这是对单个文件进行预测“import os import json import torch from PIL import Image from torchvision import transforms import matplotlib.pyplot as plt from model import convnext_tiny as create_model def main(): device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(f"using {device} device.") num_classes = 5 img_size = 224 data_transform = transforms.Compose( [transforms.Resize(int(img_size * 1.14)), transforms.CenterCrop(img_size), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) # load image img_path = "../tulip.jpg" assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path) img = Image.open(img_path) plt.imshow(img) # [N, C, H, W] img = data_transform(img) # expand batch dimension img = torch.unsqueeze(img, dim=0) # read class_indict json_path = './class_indices.json' assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path) with open(json_path, "r") as f: class_indict = json.load(f) # create model model = create_model(num_classes=num_classes).to(device) # load model weights model_weight_path = "./weights/best_model.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() with torch.no_grad(): # predict class output = torch.squeeze(model(img.to(device))).cpu() predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.title(print_res) for i in range(len(predict)): print("class: {:10} prob: {:.3}".format(class_indict[str(i)], predict[i].numpy())) plt.show() if __name__ == '__main__': main()”,改为对指定文件夹下的左右文件进行预测,并绘制混淆矩阵

时间: 2024-03-23 15:38:17 浏览: 63
好的,你的问题是如何将上述代码修改为对指定文件夹下的所有文件进行预测,并绘制混淆矩阵。 要实现这个功能,你需要进行以下几个步骤: 1. 导入必要的包: ```python import os import json import torch from PIL import Image from torchvision import transforms from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import numpy as np from model import convnext_tiny as create_model ``` 2. 定义函数 `predict_folder`,用于对指定文件夹下的所有文件进行预测: ```python def predict_folder(folder_path, model_weight_path, json_path, img_size, num_classes, device): data_transform = transforms.Compose([ transforms.Resize(int(img_size * 1.14)), transforms.CenterCrop(img_size), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # read class_indict with open(json_path, "r") as f: class_indict = json.load(f) # create model model = create_model(num_classes=num_classes).to(device) # load model weights model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() y_true = [] y_pred = [] for root, dirs, files in os.walk(folder_path): for file in files: img_path = os.path.join(root, file) assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path) img = Image.open(img_path) # [N, C, H, W] img = data_transform(img) # expand batch dimension img = torch.unsqueeze(img, dim=0) with torch.no_grad(): # predict class output = torch.squeeze(model(img.to(device))).cpu() predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() y_true.append(class_indict[os.path.basename(root)]) y_pred.append(predict_cla) return y_true, y_pred ``` 这个函数接受五个参数: - `folder_path`:要预测的文件夹路径。 - `model_weight_path`:模型权重文件路径。 - `json_path`:类别标签文件路径。 - `img_size`:输入图片的大小。 - `num_classes`:分类器的类别数。 - `device`:设备类型。 函数会返回两个列表 `y_true` 和 `y_pred`,分别代表真实标签和预测标签。 3. 加载类别标签: ```python json_path = './class_indices.json' assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path) with open(json_path, "r") as f: class_indict = json.load(f) ``` 4. 调用 `predict_folder` 函数进行预测: ```python folder_path = './test' assert os.path.exists(folder_path), "folder: '{}' dose not exist.".format(folder_path) y_true, y_pred = predict_folder(folder_path, "./weights/best_model.pth", json_path, 224, 5, device) ``` 这里假设要预测的文件夹路径为 `./test`,模型权重文件路径为 `./weights/best_model.pth`,输入图片大小为 224,分类器的类别数为 5。 5. 绘制混淆矩阵: ```python cm = confusion_matrix(y_true, y_pred) fig, ax = plt.subplots() im = ax.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues) ax.figure.colorbar(im, ax=ax) ax.set(xticks=np.arange(cm.shape[1]), yticks=np.arange(cm.shape[0]), xticklabels=list(class_indict.values()), yticklabels=list(class_indict.values()), title='Confusion matrix', ylabel='True label', xlabel='Predicted label') plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor") fmt = 'd' thresh = cm.max() / 2. for i in range(cm.shape[0]): for j in range(cm.shape[1]): ax.text(j, i, format(cm[i, j], fmt), ha="center", va="center", color="white" if cm[i, j] > thresh else "black") fig.tight_layout() plt.show() ``` 这里使用了 `sklearn.metrics` 中的 `confusion_matrix` 函数进行混淆矩阵的计算。然后使用 `matplotlib` 绘制混淆矩阵图像。

相关推荐

这是对单个文件进行预测“import os import json import torch from PIL import Image from torchvision import transforms import matplotlib.pyplot as plt from model import convnext_tiny as create_model def main(): device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(f"using {device} device.") num_classes = 5 img_size = 224 data_transform = transforms.Compose( [transforms.Resize(int(img_size * 1.14)), transforms.CenterCrop(img_size), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) # load image img_path = "../tulip.jpg" assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path) img = Image.open(img_path) plt.imshow(img) # [N, C, H, W] img = data_transform(img) # expand batch dimension img = torch.unsqueeze(img, dim=0) # read class_indict json_path = './class_indices.json' assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path) with open(json_path, "r") as f: class_indict = json.load(f) # create model model = create_model(num_classes=num_classes).to(device) # load model weights model_weight_path = "./weights/best_model.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() with torch.no_grad(): # predict class output = torch.squeeze(model(img.to(device))).cpu() predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.title(print_res) for i in range(len(predict)): print("class: {:10} prob: {:.3}".format(class_indict[str(i)], predict[i].numpy())) plt.show() if name == 'main': main()”,改为对指定文件夹下的左右文件进行预测,并绘制混淆矩阵,

修改import torch import torchvision.models as models vgg16_model = models.vgg16(pretrained=True) import torch.nn as nn import torch.nn.functional as F import torchvision.transforms as transforms from PIL import Image # 加载图片 img_path = "pic.jpg" img = Image.open(img_path) # 定义预处理函数 preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 预处理图片,并添加一个维度(batch_size) img_tensor = preprocess(img).unsqueeze(0) # 提取特征 features = vgg16_model.features(img_tensor) import numpy as np import matplotlib.pyplot as plt def deconv_visualization(model, features, layer_idx, iterations=30, lr=1, figsize=(10, 10)): # 获取指定层的输出特征 output = features[layer_idx] # 定义随机输入张量,并启用梯度计算 #input_tensor = torch.randn(output.shape, requires_grad=True) input_tensor = torch.randn(1, 3, output.shape[2], output.shape[3], requires_grad=True) # 定义优化器 optimizer = torch.optim.Adam([input_tensor], lr=lr) for i in range(iterations): # 将随机张量输入到网络中,得到对应的输出 model.zero_grad() #x = model.features(input_tensor) x = model.features:layer_idx # 计算输出与目标特征之间的距离,并进行反向传播 loss = F.mse_loss(x[layer_idx], output) loss.backward() # 更新输入张量 optimizer.step() # 反归一化 input_tensor = (input_tensor - input_tensor.min()) / (input_tensor.max() - input_tensor.min()) # 将张量转化为numpy数组 img = input_tensor.squeeze(0).detach().numpy().transpose((1, 2, 0)) # 绘制图像 plt.figure(figsize=figsize) plt.imshow(img) plt.axis("off") plt.show() # 可视化第一层特征 deconv_visualization(vgg16_model, features, 0)使其不产生报错IndexError: tuple index out of range

import torch import torch.nn.functional as F from skimage.segmentation import slic, mark_boundaries import torchvision.transforms as transforms import numpy as np from PIL import Image import matplotlib.pyplot as plt # 加载图像 image = Image.open('3.jpg') # 转换为 PyTorch 张量 transform = transforms.ToTensor() img_tensor = transform(image).unsqueeze(0) # 将 PyTorch 张量转换为 Numpy 数组 img_np = img_tensor.numpy().transpose(0, 2, 3, 1)[0] # 使用 SLIC 算法生成超像素标记图 segments = slic(img_np, n_segments=60, compactness=10) # 可视化超像素索引映射 plt.imshow(segments, cmap='gray') plt.show() # 将超像素索引映射可视化 segment_img = mark_boundaries(img_np, segments) # 将 Numpy 数组转换为 PIL 图像 segment_img = Image.fromarray((segment_img * 255).astype(np.uint8)) # 保存超像素索引映射可视化 segment_img.save('segment_map.jpg') # 定义超像素池化函数 def superpixel_pooling(feature_map, segments): # 获取超像素数量和特征维度 n_segments = np.unique(segments).size n_channels = feature_map.shape[0] # 初始化超像素特征 pooled_features = torch.zeros((n_segments, n_channels)) # 对每个超像素内的像素特征进行聚合 for segment_id in range(n_segments): mask = (segments == segment_id).reshape(-1, 1, 1) pooled_feature = (feature_map * mask.float()).sum(dim=(1, 2)) / mask.sum() pooled_features[segment_id] = pooled_feature return pooled_features # 进行超像素池化 pooled_features = superpixel_pooling(img_tensor, segments) # 可视化超像素特征图 plt.imshow(pooled_features.transpose(0, 1), cmap='gray') plt.show(),上述代码出现问题:AttributeError: 'numpy.ndarray' object has no attribute 'float'

import numpy as np import pandas as pd import matplotlib.pyplot as plt import PIL import torch from torchvision import transforms import torchvision #调用已经训练好的FCN语义分割网络 model = torchvision.models.segmentation.fcn_resnet101(pretrained=True) model.eval() #读取照片 image=PIL.Image.open('1234.jpg') #照片进行预处理 image_transf=transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]) ] ) image_tensor=image_transf(image).unsqueeze(0) output=model(image_tensor)['out'] output.shape #读取图片,进行分割,总共21个通道,因为在21个数据集上训练 #转化为2维图像 outputarg=torch.argmax(output.squeeze(),dim=0).numpy() outputarg def decode_seqmaps(image,label_colors,nc=21): r=np.zeros_like(image).astype(np.uint8) g=np.zeros_like(image).astype(np.uint8) b=np.zeros_like(image).astype(np.uint8) for cla in range(0,nc): idx = image == cla r[idx] = label_colors[cla,0] g[idx] = label_colors[cla,1] b[idx] = label_colors[cla,2] rgbimage= np.stack([r,g,b],axis=2) return rgbimage import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" label_colors =np.array([(0,0,0), #0=background (128,0,0),(0,128,0),(128,128,0),(0,0,128), #1=airplane,2=bicycle,3=bird,4=boat (128,0,128),(0,128,128),(128,128,128),(64,0,0), #6=bus,7=car,8=cat,9=chair (192,0,0),(64,128,0),(192,128,0),(64,0,128), #10=cow,11=dining table,12=dog,13=horse (192,0,128),(64,128,128),(192,128,128),(0,64,0), #14=motorbike,15=person,16=potted plant,17=sheep (128,64,0),(0,192,0),(128,192,0),(0,64,128) #18=sofa,19=train,20=tv/monitor ]) outputrgb=decode_seqmaps(outputarg,label_colors) plt.figure(figsize=(20,8)) plt.subplot(1,2,1) plt.imshow(image) plt.axis('off') plt.subplot(1,2,2) plt.imshow(outputrgb) plt.axis('off') plt.subplots_adjust(wspace=0.05) plt.show() 使用了哪些深度学习的模型和方法,该代码的实验目的是什么

最新推荐

recommend-type

利用神经网络快速预测土坡安全系数-BPNetForSoilSafetyFactor.zip

利用神经网络快速预测土坡安全系数-BPNetForSoilSafetyFactor
recommend-type

基于疾病为中心的医药领域知识图谱的问答系统设计源码

该项目是一款基于Python开发的疾病为中心的医药领域知识图谱问答系统设计源码,包含31个文件,涵盖9个PNG图片文件、8个Python源代码文件、8个文本文件、3个Python编译文件、1个Markdown文档、1个JSON数据文件和1个PowerPoint演示文稿。系统旨在构建以疾病为中心的一定规模医药领域知识图谱,并通过该图谱实现自动问答与分析服务。
recommend-type

分布式神经网络框架——分布式神经网络.zip

分布式神经网络框架——分布式神经网络
recommend-type

基于Java语言的成都小学期宿舍项目设计源码

该Java项目是成都小学期宿舍管理系统的设计源码,包含36个文件,其中33个为Java源文件,以及1个Git忽略文件、1个XML配置文件和1个属性文件。
recommend-type

JavaScript DOM事件处理实战示例

资源摘要信息: "JavaScript DOM Events 示例代码集合" JavaScript(JS)是一种高级的、解释执行的编程语言,它支持事件驱动编程模型,是一种在浏览器中非常常用的脚本语言,尤其在前端开发中占据核心地位。JavaScript通过操作文档对象模型(DOM)来实现网页内容的动态更新和交互。DOM Events(文档对象模型事件)是与用户或浏览器交互时触发的一系列信号,例如点击、滚动、按键等。开发者可以使用这些事件来实现网页上的各种交互效果。 在标题 "JavaScriptDOMEvents_Examples.zip" 中,我们看到这是一组关于JavaScript DOM Events的示例代码的压缩包文件。虽然文件本身并不包含具体的代码,但我们可以推断,这个压缩包内应该包含了一系列的文本文件(.txt),每个文件都包含了一些特定的示例代码,用以演示如何在JavaScript中使用不同的DOM Events。 描述 "JavaScriptDOMEvents_Examples.zip" 没有提供额外的信息,因此我们需要依靠文件名和对JavaScript DOM Events知识的理解来构建知识点。 文件名列表中包含的文件名,如JavaScriptDOMEvents_III.txt、JavaScriptDOMEvents_IX.txt等,表明这些文本文件可能被命名为JavaScript DOM Events示例的序列,例如第三部分、第九部分等。 基于以上信息,以下是关于JavaScript DOM Events的知识点: 1. DOM Events概述 DOM Events是当用户与页面交互时,例如点击按钮、滚动页面、输入文本等行为,浏览器触发的事件。JavaScript允许开发者为这些事件编写处理函数(事件监听器),以此来响应用户的操作。 2. 事件监听器的添加 在JavaScript中,可以使用`addEventListener()`方法为特定的DOM元素添加事件监听器。该方法通常接受三个参数:事件类型、事件处理函数以及一个布尔值,指示是否在捕获阶段调用事件处理函数。 3. 事件对象 当事件触发时,事件处理函数可以接收一个事件对象(event),该对象包含了与事件相关的信息,例如事件类型、触发事件的元素、事件的坐标位置等。 4. 事件冒泡和捕获 事件冒泡是指事件从最深的节点开始,然后逐级向上传播到根节点的过程。事件捕获则是从根节点开始,然后向下传播到最深的节点。DOM事件流包括三个阶段:捕获阶段、目标阶段、冒泡阶段。 5. 常见的DOM事件类型 有多种类型的DOM事件,包括但不限于: - 鼠标事件:click, mouseover, mouseout, mousedown, mouseup等。 - 键盘事件:keydown, keyup, keypress。 - 表单事件:submit, change, focus, blur等。 - 文档/窗口事件:load, unload, scroll, resize等。 6. 事件处理策略 事件处理不仅仅是为了响应用户的操作,还可以用来优化性能和用户体验。例如,使用事件委托来减少事件监听器的数量,或者取消默认事件的行为来阻止表单的提交。 7. 事件传播的控制 JavaScript提供了`stopPropagation()`方法,可以用来阻止事件在DOM树中进一步传播,而`preventDefault()`方法可以取消事件的默认行为。 8. 事件委托 事件委托是一种事件处理技术,它利用了事件冒泡的原理。在父元素上设置事件监听器,然后根据事件的目标元素来决定如何响应事件。这种方法可以减少内存消耗,并且对动态添加到DOM中的元素同样有效。 9. 跨浏览器的事件处理 不同浏览器可能对DOM Events的支持存在差异,因此在开发过程中可能需要使用特定的库(如jQuery)或者编写兼容性代码来确保JavaScript DOM Events能够在各种浏览器中正常工作。 10. 交互式动画和交互设计 利用DOM Events,开发者可以创建交云式动画和用户体验设计,如拖拽排序、动态加载内容等。 从提供的文件名列表来看,每个文件可能包含对应部分的示例,例如JavaScriptDOMEvents_I.txt可能是第一部分的示例,展示基本的事件监听和处理。而JavaScriptDOMEvents_X.txt可能是第十部分的示例,可能涉及更为复杂的应用,比如高级事件处理技术或在不同场景下的实践。 以上知识点为我们了解和使用JavaScript DOM Events提供了基础框架,通过具体示例的学习和实践,开发者能够更加深入地掌握这一核心前端技术。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

mimetypes模块的安全性分析:如何避免文件类型伪造攻击,保护你的应用

![mimetypes模块的安全性分析:如何避免文件类型伪造攻击,保护你的应用](https://s.secrss.com/anquanneican/b917a6a3cf27d78b63c19c18bf1c8152.png) # 1. mimetypes模块概述 在现代软件开发中,文件类型管理是维护应用程序安全性和兼容性的关键环节。Python的`mimetypes`模块便是为此类需求而设计,它允许开发者通过文件名、路径或内容来推断和处理MIME类型。本文将深入剖析`mimetypes`模块,并探讨如何利用它来防范潜在的文件类型伪造攻击。 ## 1.1 Python中的mimetypes模
recommend-type

已知长度为n的顺序表L,其数据元素类型为整型,设计一个时间复杂度为O(n)、空间复杂度为O(1)的算法,将L中所有小于k的整数放在表的前半部分,大于等于k的整数放在后半部分。写出代码

为了实现这个功能,我们可以遍历顺序表L,同时维护两个指针,一个front指向列表开始位置,另一个end指向当前未处理的最后一个元素。对于每个元素,我们检查它是否小于k: 1. 如果元素小于k,我们将它与front指向的元素交换,并将front向前移动一位。 2. 否则,不做操作,直接结束。 当front超过end时,我们就完成了分割,前半部分存储了所有小于k的元素,后半部分则是大于等于k的元素。以下是这个算法的伪代码描述: ```text 设置 front = 0 设置 end = n - 1 while front < end: if L[front] < k:
recommend-type

全新JDK 1.8.122版本安装包下载指南

资源摘要信息:"JDK 1.8.0_122安装包" Java Development Kit(JDK)是Java程序设计语言的软件开发环境,由Oracle公司提供。它包含了Java运行环境(Java Runtime Environment,JRE)以及用于开发Java程序的编译器(javac)和其他工具。JDK 1.8.0_122是JDK 1.8系列的一个更新版本,提供了Java平台的最新稳定功能和安全补丁。 ### JDK 1.8.0_122特性概述: 1. **Lambda 表达式:** JDK 1.8引入了Lambda表达式,这是一种简洁的表示代码块的方法,可用于简化Java编程。 2. **新日期时间API:** 在此版本中,JDK 1.8对旧的日期和时间API进行了改进,提供了新的类如`java.time`,以更好地处理日期和时间。 3. **默认方法:** JDK 1.8允许在接口中添加新的方法,而不会破坏现有的实现。这是通过允许接口拥有默认实现来实现的。 4. **Stream API:** Stream API支持对集合进行高效、并行的处理,极大地简化了集合数据的处理。 5. **JVM改进:** JDK 1.8包含对Java虚拟机(JVM)的性能和可管理性的优化。 6. **安全性更新:** JDK 1.8.0_122还包含了安全更新和修复,增强了Java应用的安全性。 ### JDK安装和配置: 1. **下载JDK安装包:** 访问Oracle官方网站或其他提供JDK下载的镜像站点下载JDK 1.8.0_122的安装包。 2. **安装JDK:** 运行下载的安装程序,按照指示完成安装。如果是压缩包,则需要解压到指定目录。 3. **配置环境变量:** 安装完成后,需要配置系统的环境变量,包括`JAVA_HOME`,`PATH`,以及`CLASSPATH`。 - `JAVA_HOME`应指向JDK的安装目录。 - `PATH`变量需要包含JDK的bin目录,以便可以在命令行中直接使用`java`和`javac`等命令。 - `CLASSPATH`变量用于指定JRE搜索类的路径。 ### 使用JDK 1.8.0_122开发Java程序: 1. **编写源代码:** 使用文本编辑器编写Java源代码文件(.java文件)。 2. **编译源代码:** 使用命令`javac`编译源代码,生成字节码文件(.class文件)。 3. **运行程序:** 使用命令`java`加上类名来运行编译后的程序。 ### JDK 1.8.0_122的限制和注意事项: - 请注意,Oracle JDK已经不再是免费用于生产环境,这意味着对于大型组织而言,使用JDK 1.8.0_122可能需要购买商业许可。 - 开源替代品,如OpenJDK,提供了与Oracle JDK相同的功能,通常用于非商业用途。 - 确保下载的JDK版本与您的操作系统(如Windows x64,Linux x64等)兼容。 - 在安装和配置JDK时,确保遵循最佳实践,以避免安全漏洞和兼容性问题。 ### 维护和更新: - 定期检查并应用来自Oracle的安全更新和补丁,以确保Java平台的安全性。 - 为新项目考虑更新的JDK版本,因为随着时间的推移,Oracle和其他Java发行版会继续发布新版本,提供更好的性能和更多的特性。 通过上述信息,我们可以看到JDK 1.8.0_122不仅为Java开发者提供了丰富的特性和改进,还强调了安全性。开发者可以利用这些特性和工具来开发强大的Java应用程序。而随着技术的不断进步,持续学习和更新技能是Java开发者的必要条件。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依