对应的问题：在用tensorflow构造自己的损失函数时，经常会涉及到复杂的矩阵乘法。而这些矩阵乘法本来并不复杂， 比如只是简单的 维度为A×BA\times BA×B 的矩阵 X\mathbf{X}X 和 维度为 B×CB\times CB×C的矩阵Y\mathbf{Y}Y相乘。 但是由于在深度学习中需要利用并行计算来加快速度，因此在包括keras等框架下，都会多出一维batch维度。 这极大.

看到网上许多手动下载后导入的方法。无疑，耗时耗力，远不如python自动下载来的舒服。事实上，只需要将VPN开为全局模式，即可正常快速下载数据集了。...

本方法优点不需要逐个自己安装cuda， cudnn甚至vs2015等坑爹玩意不会直接在自己电脑上装cuda，防止各种路径混乱之类。可以多个cuda兼容操作可以完美的在不影响已有tf1.0系列的情况下，完美使用tf2.0对于绝大部分读者，第一条已经是足够的理由了，毕竟现在大部分的博客攻略还是大费周章的。准备工作以我电脑为例，但本方法绝对不限于此种配置系统Windows 10, ...

前言Courant-Fischer min-max theorem 是特征值极为重要的一个性质。 但是国内的各种教材资料包括博客上都很少提及。 我自己在科研中曾经用到过。 近期又碰到了另一个精彩的结论 韦尔定理（Wely theorem），有一个应用极大极小定理的简洁美妙的证明。 因此， 这篇博文写一下这个不容忽视的定理。极大极小定理首先，本定理针对的是Hermitian 矩阵， 即共轭对称矩阵。

在进入5G热门研究技术：混合波束赋形的介绍之前， 笔者想先以这篇文章深入浅出的介绍5G，大规模MIMO以及波束赋形等概念的直观理解。旨在用最浅显的语言，尽可能让零基础的读者也能轻易的掌握其本质，从而为后续对最新混合波束赋形算法的讨论打下坚实的基础。

前言之前忙于论文， 停更了很久。 接下来的一段时间，出于各种原因， 决定在CSDN平台上做 最近在 混合波束成形 及 智能反射面 领域 非常常见的流形优化 (Manifold Optimization) 算法 的专题介绍。尽管目前已有了不少的中文博客， 但出于其各种弊端， 使得本篇的成文仍有其不可或缺的意义。而如果要盘点最核心的意义， 就在于这篇是对读者的 数学能力 与 阅读理解能力 要求最低的

前言今天提交EDAS论文，发现现在的格式要求愈发严格，即使按照给定的latex模板提交，仍然报错了，差不多是这样：问题Upload failed: The top margin is 0.691 in on pages 4 and 5, which is below the required margin of 0.7 in.这个报错：Upload failed: The top margin i

开门见山应对过拟合最后的结论：增大数据集若训练集性能下滑， 增大网络深度考虑使用卷积神经网络， 相比于dense层，参数更少，更易收敛优化。前因后果由于我是使用深度神经网络来处理通信中的一些优化问题，更偏向于理论方面，因此在深度学习的应用中相比其他领域有着得天独厚的优势：根据已有模型（如信道模型等）可以无限地生成样本数据。也就是说，不考虑复杂度方面的问题，我的训练集可以无限大。过...

本文地址：ComNet: Combination of Deep Learning and Expert Knowledge in OFDM Receivers文章目录前言文章中心思想全文概览系统模型训练流程仿真结果前言深度通信网络专栏: 快速上手： 2018-2019年最新深度学习用于无线通信（物理层）的论文整理，附论文核心思想总结与代码分析。一点拙见，如有偏颇，望不吝赐教，顺颂时祺...

面向致力于传统通信结合深度学习的科研工作者的全网最优入门指南。文章目录前言硬件配置硬件清单推荐：环境配置工具推荐IDE前言随着深度学习浪潮的席卷，许多科研人员开始思考传统通信与深度学习的结合。然而习惯了Matlab下的仿真， python编程环境及各式框架的眼花缭乱成为了第一步的拦路虎。 笔者希望谨以此文， 帮助所有初次涉足这一领域的人避开各种坑和无谓的困扰，最简易上手， 快速复现经典著...