目前主要研究机器学习和通信方面的结合。

必读的论文（被多次引用的论文）是：An Introduction to Deep Learning for the Physical Layer ，这篇文章阐述了很多深度学习在通信中的应用，如端对端学习，调制模式识别。一个疑问是：端对端学习的意义是？进行仿真实验吗？能利用这个进行降噪处理吗？接收端反馈到发送端的梯度值在实际系统中如何实现？

读了一些更具体的应用，包括进行端对端学习的神经网络构架，包括（收端的监督学习和发端的强化学习交替进行，信道的GAN模型），一个疑问是：为什么发送端的学习需要接收端的输出误差作为反馈，而不是发送端的输出数据？发送端，信道，接收端，这些模块输入输出的数据，到底哪些是已知的，哪些是未知的？

看了一些李宏毅的机器学习（GAN方面）的视频，了解了基本的框架和算法，还没有实践，其主要应用于图像的处理，

• 例1：由一个向量生成二次元人物的图片，需要使用generator和discriminator相互竞争（交替更新参数）的思路，使discriminator（一个NN模型）经过训练后，能区分真实图片库里的图片和generator生成的假图片；而generator经过训练后能够生成和真实图片非常相似的图片，骗过discriminator的评分机制。
• 例2：条件GAN，即由所给的条件向量生成想要的图片，关键是利用自动编码机（auto-encoder）生成图片的编码（每个码代表图片的一种特征，如人物的发色，肤色），由这个编码可以生成一张图片。
• 例3：非监督学习。即没有label的数据。如将一堆照片转化成梵高风格的画，具体的GAN构架不变，但关键在于discriminator的评分标准中添加了一项，不光是判断generator生成的图是否与梵高的画的风格一致，还要判断这张图是否与原照片一致。具体如何实现，还得看一下视频讲解。

看论文越看越糊涂，效率也很低，实践还没开始。还是要在耕种的季节努力耕种。

今天的目标：再看两篇论文