语义通信经典文章DeepSC：Deep Learning Enabled Semantic Communication Systems

相关文章

• Deep Learning-学习笔记

  deep learning训练过程 如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合（因为深度网络的神经元和参数太多了）。 2006年，hinton提出了在非监督数据上建立多层神经网络的一个有效方法，

  2024年02月12日

  浏览(28)
• 

  deep learning 代码笔记

  len (X)总是返回第0轴的长度。 What are the shapes of summation outputs along axis 0, 1, and 2? f ( x ) = ||  x||   2 的梯度 自动微分法计算： 因此，梯度是x的单位向量。在x = 0处的梯度在数学上是未定义的，但是自动微分返回零。要小心，在这种情况下可能会出现差异。 默认情况下，最后一

  2024年02月21日

  浏览(32)

• The Deep Learning AI for Environmental Monitoring——Deep

  作者：禅与计算机程序设计艺术 环境监测是整个经济社会发展的一个重要环节，环境数据是影响经济、金融、社会和政策走向的不可或缺的组成部分。目前，环境监测主要依靠地面站（例如气象台）或者卫星遥感影像获取的数据进行实时监测，其精确度受到数据源和采集技术

  2024年02月08日

  浏览(34)
• 

  Tips for Deep Learning

  目录 Recipe of Deep Learning  Good Results on Training Data？ New activation function Adaptive learning rate Good Results on Testing Data？ Early Stopping Regularization Dropout 我们要做的第一件事是，提高model在training set上的正确率，然后要做的事是，提高model在testing set上的正确率。 这一部分主要讲述如何在

  2024年02月05日

  浏览(33)
• 

  《Dive into Deep Learning》

  《Dive into Deep Learning》：https://d2l.ai/ Interactive deep learning book with code, math, and discussions Implemented with PyTorch, NumPy/MXNet, JAX, and TensorFlow Adopted at 500 universities from 70 countries 《动手学深度学习》中文版：https://zh.d2l.ai/chapter_preface/index.html 课程安排： https://courses.d2l.ai/zh-v2/

  2024年02月11日

  浏览(36)

• 《Learning to Reweight Examples for Robust Deep Learning》笔记

  [1] 用 meta-learning 学样本权重，可用于 class imbalance、noisy label 场景。之前对其 (7) 式中 ϵ i , t = 0 epsilon_{i,t}=0 ϵ i , t ​ = 0 （ 对应 Algorithm 1 第 5 句、代码 ex_wts_a = tf.zeros([bsize_a], dtype=tf.float32) ）不理解：如果 ϵ epsilon ϵ 已知是 0，那 (4) 式的加权 loss 不是恒为零吗？(5) 式不是

  2024年01月23日

  浏览(79)
• 

  AIGC实战——深度学习 (Deep Learning, DL)

  深度学习 ( Deep Learning , DL ) 是贯穿所有生成模型 ( Generative Model ) 的共同特征，几乎所有复杂的生成模型都以深度神经网络为核心，深度神经网络能够学习数据结构中的复杂关系，而不需要预先提取数据特征。在本节中，我们将介绍深度学习基本概念，并利用 Keras 构建深度神

  2024年02月08日

  浏览(31)
• 

  可信深度学习Trustworthy Deep Learning相关论文

  Survey An Overview of Catastrophic AI Risks. [paper] Connecting the Dots in Trustworthy Artificial Intelligence: From AI Principles, Ethics, and Key Requirements to Responsible AI Systems and Regulation. [paper] A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy. [paper] Adversarial Machine Learning: A Systemati

  2024年02月13日

  浏览(29)
• 

  Modeling Deep Learning Accelerator Enabled GPUs

  Modeling Deep Learning Accelerator Enabled GPUs 发表在 ISPASS 2019 上。文章研究了 NVIDIA 的 Volta 和 Turing 架构中张量核的设计，并提出了 Volta 中张量核的架构模型。 基于 GPGPU-Sim 实现该模型，并且支持 CUTLASS 运行。发现其性能与硬件非常吻合，与 Titan V GPU 相比，获得了99.6%的 IPC 相关性。

  2024年02月08日

  浏览(30)

• labml.ai Deep Learning Paper Implementations

  labml.ai Deep Learning Paper Implementations github地址：https://github.com/labmlai/annotated_deep_learning_paper_implementations 可视化网站：https://nn.labml.ai/ 来自B站

  2024年02月12日

  浏览(34)