关于plt.cm.Spectral – XuShuai – CSDN博客 https://blog.csdn.net/robin_Xu_shuai/article/details/79178857

大部队还没到，我的福冈之行就结束了，好多朋友还没见到。第一次来个workshop only，还省掉了不少注册费[呲牙]
分享下我对机器学习用于光通信的一些观点：
1. 机器学习只是实现人工智能的工具之一，我们用这个工具来解决光通信的一些重要问题，主要是以前的手段不能解决或解决得不好的问题。我们做光通信，不是做人工智能。
2.神经网络用作信道均衡时，训练用的数据选择仍然是大家共同关注的热点话题。我的观点是用 matlab生成的随机数训练即可，然后用两个不相关的随机数序列做测试比对，确保神经网络没有过拟合就行，不用刻意关注使用的随机数序列是否真随机。
3.神经网络主要优势在于非线性均衡，纯线性信道均衡没必要使用神经网络。
4.对接入网应用场景，神经网络主要用于解决器件非线性，重点是不增加神经网络复杂度的基础上提升系统性能，判决反馈神经网络DFNN是个不错的技术。
5.对长距传输场景，神经网络主要用于解决光纤非线性。最大限度补偿光纤非线性至关重要，复杂度可先放在一边。端到端神经网络E2ENN可通过端到端信道学习到最佳星座图，性能大大优于接收端神经网络均衡，是未来方向。

ICML亮点论文：随机优化算法的证明以及在架构搜索上的应用http://t.zijieimg.com/rTcTaa/

DeepLearing学习笔记-Planar data classification with one hidden layer(第三周作业)

Planar data classification with one hidden layer v5

1. https://blog.csdn.net/qq_19784349/article/details/78982796
2. https://blog.csdn.net/colourful_sky/article/details/79164720

1. https://blog.csdn.net/u013108511/article/details/79016939

2. http://open.163.com/movie/2010/11/1/G/M6V0BQC4M_M6V2B5R1G.html

https://www.cnblogs.com/charlotte77/p/5629865.html

BP神经网络(反向传播)详细推导 _ Cowry 

https://cowry5.com/2018/05/21/180521-BP%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C(%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD)%E8%AF%A6%E7%BB%86%E6%8E%A8%E5%AF%BC/