国庆第一天 读论文

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/bananashoes/article/details/82916577

 目前主要研究机器学习和通信方面的结合。

必读的论文(被多次引用的论文)是:An Introduction to Deep Learning for the Physical Layer ,这篇文章阐述了很多深度学习在通信中的应用,如端对端学习,调制模式识别。一个疑问是:端对端学习的意义是?进行仿真实验吗?能利用这个进行降噪处理吗?接收端反馈到发送端的梯度值在实际系统中如何实现?

读了一些更具体的应用,包括进行端对端学习的神经网络构架,包括(收端的监督学习和发端的强化学习交替进行,信道的GAN模型),一个疑问是:为什么发送端的学习需要接收端的输出误差作为反馈,而不是发送端的输出数据?发送端,信道,接收端,这些模块输入输出的数据,到底哪些是已知的,哪些是未知的?

看了一些李宏毅的机器学习(GAN方面)的视频,了解了基本的框架和算法,还没有实践,其主要应用于图像的处理,

  • 例1:由一个向量生成二次元人物的图片,需要使用generator和discriminator相互竞争(交替更新参数)的思路,使discriminator(一个NN模型)经过训练后,能区分真实图片库里的图片和generator生成的假图片;而generator经过训练后能够生成和真实图片非常相似的图片,骗过discriminator的评分机制。
  • 例2:条件GAN,即由所给的条件向量生成想要的图片,关键是利用自动编码机(auto-encoder)生成图片的编码(每个码代表图片的一种特征,如人物的发色,肤色),由这个编码可以生成一张图片。
  • 例3:非监督学习。即没有label的数据。如将一堆照片转化成梵高风格的画,具体的GAN构架不变,但关键在于discriminator的评分标准中添加了一项,不光是判断generator生成的图是否与梵高的画的风格一致,还要判断这张图是否与原照片一致。具体如何实现,还得看一下视频讲解。

看论文越看越糊涂,效率也很低,实践还没开始。还是要在耕种的季节努力耕种。

今天的目标:再看两篇论文

展开阅读全文

没有更多推荐了,返回首页