self.model.load_weights(weights)

时间: 2023-07-29 09:07:37 浏览: 69
PDF

解决Tensorflow2.0 tf.keras.Model.load_weights() 报错处理问题

这段代码是用来加载模型权重的。通常在训练完成后，我们会将模型的权重保存到一个文件中，以便后续可以加载该文件来恢复模型的状态，继续使用或进行推理。load_weights() 方法是 Keras 模型中的一个方法，可以用来从文件中加载模型的权重。在这里，self.model 是一个 Keras 模型实例，weights 是一个字符串或一个路径，指定了保存模型权重的文件的位置。
阅读全文

相关推荐

pdf

load_weights requires h5py报错解决

loaded_model.load_weights(model.h5) # 读入权重 ImportError: load_weights requires h5py. 对于这个问题，网友们给出的回答无非是以下方法： pip install h5py conda install h5py 如果运行完以上语句，你的...
h5

vgg16_weights.h5

vgg16用于图像特征提取，tensorflow1.10.0，Keras 2.1.6

self.model.load_weights(weights) AttributeError: 'NoneType' object has no attribute 'load_weights'

在使用 self.model.load_weights(weights) 之前，需要确保 self.model 已经被正确地初始化为一个 Keras 模型对象，否则会出现 AttributeError: 'NoneType' object has no attribute 'load_weights' 这个错误。...

self.model.load_weights(filepath=pre_trained_weights, by_name=True)+

这段代码使用 Keras 中的 load_weights 方法加载预训练权重。load_weights 方法可以从指定的文件中加载模型权重，并将其应用于当前模型。其中，pre_trained_weights 是预训练权重所在的文件路径，by_name 参数为 ...

self.model.load_weights(filepath=pre_trained_weights, by_name=True)

load_weights()函数有一个by_name参数，如果设置为True，则会按照层的名字来匹配权重参数，只有名字匹配的层才会被加载。这个参数通常用于当我们要把一个模型的某些部分或某些层的权重参数迁移到另一个模型时使用，...

tl.files.load_hdf5_to_weights_in_order('model/ppo_actor.hdf5', self.actor)

这个函数的作用是将保存在指定 HDF5 文件中的权重值加载到指定的 TensorLayer 模型的权重中。具体来说，它按照权重在 ...在这个例子中，它将保存在文件 model/ppo_actor.hdf5 中的权重加载到 self.actor 模型中。

解释代码self.model = attempt_load(weights, map_location=self.device)

这行代码的作用是在机器学习模型中加载预先训练好的权重参数，其中变量"weights"是训练好的模型的路径，"map_location"参数则是指定模型在哪个...最后，模型会被保存在self.model变量中，以供后续的推理或训练使用。

model.load_state_dict

super(Net, self).__init__() self.fc1 = torch.nn.Linear(10, 5) self.fc2 = torch.nn.Linear(5, 1) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # create an instance ...

下面这串代码什么作用self.det_thread = DetThread() self.model_type = self.comboBox.currentText() self.det_thread.weights = "./pt/%s" % self.model_type self.det_thread.source = '0' self.det_thread.percent_length = self.progressBar.maximum() self.det_thread.send_raw.connect(lambda x: self.show_image(x, self.raw_video)) self.det_thread.send_img.connect(lambda x: self.show_image(x, self.out_video)) self.det_thread.send_statistic.connect(self.show_statistic) self.det_thread.send_msg.connect(lambda x: self.show_msg(x)) self.det_thread.send_percent.connect(lambda x: self.progressBar.setValue(x)) self.det_thread.send_fps.connect(lambda x: self.fps_label.setText(x)) self.fileButton.clicked.connect(self.open_file) self.cameraButton.clicked.connect(self.chose_cam) self.rtspButton.clicked.connect(self.chose_rtsp) self.runButton.clicked.connect(self.run_or_continue) self.stopButton.clicked.connect(self.stop) self.comboBox.currentTextChanged.connect(self.change_model) self.confSpinBox.valueChanged.connect(lambda x: self.change_val(x, 'confSpinBox')) self.confSlider.valueChanged.connect(lambda x: self.change_val(x, 'confSlider')) self.iouSpinBox.valueChanged.connect(lambda x: self.change_val(x, 'iouSpinBox')) self.iouSlider.valueChanged.connect(lambda x: self.change_val(x, 'iouSlider')) self.rateSpinBox.valueChanged.connect(lambda x: self.change_val(x, 'rateSpinBox')) self.rateSlider.valueChanged.connect(lambda x: self.change_val(x, 'rateSlider')) self.checkBox.clicked.connect(self.checkrate) self.saveCheckBox.clicked.connect(self.is_save) self.load_setting()

这段代码是在一个图形用户界面应用程序中的初始化方法中，对各个控件进行初始化和事件绑定。具体来说，它创建一个名为DetThread的线程对象，设置该线程的一些参数，如权重文件的路径、视频源等。...

cudnn.benchmark = True weights = 'weights/yolov5s.pt' # 模型加载路径 imgsz = 640 # 预测图尺寸大小 self.conf_thres = 0.25 # NMS置信度 self.iou_thres = 0.45 # IOU阈值 # 载入模型 self.model = attempt_load(weights, map_location=self.device) stride = int(self.model.stride.max()) self.imgsz = check_img_size(imgsz, s=stride) if self.half: self.model.half() # to FP16 # 从模型中获取各类别名称 self.names = self.model.module.names if hasattr(self.model, 'module') else self.model.names # 给每一个类别初始化颜色 self.colors = [[random.randint(0, 255) for _ in range(3)] for _ in self.names]

然后，定义了一些变量，包括模型的权重文件路径weights、预测图像的尺寸imgsz、NMS（非极大值抑制）的置信度阈值conf_thres和IOU（交并比）的阈值iou_thres。 接下来，调用attempt_load()函数加载模型...

if isinstance(self.pretrained, str): self.apply(_init_weights) logger = get_root_logger() logger.info(f'load model from: {self.pretrained}') checkpoint = torch.load(self.pretrained, map_location='cpu') state_dict = checkpoint['model'] state_dict['patch_embed.proj.weight'] = state_dict['patch_embed.proj.weight'].unsqueeze(2).repeat(1,1,self.patch_size[0],1,1) / self.patch_size[0]

具体来说，它将原始的 patch_embed 层的权重（shape 为 [num_patches, embed_dim]）重复复制了 self.patch_size[0] 次，变成了 [num_patches, embed_dim, patch_size[0], 1, 1] 的形状，并将每个元素除以了 self....

class Age_Model(): def __init__(self): self.model = self.loadModel() self.output_indexes = np.array([i for i in range(0, 101)]) def predict_age(self,face_image): image_preprocesing = self.transform_face_array2age_face(face_image) age_predictions = self.model.predict(image_preprocesing )[0,:] result_age = self.findApparentAge(age_predictions) return result_age def loadModel(self): model = VGGFace.baseModel() #-------------------------- classes = 101#101 base_model_output = Sequential() base_model_output = Convolution2D(classes, (1, 1), name='predictions')(model.layers[-4].output) base_model_output = Flatten()(base_model_output) base_model_output = Activation('softmax')(base_model_output) #-------------------------- age_model = Model(inputs=model.input, outputs=base_model_output) #-------------------------- home = str(Path.home()) age_model.load_weights(home+'/.deepface/weights/age_model_weights.h5') return age_model

其中，loadModel函数用于加载预训练的模型权重；predict_age函数用于对输入的人脸图像进行预测，返回预测结果的年龄。 具体来说，该模型使用VGGFace模型作为基础模型。在VGGFace模型上，我们添加了一个具有101个...

if pretrained: self.pretrained = pretrained if isinstance(self.pretrained, str): self.apply(_init_weights) logger = get_root_logger() logger.info(f'load model from: {self.pretrained}') checkpoint = torch.load(self.pretrained, map_location='cpu') state_dict = checkpoint['model'] state_dict['patch_embed.proj.weight'] = state_dict['patch_embed.proj.weight'].unsqueeze(2).repeat(1,1,self.patch_size[0],1,1) / self.patch_size[0]

首先检查预训练参数是否为字符串类型，如果是，则调用_init_weights函数对模型参数进行初始化，并打印日志信息。然后使用torch.load函数加载预训练参数，其中map_location参数指定了将预训练参数加载到CPU上。接下来...

class Extractor(object): def __init__(self, model_path, use_cuda=True): self.net = Net(reid=True) self.device = "cuda" if torch.cuda.is_available() and use_cuda else "cpu" state_dict = torch.load(model_path, map_location=torch.device(self.device))[ 'net_dict'] self.net.load_state_dict(state_dict) logger = logging.getLogger("root.tracker") logger.info("Loading weights from {}... Done!".format(model_path)) self.net.to(self.device) self.size = (64, 128) self.norm = transforms.Compose([ transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ])

- model_path：预训练模型的路径。 - use_cuda：是否使用 GPU 进行计算。 在构造函数中，首先实例化一个 Net 类的对象，将参数 reid 设置为 True，表示需要进行特征提取。然后根据 use_cuda 参数决定使用 ...

Domains = data(Domain) model=Sequential() model.load_weights('Mymodel.h5') predictions = model.predict(Domains) return predictions报错Unable to load weights saved in HDF5 format into a subclassed Model which has not created its variables yet. Call the Model first, then load the weights.怎么改

super(MyModel, self).__init__() self.dense1 = tf.keras.layers.Dense(64, activation='relu') self.dense2 = tf.keras.layers.Dense(10, activation='softmax') def call(self, inputs): x = self.dense1...

def init_weights(self, num_layers, pretrained=True): if pretrained: # print('=> init resnet deconv weights from normal distribution') for _, m in self.deconv_layers.named_modules(): if isinstance(m, nn.ConvTranspose2d): # print('=> init {}.weight as normal(0, 0.001)'.format(name)) # print('=> init {}.bias as 0'.format(name)) nn.init.normal_(m.weight, std=0.001) if self.deconv_with_bias: nn.init.constant_(m.bias, 0) elif isinstance(m, nn.BatchNorm2d): # print('=> init {}.weight as 1'.format(name)) # print('=> init {}.bias as 0'.format(name)) nn.init.constant_(m.weight, 1) nn.init.constant_(m.bias, 0) # print('=> init final conv weights from normal distribution') for head in self.heads: final_layer = self.__getattr__(head) for i, m in enumerate(final_layer.modules()): if isinstance(m, nn.Conv2d): # nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu') # print('=> init {}.weight as normal(0, 0.001)'.format(name)) # print('=> init {}.bias as 0'.format(name)) if m.weight.shape[0] == self.heads[head]: if 'hm' in head: nn.init.constant_(m.bias, -2.19) else: nn.init.normal_(m.weight, std=0.001) nn.init.constant_(m.bias, 0) #pretrained_state_dict = torch.load(pretrained) url = model_urls['resnet{}'.format(num_layers)] pretrained_state_dict = model_zoo.load_url(url) print('=> loading pretrained model {}'.format(url)) self.load_state_dict(pretrained_state_dict, strict=False) else: print('=> imagenet pretrained model dose not exist') print('=> please download it first') raise ValueError('imagenet pretrained model does not exist')

这段代码是一个神经网络模型初始化权重的函数。根据输入的参数，函数会根据预训练的权重初始化模型的卷积层和批归一化层的权重。如果pretrained参数为True，函数还会加载预训练模型的权重。 具体地，函数会遍历模型...

Traceback (most recent call last): File "D:/Coding/python/machine_learn/image_classify3.py", line 141, in <module> model = ResNet50_model(0.2, 7, 'adam') File "D:/Coding/python/machine_learn/image_classify3.py", line 59, in ResNet50_model base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) File "D:\SF_A\Anaconda\envs\ml\lib\site-packages\tensorflow\python\keras\applications\resnet.py", line 471, in ResNet50 return ResNet(stack_fn, False, True, 'resnet50', include_top, weights, File "D:\SF_A\Anaconda\envs\ml\lib\site-packages\tensorflow\python\keras\applications\resnet.py", line 219, in ResNet model.load_weights(weights_path) File "D:\SF_A\Anaconda\envs\ml\lib\site-packages\tensorflow\python\keras\engine\training.py", line 2234, in load_weights hdf5_format.load_weights_from_hdf5_group(f, self.layers) File "D:\SF_A\Anaconda\envs\ml\lib\site-packages\tensorflow\python\keras\saving\hdf5_format.py", line 662, in load_weights_from_hdf5_group original_keras_version = f.attrs['keras_version'].decode('utf8') AttributeError: 'str' object has no attribute 'decode'

这个错误是因为在代码中使用了Python 3的.decode()方法，但是在运行时使用了Python 2的HDF5文件。在Python 2中，字符串类型是bytes类型，所以可以使用.decode()方法将其转换为Unicode字符串类型。...

D:\Work Bag\Python\lib\site-packages\torchvision\models\_utils.py:208: UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead. warnings.warn( D:\Work Bag\Python\lib\site-packages\torchvision\models\_utils.py:223: UserWarning: Arguments other than a weight enum or None for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing weights=ResNet34_Weights.IMAGENET1K_V1. You can also use weights=ResNet34_Weights.DEFAULT to get the most up-to-date weights. warnings.warn(msg) Traceback (most recent call last): File "C:/Users/29800/Desktop/rPPG-master/run.py", line 65, in <module> runPOS(source) File "C:/Users/29800/Desktop/rPPG-master/run.py", line 39, in __call__ capture = CaptureFrames(self.batch_size, source, show_mask=True) File "C:\Users\29800\Desktop\rPPG-master\capture_frames.py", line 20, in __init__ self.model.load_state_dict(torch.load('linknet.pth')) File "D:\Work Bag\Python\lib\site-packages\torch\serialization.py", line 815, in load return _legacy_load(opened_file, map_location, pickle_module, **pickle_load_args) File "D:\Work Bag\Python\lib\site-packages\torch\serialization.py", line 1033, in _legacy_load magic_number = pickle_module.load(f, **pickle_load_args) _pickle.UnpicklingError: invalid load key, 'v'.

此外，第一个警告是关于 PyTorch 中的 pretrained 参数已经被弃用，建议使用 weights 参数替代；第二个警告是关于传递给函数的参数已经被弃用，建议使用更合适的参数传递方式。建议按照警告信息进行修改，以免在将来...
pdf

升级keras解决load_weights()中的未定义skip_mismatch关键字问题

### 升级Keras解决load_weights()中的未定义skip_mismatch关键字问题 #### 一、问题背景与描述 在使用深度学习框架Keras进行模型训练时，特别是当开发者试图通过load_weights()函数加载预训练模型的权重到...

最新推荐

recommend-type

基于Java的家庭理财系统设计与开发-金融管理-家庭财产管理-实用性强

内容概要：文章探讨了互联网时代的背景下开发一个实用的家庭理财系统的重要性。文中分析了国内外家庭理财的现状及存在的问题，阐述了开发此系统的目的——对家庭财产进行一体化管理，提供统计、预测功能。系统涵盖了家庭成员管理、用户认证管理、账单管理等六大功能模块，能够满足用户多方面查询及统计需求，并保证数据的安全性与完整性。设计中运用了先进的技术栈如SSM框架（Spring、SpringMVC、Mybatis），并采用MVC设计模式确保软件结构合理高效。 适用人群：对于希望科学地管理和规划个人或家庭财务的普通民众；从事财务管理相关专业的学生；有兴趣于家政学、经济学等领域研究的专业人士。 使用场景及目标：适用于日常家庭财务管理的各个场景，帮助用户更好地了解自己的消费习惯和资金状况；为目标客户提供一套稳定可靠的解决方案，助力家庭财富增长。 其他说明：文章还包括系统设计的具体方法与技术选型的理由，以及项目实施过程中的难点讨论。对于开发者而言，不仅提供了详尽的技术指南，还强调了用户体验的重要性。
recommend-type

弹性盒子Flexbox布局.docx

弹性盒子Flexbox布局.docx
recommend-type

网络财务系统 SSM毕业设计 附带论文.zip

网络财务系统 SSM毕业设计 附带论文 启动教程:https://www.bilibili.com/video/BV1GK1iYyE2B
recommend-type

联想电脑的bios设置

联想电脑的bios设置、图文都有
recommend-type

探索数据转换实验平台在设备装置中的应用

资源摘要信息:"一种数据转换实验平台" 数据转换实验平台是一种专门用于实验和研究数据转换技术的设备装置，它能够帮助研究者或技术人员在模拟或实际的工作环境中测试和优化数据转换过程。数据转换是指将数据从一种格式、类型或系统转换为另一种，这个过程在信息科技领域中极其重要，尤其是在涉及不同系统集成、数据迁移、数据备份与恢复、以及数据分析等场景中。 在深入探讨一种数据转换实验平台之前，有必要先了解数据转换的基本概念。数据转换通常包括以下几个方面： 1. 数据格式转换：将数据从一种格式转换为另一种，比如将文档从PDF格式转换为Word格式，或者将音频文件从MP3格式转换为WAV格式。 2. 数据类型转换：涉及数据类型的改变，例如将字符串转换为整数，或者将日期时间格式从一种标准转换为另一种。 3. 系统间数据转换：在不同的计算机系统或软件平台之间进行数据交换时，往往需要将数据从一个系统的数据结构转换为另一个系统的数据结构。 4. 数据编码转换：涉及到数据的字符编码或编码格式的变化，例如从UTF-8编码转换为GBK编码。 针对这些不同的转换需求，一种数据转换实验平台应具备以下特点和功能： 1. 支持多种数据格式：实验平台应支持广泛的数据格式，包括但不限于文本、图像、音频、视频、数据库文件等。 2. 可配置的转换规则：用户可以根据需要定义和修改数据转换的规则，包括正则表达式、映射表、函数脚本等。 3. 高度兼容性：平台需要兼容不同的操作系统和硬件平台，确保数据转换的可行性。 4. 实时监控与日志记录：实验平台应提供实时数据转换监控界面，并记录转换过程中的关键信息，便于调试和分析。 5. 测试与验证机制：提供数据校验工具，确保转换后的数据完整性和准确性。 6. 用户友好界面：为了方便非专业人员使用，平台应提供简洁直观的操作界面，降低使用门槛。 7. 强大的扩展性：平台设计时应考虑到未来可能的技术更新或格式标准变更，需要具备良好的可扩展性。 具体到所给文件中的"一种数据转换实验平台.pdf"，它应该是一份详细描述该实验平台的设计理念、架构、实现方法、功能特性以及使用案例等内容的文档。文档中可能会包含以下几个方面的详细信息： - 实验平台的设计背景与目的：解释为什么需要这样一个数据转换实验平台，以及它预期解决的问题。 - 系统架构和技术选型：介绍实验平台的系统架构设计，包括软件架构、硬件配置以及所用技术栈。 - 核心功能与工作流程：详细说明平台的核心功能模块，以及数据转换的工作流程。 - 使用案例与操作手册：提供实际使用场景下的案例分析，以及用户如何操作该平台的步骤说明。 - 测试结果与效能分析：展示平台在实际运行中的测试结果，包括性能测试、稳定性测试等，并进行效能分析。 - 问题解决方案与未来展望：讨论在开发和使用过程中遇到的问题及其解决方案，以及对未来技术发展趋势的展望。 通过这份文档，开发者、测试工程师以及研究人员可以获得对数据转换实验平台的深入理解和实用指导，这对于产品的设计、开发和应用都具有重要价值。
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

ggflags包的国际化问题：多语言标签处理与显示的权威指南

![ggflags包的国际化问题：多语言标签处理与显示的权威指南](https://www.verbolabs.com/wp-content/uploads/2022/11/Benefits-of-Software-Localization-1024x576.png) # 1. ggflags包介绍及国际化问题概述 在当今多元化的互联网世界中，提供一个多语言的应用界面已经成为了国际化软件开发的基础。ggflags包作为Go语言中处理多语言标签的热门工具，不仅简化了国际化流程，还提高了软件的可扩展性和维护性。本章将介绍ggflags包的基础知识，并概述国际化问题的背景与重要性。 ## 1.1
recommend-type

如何使用MATLAB实现电力系统潮流计算中的节点导纳矩阵构建和阻抗矩阵转换，并解释这两种矩阵在潮流计算中的作用和差异？

在电力系统的潮流计算中，MATLAB提供了一个强大的平台来构建节点导纳矩阵和进行阻抗矩阵转换，这对于确保计算的准确性和效率至关重要。首先，节点导纳矩阵是电力系统潮流计算的基础，它表示系统中所有节点之间的电气关系。在MATLAB中，可以通过定义各支路的导纳值并将它们组合成矩阵来构建节点导纳矩阵。具体操作包括建立各节点的自导纳和互导纳，以及考虑变压器分接头和线路的参数等因素。 参考资源链接：[电力系统潮流计算：MATLAB程序设计解析](https://wenku.csdn.net/doc/89x0jbvyav?spm=1055.2569.3001.10343) 接下来，阻抗矩阵转换是
recommend-type

使用git-log-to-tikz.py将Git日志转换为TIKZ图形

资源摘要信息:"git-log-to-tikz.py 是一个使用 Python 编写的脚本工具，它能够从 Git 版本控制系统中的存储库生成用于 TeX 文档的 TIkZ 图。TIkZ 是一个用于在 LaTeX 文档中创建图形的包，它是 pgf（portable graphics format）库的前端，广泛用于创建高质量的矢量图形，尤其适合绘制流程图、树状图、网络图等。 此脚本基于 Michael Hauspie 的原始作品进行了更新和重写。它利用了 Jinja2 模板引擎来处理模板逻辑，这使得脚本更加灵活，易于对输出的 TeX 代码进行个性化定制。通过使用 Jinja2，脚本可以接受参数，并根据参数输出不同的图形样式。 在使用该脚本时，用户可以通过命令行参数指定要分析的 Git 分支。脚本会从当前 Git 存储库中提取所指定分支的提交历史，并将其转换为一个TIkZ图形。默认情况下，脚本会将每个提交作为 TIkZ 的一个节点绘制，同时显示提交间的父子关系，形成一个树状结构。 描述中提到的命令行示例： ```bash git-log-to-tikz.py master feature-branch > repository-snapshot.tex ``` 这个命令会将 master 分支和 feature-branch 分支的提交日志状态输出到名为 'repository-snapshot.tex' 的文件中。输出的 TeX 代码使用TIkZ包定义了一个 tikzpicture 环境，该环境可以被 LaTeX 编译器处理，并在最终生成的文档中渲染出相应的图形。在这个例子中，master 分支被用作主分支，所有回溯到版本库根的提交都会包含在生成的图形中，而并行分支上的提交则会根据它们的时间顺序交错显示。 脚本还提供了一个可选参数 `--maketest`，通过该参数可以执行额外的测试流程，但具体的使用方法和效果在描述中没有详细说明。一般情况下，使用这个参数是为了验证脚本的功能或对脚本进行测试。 此外，Makefile 中提供了调用此脚本的示例，说明了如何在自动化构建过程中集成该脚本，以便于快速生成所需的 TeX 图形文件。 此脚本的更新版本允许用户通过少量参数对生成的图形进行控制，包括但不限于图形的大小、颜色、标签等。这为用户提供了更高的自定义空间，以适应不同的文档需求和审美标准。 在使用 git-log-to-tikz.py 脚本时，用户需要具备一定的 Python 编程知识，以理解和操作 Jinja2 模板，并且需要熟悉 Git 和 TIkZ 的基本使用方法。对于那些不熟悉命令行操作的用户，可能需要一些基础的学习来熟练掌握该脚本的使用。 最后，虽然文件名称列表中只列出了 'git-log-to-tikz.py-master' 这一个文件，但根据描述，该脚本应能支持检查任意数量的分支，并且在输出的 TeX 文件中使用 `tikzset` 宏来轻松地重新设置图形的样式。这表明脚本具有较好的扩展性和灵活性。"
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