针对6G时代将会是移动通信与人工智能紧密结合的时代，产生数量庞大的边缘智能信号处理节点的趋势，提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先，通过绘制电磁信号的星座图将电磁信号具象为二维图像，并根据归一化点密度对星座图上色以实现特征增强；然后，使用二值化深度神经网络对其进行识别，在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证，实验选取常用的8种数字调制信号，选择加性高斯白噪声为信道环境。实验结果表明，所提方案可以在信噪比为-6～6 dB的噪声条件下获得96.1%的综合识别率，网络模型大小仅为166 KB，部署于树莓派4B的执行时间为290 ms，相比于同规模的全精度网络，准确率提升了0.6%，模型缩减到

Opencv使用Fast Neural Style实现图像风格迁移，Opencv代码实现，Python语言实现

第7课 强化学习中的深度Q网络(DQN)

基于深度神经网络的交通灯检测算法研究与实现，张逸凡，傅慧源，交通灯检测技术是自动驾驶系统的重要组成部分，但是传统方法的交通灯检测技术存在准确率低，算法速度慢等弊端。基于深度神经网络

本文通过考虑深度在特征提取和泛化中的作用，研究了深度网络的理论优势。主要贡献是四个。首先，在相同的容量成本下 (通过覆盖数量)，我们证明了深网在提取组结构特征方面优于浅网。其次，我们证明了深remu网是提取平滑度特征的最佳工具之一。第三，我们严格证明了特征对深度和反之的适应性，从而得出了在深度网络上实现经验风险最小化的最佳学习率。最后，我们进行了广泛的数值实验，包括玩具模拟和真实数据验证，以显示深度网络在特征提取和泛化方面的出色表现。所有这些结果为深度学习的成功提供了合理的解释，并为使用深度网络提供了坚实的指导。在本文中，我们仅考虑回归问题中的深度选择。为分类制定类似的结论将是有趣且重要的。我们将考虑这个主题，并在以后的研究中报告进展。

最初的版本P_human、蒙特卡洛树搜索、P_human和蒙特卡洛树搜索结合、左右互搏，增强学习、价值网络、深度神经网络+蒙特卡洛搜索树+价值网络

DQN-PyTorch 实现PyTorch 目录： 项目结构： ├── agents | └── dqn.py # the main training agent for the dqn ├── graphs | └── models | | └── dqn.py | └── losses | | └── huber_loss.py # contains huber loss definition ├── datasets # contains all dataloaders for the project ├── utils # utilities folder containing input extraction, replay memory, config parsing, etc | └── assets | └── replay_memory.py |

主要为大家详细介绍了python构建深度神经网络DNN，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

针对单目深度估计网络庞大的参数量和计算量，提出一种轻量金字塔解码结构的单目深度估计网络，可以在保证估计精度的情况下降低网络模型的复杂度、减少运算时间。该网络基于编解码结构，以端到端的方式估计单目图像的深度图。编码端使用ResNet50网络结构；在解码端提出了一种轻量金字塔解码模块，采用深度空洞可分离卷积和分组卷积以提升感受野范围，同时减少了参数量，并且采用金字塔结构融合不同感受野下的特征图以提升解码模块的性能；此外，在解码模块之间增加跳跃连接实现知识共享，以提升网络的估计精度。在NYUD v2数据集上的实验结果表明，与结构注意力引导网络相比，轻量金字塔解码结构的单目深度估计网络在误差RMS的指标上降低约11.0%，计算效率提升约84.6%。

中文翻译：Architecture Design for Highly Flexible and Energy-Efficient Deep Neural Network Accelerators (翻译结果) 这个是我付费翻译的，但是也难免有些许错误。可以先看看摘要的翻译效果。 摘要 深度神经网络(DNNs)是现代人工智能(AI)的支柱。然而，由于其高计算复杂度和多样化的形状和尺寸，能够在广泛的dnn上实现高性能和能源效率的专用加速器对于使AI在现实世界的应用至关重要。为解决这个问题，本文提出Eyeriss，一种用于DNN处理的软硬件架构联合设计，针对性能、能源效率和灵活性进行了优化。Eyeriss具有一种新颖的RowStationary (RS)数据流，可在处理DNN时最小化数据移动，这是性能和能效的瓶颈。RS数据流支持高度并行处理，同时充分利用多级存储层次中的数据重用，以优化任何DNN形状和大小的整体系统能量效率。与现有的其他数据流相比，rs数据流的能量效率提高了1.4到2.5倍。