本固件为EC6108V9 CA高安版！ CA高安版！ CA高安版！ 请不要尝试刷入pub版机器，也不要进入recovery模式进行升级，否则变“砖”！确认机器系统是不是CA版，请以系统设置查看设备信息为准，不要看机器背后印制的型号是EC6108V9C就误以为是CA版机器。

固件刷机方法：确认自己的机器为CA版后拆机，将下载到的压缩包文件夹中的5个文件解压到U盘根目录，U盘插在机顶盒上；短接机顶盒J15或J16点机器通电进行“救砖式”刷机，出现机器人再松开直到刷机完成！

文件：590m.com/f/25127180-500472003-2becc5（访问密码：551685）

以下内容无关：

-------------------------------------------分割线---------------------------------------------

今天我们一起来学习使用非常广泛的分类算法：逻辑回归，是的，你没有看错，虽然它名字里有回归，但是它确实是个分类算法，作为除了感知机以外，最最最简单的分类算法，下面我们把它与感知机对比来进行学习；

从决策边界上看 感知机：决策边界就是类别的分界线，处于错误一侧的点即为分类错误点； 逻辑回归：决策边界表示分为正类和负类均为50%，数据点被分为正类的概率直观上由其到决策边界的距离决定； 以上，对于数据中的噪声，假设噪声点实际为负类，但是被分到正类一侧，如果是感知机，则无法判断，而逻辑回归以概率为基础，如果该噪声点实际被分为正类的概率仅为52%，那么实际上它属于负类的可能性也很大，即逻辑回归认为数据的产生是有一定随机性的，相比于简单的0或1，概率值更能表现其实际情况；

输出函数 从决策边界可知，感知机的输出∈{+1,-1}，而逻辑回归的输出为0~1的概率值：

感知机使用sign作为输出函数：sign(wx+b) 逻辑回归使用sigmoid作为概率输出函数：sigmoid(wx+b)，sigmoid=1/(1+e^-z)，这里z=wx+b，可以看到当z=0时，也就是处于决策边界时，此时sigmoid= 0.5，也就是50%，除此之外，z越大，sigmoid输出越大，可以认为越有可能是正类，反之即为负类，且可以通过极限推导sigmoid区间为(0,1)； 如何看待逻辑回归选择Sigmoid作为概率输出函数呢，可以从以下几个点来理解：

sigmoid自身性质： 输入是整个实数域，输出是(0,1)，输出不包含0和1，使得对于机器学习仅使用整体的一部分作为样本进行训练的场景，很适合处理未出现在样本集中的类别； 图像曲线对于两侧极值不敏感，二分类的输出符合伯努利分布，输入一般认为符合正态分布，图像曲线也符合这一点； 易于求导，sigmoid函数的导数为S(wx+b)*(1-S(wx+b))，参数优化过程基本就是求导过程，因此易于求导很重要； 贝叶斯概率推导： sigmoid函数可以由伯努利、正态分布+贝叶斯全概率公式推导得到； 损失函数 感知机：yi∗sign(w∗xi+b)，yi∈{-1,+1}，模型分类正确返回值为+1，错误返回值为-1，对所有样本进行求和即可得到score值； 逻辑回归：ln(1+e−(yi∗wxi))，yi∈{-1,+1}，模型分类正确返回值>=0，错误返回值