数据获取、模型训练、图片上传、图片识别．

用户投诉预测模型能有效地降低电信用户投诉率，对企业提高用户满意度和竞争力有着至关重要的作用。在模型训练过程中，由于人工设计特征的缺陷和设计过程中存在难以预估的复杂性，使得模型预测的精度和设计特征的效率不能有很大的提升。针对上述问题，提出了一种基于深度学习的用户投诉预测模型。该模型通过深层网络特征学习单元能从电信用户原始数据中自动学习到适合分类器分类的高层非线性组合特征，并将这些高层特征输入到传统分类器中来提高模型的精度。通过实验结果分析，预测模型在AUC指标上比以往用户投诉模型提升了7.1%，证明了该模型自动学习特征的有效性和深度学习在电信大数据领域的可用性。

深度神经网络3D可视化工具 Zetane，windows版本

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 |