Recognition (ICDAR 2011)*, Beijing, China, Sept. 2011.[6] C.-L. Liu, F. Yin, D.-H. Wang, and Q.-F. Wang, CASIA Online and Offline Chinese Handwriting Databases, in *Proc. eleventh Int. Conf. Document Analysis Recognition (ICDAR twenty eleven)*, Beijing, China, Sept. twenty eleven.[7] C.-L. Liu, F. Yin, Q.-F. Wang, and D.-H.Wang, ICDAR 2011 Chinese Handwriting Recognition Competition,in *11th Int. Conf. Document Analysis Recognition (ICDAR 2011)*, Beijing, China, Sept. 2011.[7] C.-L. Liu, F. Yin, Q.-F. Wang, and D.-H.Wang, ICDAR twenty eleven Chinese Handwriting Recognition Competition,in *eleventh Int. Conf. Document Analysis Recognition (ICDAR twenty eleven)*, Beijing, China, Sept. twenty eleven.[8] Y. Li, L. Jin , X. Zhu, T. Long, SCUT-COUCH2008: A Comprehensive Online Unconstrained Chinese Handwriting Dataset (ICFHR 2008), Montreal, pp. 165–170, Aug. 2008.[8] Y. Li, L. Jin , X. Zhu, T. Long, SCUT-COUCH2008: A Comprehensive Online Unconstrained Chinese Handwriting Dataset (ICFHR 2008), Montreal, pp. one hundred sixy five–one hundred seventy, Aug. two thousand eight.[9] K. Jarrett, K. Kavukcuoglu, M. Ranzato, and Y. LeCun, What is the Best Multi-stage Architecture for Object Recognition?, in *Proc. IEEE Int. Conf. Computer Vision (ICCV09)*, Kyoto, Japan, Sept. 2009.[9] K. Jarrett, K. Kavukcuoglu, M. Ranzato, and Y. LeCun, What is the Best Multi-stage Architecture for Object Recognition?, in *Proc. IEEE Int. Conf. Computer Vision (ICCV09)*, Kyoto, Japan, Sept. two thousand nine.[10] U. Meier, D.C. Ciresan, L.M. Gambardella, and J. Schmidhuber, Better Digit Recognition with a Committee of Simple Neural Nets, in *11th Int. Conf. Document Analysis Recognition (ICDAR 2011)*, Beijing, China, Sept. 2011.[ten] U. Meier, D.C. Ciresan, L.M. Gambardella, and J. Schmidhuber, Better Digit Recognition with a Committee of Simple Neural Nets, in *eleventh Int. Conf. Document Analysis Recognition (ICDAR twenty eleven)*, Beijing, China, Sept. twenty eleven.[11] P.Y. Simard, D. Steinkraus, and J.C. Platt, Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis, in *7th Int. Conf. Document Analysis Recognition (ICDAR 2003)*, Edinburgh, Scotland, Aug. 2003.[eleven] P.Y. Simard, D. Steinkraus, and J.C. Platt, Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis, in *7th Int. Conf. Document Analysis Recognition (ICDAR two thousand three)*, Edinburgh, Scotland, Aug. two thousand three.[12] Unicode, Chinese and Japanese, http://www.unicode.org/faq/han_cjk.html, 2015.[twelve] Unicode, Chinese and Japanese,http://www.unicode.org/faq/han_cjk.html, twenty fifteen.[13] F.F. Wang, Chinese Cursive Script: An Introduction to Handwriting in Chinese, Far Eastern Publications Series, New Haven, CT: Yale University Press, 1958.[thirteen] F.F. Wang, Chinese Cursive Script: An Introduction to Handwriting in Chinese, Far Eastern Publications Series, New Haven, CT: Yale University Press, nineteen fifty eight.[14] F. Yin, Q.-F. Wang, X.-Y. Xhang, and C.-L. Liu, ICDAR2013 Chinese Handwriting Recognition Competition, in *11th Int. Conf. Document Analysis Recognition (ICDAR 2013)*, Washington DC, USA, Sept. 2013.
