parser = argparse.ArgumentParser(description='PSMNet') parser.add_argument('--maxdisp', type=int ,default=192, help='maxium disparity') parser.add_argument('--model', default='stackhourglass', help='select model') parser.add_argument('--datapath', default=r"D:\2020TIIT\pretrained_model_KITTI2015.tar", help='datapath') parser.add_argument('--epochs', type=int, default=10, help='number of epochs to train') parser.add_argument('--loadmodel', default= None, help='load model') parser.add_argument('--savemodel', default='./', help='save model') parser.add_argument('--no-cuda', action='store_true', default=False, help='enables CUDA training') parser.add_argument('--seed', type=int, default=1, metavar='S', help='random seed (default: 1)') args = parser.parse_args()什么意思

时间: 2024-01-14 21:05:03 浏览: 70
ZIP

argparse：命令行参数解析库

这是一个 Python 脚本中使用的 argparse 模块，用于解析命令行参数。脚本使用者可以通过命令行传入参数来控制脚本的行为。该脚本定义了一些参数，如最大视差、模型选择、数据路径、训练轮数、加载模型路径、保存模型路径、是否使用 CUDA 训练等。当脚本运行时，它会解析命令行中传入的参数，并将这些参数存储在 args 变量中。这样，脚本就可以根据这些参数来执行不同的操作。
阅读全文

相关推荐

docx

python模块学习argparse.docx

parser.add_argument('integers', metavar='N', type=int, nargs='+', help='an integer for the accumulator') parser.add_argument('--sum', dest='accumulate', action='store_const', const=sum, default=max, ...
pdf

Python解析命令行读取参数--argparse模块使用方法

parser.add_argument('nums', nargs=2, type=int) 这将捕获两个连续的整数并将其作为一个元组赋值给nums。 5) 额外功能 - action参数：除了store_true，还有其他动作，如store（存储提供的值），store...

parser = argparse.ArgumentParser(description='Training')

parser.add_argument('-e', '--epochs', type=int, default=10, help='Number of epochs for training (default: 10)') parser.add_argument('-b', '--batch-size', type=int, choices=[32, 64, 128], help='Batch...

parser = argparse.ArgumentParser

parser.add_argument('integers', metavar='N', type=int, nargs='+', help='an integer for the accumulator') parser.add_argument('--sum', dest='accumulate', action='store_const', const=sum, default=max,...

parser = argparse.ArgumentParser(description='Sequence Modeling - (Permuted) Sequential MNIST')

parser.add_argument('--epochs', type=int, default=10, help='number of epochs to train') 这里添加了一个epochs参数，可以从命令行中输入，类型为整型，如果没有输入则默认为10，同时添加了一个帮助信息...

parser = argparse.ArgumentParser(description='PSMNet') parser.add_argument('--maxdisp', type=int ,default=192, help='maxium disparity') parser.add_argument('--model', default='stackhourglass', help='select model') parser.add_argument('--datapath', default='/media/jiaren/ImageNet/SceneFlowData/', help='datapath') parser.add_argument('--epochs', type=int, default=10, help='number of epochs to train') parser.add_argument('--loadmodel', default= None, help='load model') parser.add_argument('--savemodel', default='./', help='save model') parser.add_argument('--no-cuda', action='store_true', default=False, help='enables CUDA training') parser.add_argument('--seed', type=int, default=1, metavar='S', help='random seed (default: 1)') args = parser.parse_args()什么意思

通过 add_argument() 方法，我们可以向解析器中添加需要解析的参数信息。具体来说，这段代码添加了如下参数： - "--maxdisp"：表示最大视差值，默认为 192。 - "--model"：表示使用的深度学习模型，默认为 ...

parser = argparse.ArgumentParser(description="ReID Baseline Training") parser.add_argument( "--config_file", default="", help="path to config file", type=str ) parser.add_argument("opts", help="Modify config options using the command-line", default=None, nargs=argparse.REMAINDER) parser.add_argument("--local_rank", default=0, type=int) args = parser.parse_args()

接着使用 add_argument() 方法向 ArgumentParser 对象添加了三个命令行参数： 1. --config_file：用于指定配置文件的路径，类型为字符串。 2. opts：用于通过命令行修改配置选项，类型为字符串，可选。 3. --local_...

arser = argparse.ArgumentParser(description="Run GHCN.") parser.add_argument('--data_path', type=str, default='./data/', help='Input data path') parser.add_argument('--model_path', type=str, default='checkpoint.pt', help='Saved model path.') parser.add_argument('--dataset', type=str, default='Cora', help='Choose a dataset from {Cora, CiteSeer, PubMed}') parser.add_argument('--split', type=str, default='full', help='The type of dataset split {public, full, random}') parser.add_argument('--trim_prob', type=float, default=0.2, help='The probability to trim adj, 0 not trim, 1 trim') parser.add_argument('--seed', type=int, default=123, help='Random seed') parser.add_argument('--epoch', type=int, default=1000, help='Number of epochs to train') parser.add_argument('--lr', type=float, default=0.005, help='Initial learning rate') parser.add_argument('--weight_decay', type=float, default=5e-4, help='Weight decay (L2 norm on parameters)') parser.add_argument('--k', type=int, default=10, help='k-hop aggregation') parser.add_argument('--hidden', type=int, default=64, help='Number of hidden units') parser.add_argument('--dropout', type=float, default=0.7, help='Dropout rate') parser.add_argument('--patience', type=int, default=100, help='How long to wait after last time validation improved') args = parser.parse_args() for arg in vars(args): print('{0} = {1}'.format(arg, getattr(args, arg))) 修改代码要求：如果dataset不等于{Cora, CiteSeer, PubMed}中的任何一项则不打印split

parser.add_argument('--patience', type=int, default=100, help='How long to wait after last time validation improved') args = parser.parse_args() if args.dataset in {'Cora', 'CiteSeer', 'PubMed'}: ...

if __name__ == "__main__": import argparse parser = argparse.ArgumentParser( description=__doc__) # 使用设备类型 parser.add_argument('--device', default='cuda:2', help='device') # 检测目标类别数 parser.add_argument('--num-classes', type=int, default='3', help='number of classes') # 数据集的根目录(VOCdevkit) parser.add_argument('--data-path', default='./', help='dataset root') # 训练好的权重文件 parser.add_argument('--weights-path', default='./save_weights_resNet/resNetFpn-model-0.pth', type=str, help='training weights') # batch size parser.add_argument('--batch_size', default=1, type=int, metavar='N', help='batch size when validation.') args = parser.parse_args() main(args)

这段代码使用 argparse 解析命令行参数，并调用了一个名为 main() 的函数，传入参数 args。 具体解析的参数包括： - --device：用于指定设备类型，默认值为 'cuda:2'。 - --num-classes：用于指定检测目标的...

def Hayao(): arg=parse_args(?,gl_path_) test(arg.checkpoint_dir, arg.save_dir, arg.test_dir, arg.if_adjust_brightness) def parse_args(a,b): desc = "AnimeGANv2" parser = argparse.ArgumentParser(description=desc) parser.add_argument('--checkpoint_dir', type=str, default='checkpoint/'+a, help='Directory name to save the checkpoints') parser.add_argument('--test_dir', type=str, default=b, help='Directory name of test photos') parser.add_argument('--save_dir', type=str, default='Shinkai/t', help='what style you want to get') parser.add_argument('--if_adjust_brightness', type=bool, default=True, help='adjust brightness by the real photo') """checking arguments""" return parser.parse_args()优化此代码

parser = argparse.ArgumentParser(description=desc) parser.add_argument('--checkpoint_dir', type=str, default='checkpoint/' + checkpoint_dir, help='Directory name to save the checkpoints') parser....

if __name__ == "__main__": parser = argparse.ArgumentParser(description="Flask api exposing yolov5 model") parser.add_argument("--port", default=5000, type=int, help="port number") args = parser.parse_args() model = torch.hub.load("ultralytics/yolov5", "yolov5s", force_reload=True).autoshape() # force_reload to recache app.run(host="0.0.0.0", port=args.port) # debug=True causes Restarting with stat

这段代码的作用是：如果当前文件作为主程序运行，那么会创建一个 argparse.ArgumentParser 对象，用于解析命令行参数。然后会添加一个名为 "--port" 的参数，用于指定端口号，默认为 5000。接着会解析命令行参数，并...

argparse.ArgumentParser.add_argument

parser.add_argument('--file', type=str, help='a file path', default='data.txt') args = parser.parse_args() 在这个例子中，-n 或 --number 和 --file 都会被认为是合法的命令行参数。-n 或者 -...

warnings.filterwarnings("ignore") parser = argparse.ArgumentParser(description='Train Super Resolution Models') parser.add_argument('--crop_size', default=81, type=int, help='training images crop size')#crop size 高分辨率图像的大小 parser.add_argument('--upscale_factor', default=6, type=int, choices=[2, 3, 4, 6, 8], help='super resolution upscale factor')#upscale_factor 超分辨率的倍数 parser.add_argument('--num_epochs', default=100, type=int, help='train epoch number')#num_epochs 训练的轮数，默认为100

这段代码是一个用于训练超分辨率模型的脚本，它使用 argparse 库来解析命令行参数。这里定义了三个参数：crop_size 表示训练图像的裁剪大小，upscale_factor 表示超分辨率的倍数，num_epochs 表示训练的轮数。其中 ...

parser.add_argument('--epochs', default=200, type=int, help='Total number of epochs to run')

parser.add_argument('--epochs', default=200, type=int, help='Total number of epochs to run') args = parser.parse_args() print(args.epochs) # 输出：200 示例2： python import argparse parser =...

def parse_args(): parser = argparse.ArgumentParser(description='Train a segmentor') parser.add_argument('config', help='train config file path') parser.add_argument('--work-dir', help='the dir to save logs and models') parser.add_argument( '--load-from', help='the checkpoint file to load weights from') parser.add_argument( '--resume-from', help='the checkpoint file to resume from') parser.add_argument( '--no-validate', action='store_true', help='whether not to evaluate the checkpoint during training') group_gpus = parser.add_mutually_exclusive_group() group_gpus.add_argument( '--gpus', type=int, help='number of gpus to use ' '(only applicable to non-distributed training)') group_gpus.add_argument( '--gpu-ids', type=int, nargs='+', help='ids of gpus to use ' '(only applicable to non-distributed training)') parser.add_argument('--seed', type=int, default=None, help='random seed') parser.add_argument( '--deterministic', action='store_true', help='whether to set deterministic options for CUDNN backend.') parser.add_argument( '--options', nargs='+', action=DictAction, help='custom options') parser.add_argument( '--launcher', choices=['none', 'pytorch', 'slurm', 'mpi'], default='none', help='job launcher') parser.add_argument('--local_rank', type=int, default=0) args = parser.parse_args() if 'LOCAL_RANK' not in os.environ: os.environ['LOCAL_RANK'] = str(args.local_rank) return args解释一下代码

接下来，使用parser.add_argument()方法添加了一系列的参数选项。这些选项包括： - config：训练配置文件的路径。 - --work-dir：保存日志和模型的目录。 - --load-from：加载预训练模型的路径。 - --...

argparse.ArgumentParser().add_argument()

parser.add_argument('integers', metavar='N', type=int, nargs='+', help='an integer for the accumulator') parser.add_argument('--sum', dest='accumulate', action='store_const', const=sum, default=max,...

下面代码转化为paddle2.2.2代码 ：from __future__ import division import os, time, scipy.io import torch import torch.nn as nn import torch.optim as optim import numpy as np import glob import cv2 import argparse from PIL import Image from skimage.measure import compare_psnr,compare_ssim from tensorboardX import SummaryWriter from models import RViDeNet from utils import * parser = argparse.ArgumentParser(description='Pretrain denoising model') parser.add_argument('--gpu_id', dest='gpu_id', type=int, default=0, help='gpu id') parser.add_argument('--num_epochs', dest='num_epochs', type=int, default=33, help='num_epochs') parser.add_argument('--patch_size', dest='patch_size', type=int, default=128, help='patch_size') parser.add_argument('--batch_size', dest='batch_size', type=int, default=1, help='batch_size') args = parser.parse_args() os.environ["CUDA_VISIBLE_DEVICES"] = str(args.gpu_id) save_dir = './pretrain_model' if not os.path.isdir(save_dir): os.makedirs(save_dir) gt_paths1 = glob.glob('./data/SRVD_data/raw_clean/MOT17-02_raw/*.tiff') gt_paths2 = glob.glob('./data/SRVD_data/raw_clean/MOT17-09_raw/*.tiff') gt_paths3 = glob.glob('./data/SRVD_data/raw_clean/MOT17-10_raw/*.tiff') gt_paths4 = glob.glob('./data/SRVD_data/raw_clean/MOT17-11_raw/*.tiff') gt_paths = gt_paths1 + gt_paths2 + gt_paths3 + gt_paths4 ps = args.patch_size # patch size for training batch_size = args.batch_size # batch size for training

parser.add_argument('--num_epochs', dest='num_epochs', type=int, default=33, help='num_epochs') parser.add_argument('--patch_size', dest='patch_size', type=int, default=128, help='patch_size') parser....

def get_parser(): parser = argparse.ArgumentParser(description='Face detection and classification for politicians in Japanese TV.') # Important configuration variables parser.add_argument('--dataset', type=str, default='mot17', help='Mode name for saving files.') parser.add_argument('--mode', default='train', type=str, help='train or test.') parser.add_argument('--detector', type=str, default='YOLOX', help='Detector to be used. FRCNN, SDP, Bresee, SGT, YOLOX, GT.') parser.add_argument('--reid', type=str, default=None, help='Reidentification model to be used. SBS, MGN.') parser.add_argument('--mod', type=str, default=None, help='Tracker name modifier to do testing of features.') # Paths parser.add_argument('--datapath', type=str, default='datasets/MOT17Det', help='Dataset path with frames inside.') parser.add_argument('--feat', type=str, default='feats', help='Features files path.') # Tracking-specific configuration variables parser.add_argument('--max_iou_th', type=float, default=0.15, help='Max value to multiply the distance of two close objects.') parser.add_argument('--w_tracklet', type=int, default=10, help='Window size per tracklet') parser.add_argument('--w_fuse', type=int, default=3, help='Window size per fusion in hierarchy') parser.add_argument('--max_prop', type=int, default=10000, help='Difficult the fusion when the frame difference is larger than this value.') parser.add_argument('--fps_ratio', type=int, default=1, help='Use lower fps dataset if lower than 1.') # Flags parser.add_argument('--save_feats', action='store_true', help='Save tracking + feature vectors as pkl file for analysis.') parser.add_argument('--iou', action='store_true', help='Add IoU distance to further improve the tracker.') parser.add_argument('--temp', action='store_true', help='Use temporal distance to further improve the tracker.') parser.add_argument('--spatial', action='store_true', help='Use spatial distance to further improve the tracker.') parser.add_argument('--motion', action='store_true', help='Add motion estimation to further improve the tracker.') parser.add_argument('--randorder', action='store_true', help='Random order of lifted frames for testing.') parser.add_argument('--noncont', action='store_true', help='Do not enforce continuous clustering. Allow all tracklets to cluster with whoever they want.') return parser

这是一个 Python 脚本，通过 argparse 模块来接收命令行参数。这个脚本的作用是进行政治家在日本电视节目中的人脸检测和分类。其中包含了一些重要的配置变量，比如数据集名称、模式名称、检测器名称、重识别模型名称...

优化一下这段代码：import serial import time import argparse def control_servo(n): ser = serial.Serial('/dev/ttyACM0', 9600) # 打开串口 time.sleep(2) # 等待arduino重启 #ser.write(b'servo 0\n') #time.sleep(2) for i in range(n): # 控制舵机运动n次 ser.write(b'servo 10\n') # 80为舵机转动的角度（倒下）（两侧角度分别为0-45，45-90） time.sleep(1) #延迟2秒 ser.write(b'servo 45\n') # 45为舵机转动的角度（竖直） time.sleep(1) # 延迟2秒 ser.close() # 关闭串口 if __name__ == '__main__': parser = argparse.ArgumentParser(description='Control servo movement') parser.add_argument('-n', type=int, default=1, help='Number of movements') # 控制运行次数 args = parser.parse_args() control_servo(args.n)

parser.add_argument('-n', type=int, default=1, help='Number of movements') # 控制运行次数 args = parser.parse_args() control_servo(args.n) 在代码中，使用了 argparse 库来解析命令行参数，可以...

最新推荐

recommend-type

数学建模学习资料 姜启源数学模型课件 M04 数学规划模型 共85页.pptx

数学建模学习资料 姜启源数学模型课件 M04 数学规划模型 共85页.pptx
recommend-type

【大越期货-2024研报】生猪期货早报.pdf

研究报告
recommend-type

数学建模学习资料 姜启源数学模型课件 M07 差分方程模型 共33页.pptx

数学建模学习资料 姜启源数学模型课件 M07 差分方程模型 共33页.pptx
recommend-type

【宝城期货-2024研报】宝城期货品种套利数据日报.pdf

研究报告
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一：荣誉单变量微积分课程介绍 本课程为JHU（约翰霍普金斯大学）的荣誉单变量微积分课程，主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识，包括整合和微分两大部分。该课程采用IBL（Inquiry-Based Learning）格式进行教学，即学生先自行解决问题，然后在学习过程中逐步掌握相关理论知识。 知识点二：IBL教学法 IBL教学法，即问题导向的学习方法，是一种以学生为中心的教学模式。在这种模式下，学生在教师的引导下，通过提出问题、解决问题来获取知识，从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索，教师的角色更多的是引导者和协助者。 知识点三：课程难度及学习方法 课程的第一次迭代主要包含问题，难度较大，学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释，难度相对降低，更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发，逐步深入理解微积分理论，提高学习效率。 知识点四：课程先决条件及学习建议 课程的先决条件为预演算，即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前，先完成一些基础演算的入门课程，并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容，提高学习效果。 知识点五：TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式，广泛应用于学术出版物的排版，特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性，适合用于编写和分享复杂的科学和技术文档。
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

【实战篇：自定义损失函数】：构建独特损失函数解决特定问题，优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念，用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中，`L`表示损失函数，`y`为实际值，`f(x)`为模型预测值，`N`为样本数量，`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式，并确保与Linux内核的兼容性？

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能，并确保与Linux内核的兼容性，首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接，保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接：[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括： 1. 在Vivado中设计硬件电路，配置USB接口相关的Bank502和Bank505引脚，同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序，用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面（CLI）的测验工具，设计用于测试用户对日本动漫《火影忍者》（Naruto）的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列，后被改编成同名电视动画，并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事，直到成为木叶隐村的领袖，期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言，它允许网页具有交互性，同时也可以在服务器端运行（如Node.js环境）。在这个CLI应用程序中，JavaScript被用来处理用户的输入，生成问题，并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术： 1. **命令行界面（CLI）开发：** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中，Node.js提供了一个运行JavaScript的环境，使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具，包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础：** 开发CLI应用程序需要对JavaScript语言有扎实的理解，包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建：** 测验应用程序的核心是其问题库，它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库，并确保问题的多样性和覆盖面。 4. **逻辑和流程控制：** 在应用程序中，需要编写逻辑来控制测验的流程，比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面（UI）交互：** 尽管是CLI，用户界面仍然重要。开发者需要确保用户体验流畅，这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装：** 开发过程中应当遵循模块化原则，将不同的功能分隔开来，以便于管理和维护。例如，可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试：** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试，并通过控制台输出调试信息来排除故障。 8. **部署和分发：** 最后，开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序，常见的做法是将其打包为可执行文件（如使用electron或pkg工具），以便在不同的操作系统上运行。 根据提供的文件信息，虽然具体细节有限，但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接，可能将被引导到一个网页或直接下载CLI应用程序的可执行文件，从而开始进行《火影忍者》的知识测验。通过这个测验，用户不仅能享受答题的乐趣，还可以加深对《火影忍者》的理解和认识。
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