wandb: ERROR Failed to sample metric: Not Supported wandb: Tracking run with wandb version 0.13.6这个报错是为什么

时间: 2024-07-13 08:01:10 浏览: 241
PDF

Age of Information: A New Concept, Metric, and Tool.pdf

错误信息"Wandb: ERROR Failed to sample metric: Not Supported"是在使用Weights & Biases (W&B) 进行实验跟踪时遇到的问题。W&B是一个用于监控和分享机器学习实验的工具。这里的 "Not Supported" 提示可能是尝试记录某个特定的度量或指标，但该版本（v0.13.6）不支持这个操作。 可能的原因有： 1. **新功能或指标**：新的度量函数在您使用的早期版本中尚未添加，而您的代码尝试了这些新功能。 2. **数据类型或格式**：某些特殊的度量可能需要特定的数据结构或格式，当前的W&B版本无法处理。 3. **API更新**：W&B API 可能已经对度量收集的方式进行了更改，老版本的客户端没有相应调整。 4. **环境配置**：本地环境设置可能存在问题，比如依赖库未正确安装或配置。 解决方法包括： - **更新W&B**：检查是否有新的W&B版本可用，升级到最新版可能会修复这个问题。 - **查阅文档**：查看官方文档确认是否该度量在当前版本中被支持，或者寻找替代的可支持度量。 - **代码检查**：确保你在代码中指定的度量名称及其参数是正确的，并且适用于W&B。 - **联系支持**：如果以上都无法解决问题，联系W&B的官方支持寻求帮助。
阅读全文

相关推荐

zip

Revisiting_Deep_Metric_Learning_PyTorch:（ICML 2020）此仓库包含我们论文“重新审视深度度量学习中的培训策略和泛化性能”的代码（https

该存储库包含以下代码中使用的所有代码和实现： Revisiting Training Strategies and Generalization Performance in Deep Metric Learning接受ICML 2020 。链接： : 该代码旨在用作深度度量学习的研究起点。通过在...

ANSI B18.16.3M - Property Class 5 and 10 - Metric M12 x 1.75 金属类型.prt

ANSI B18.16.3M - Property Class 5 and 10 - Metric M12 x 1.75 金属类型.prt
rar

Key.Metric.Software.FolderSizes.v4.8.1.72.Incl.Keymaker.and.Patch-ROGUE

《全面解析：Key Metric Software FolderSizes v4.8.1.72——高效磁盘空间管理工具》 在数字化时代，计算机硬盘空间的管理和优化变得至关重要。Key Metric Software的FolderSizes是一款专业且实用的磁盘空间分析...
pdf

Blend: a Novel Combined MT Metric Based on Direct Assessment — CASICT-DCU submission to WMT17 Metrics Task

Existing metrics to evaluate the quality of Machine Translation hypotheses take different perspectives into account. DPMFcomb, a metric combining the merits of a range of metrics, achieved the best ...
zip

视频图matlab代码-ss_robust_metric:ss_robust_metric

ss_robust_metric MATLAB函数使用“目标评估”部分中描述的方法，将显着性视频序列与真实的显着性视频序列进行比较。 Y. Gitman，M。Erofeev，D。Vatolin，A。Bolshakov，A。Fedorov。 “半自动视觉注意力建模及其在...
zip

drtools-metric-visualization:绘制由drtools-metric生成的数据的图形工具

drtools-metric可视化 绘制由drtools-metric生成的数据的图形工具。 drtools-metric以开放标准（CSV和JSON）生成数据。 这为开发人员提供了极大的自由，使其可以使用并与其他感兴趣的工具（从电子表格到机器学习工具...
zip

图像的均方误差的matlab代码-shape_from_metric:shape_from_metric

shape_from_metric %%%%%%%%%%%%%%%%%%%%%pre 这次新增了十六面体的实验，虽然现在来看并不是重点。 这次发现一个问题，虽然这问题之前就说过了，也就是初始化。我使用的是各边长的平均值作为初始值并取得了较好的...

集成spring session redis 项目启动报错：nested exception is java.lang.NoClassDefFoundError: org/springframework/data/geo/Metric

这个错误通常是因为缺少依赖库或版本不匹配导致的。建议检查以下几点： 1. 确认项目中已经添加了Spring Data JPA的依赖库，并且版本正确。 2. 确认项目中已经添加了Spring Data Redis的依赖库，并且版本正确。 3....

def evaluate_accuracy(net, data_iter): # evaluate 估计 accuracy 精确性 if isinstance(net, torch.nn.Module): # instance 例子 net.eval() # evalution metric = Accumulator(2) # metric 公制 度量标准 accumulate 累加 with torch.no_grad(): for X, y in data_iter: metric.add(accuracy(net(X), y), y.numel()) # numel number of element return metric[0] / metric[1] # metric 度量标准 报错 ZeroDivisionError: float division by zero

这个错误是因为 metric[1] 的值为 0，导致除数为 0，无法进行除法操作。可能是因为 data_iter 中没有数据，或者数据的标签 y 所含的元素个数为 0。 你可以在调用 evaluate_accuracy 函数之前打印一下 data...

此行代码“from script.metric_system import MetricSystem”报错：No module named 'script'

这个错误通常是因为 Python 没有找到名为 script 的模块。您需要确保 script.metric_system 模块的路径被正确添加到了 sys.path 中。 您可以尝试使用下面的代码来添加路径并导入 MetricSystem 类： ...

如何解决Loading and preparing results... DONE (t=0.01s) creating index... index created! Running per image evaluation... Evaluate annotation type *bbox* DONE (t=0.53s). Accumulating evaluation results... Traceback (most recent call last): File "tools/train.py", line 133, in <module> main() File "tools/train.py", line 129, in main runner.train() File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/mmengine/runner/runner.py", line 1721, in train model = self.train_loop.run() # type: ignore File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/mmengine/runner/loops.py", line 102, in run self.runner.val_loop.run() File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/mmengine/runner/loops.py", line 366, in run metrics = self.evaluator.evaluate(len(self.dataloader.dataset)) File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/mmengine/evaluator/evaluator.py", line 79, in evaluate _results = metric.evaluate(size) File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/mmengine/evaluator/metric.py", line 133, in evaluate _metrics = self.compute_metrics(results) # type: ignore File "/home/wangbei/mmdetection(coco)/mmdet/evaluation/metrics/coco_metric.py", line 512, in compute_metrics coco_eval.accumulate() File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/pycocotools-2.0-py3.8-linux-x86_64.egg/pycocotools/cocoeval.py", line 378, in accumulate tp_sum = np.cumsum(tps, axis=1).astype(dtype=np.float) File "/home/wangbei/anaconda3/envs/Object_mmdetection/lib/python3.8/site-packages/numpy/__init__.py", line 305, in __getattr__ raise AttributeError(__former_attrs__[attr]) AttributeError: module 'numpy' has no attribute 'float'. np.float was a deprecated alias for the builtin float. To avoid this error in existing code, use float by itself. Doing this will not modify any behavior and is safe. If you specifically wanted the numpy scalar type, use np.float64 here. The aliases was originally deprecated in NumPy 1.20; for more details and guidance see the original release note at: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations WARNING:torch.distributed.elastic.multiprocessing.api:Sending process 30235 closing signal SIGTERM ERROR:torch.distributed.elastic.multiprocessing.api:failed (exitcode: 1) local_rank: 0 (pid: 30234) of binary: /home/wangbei/anaconda3/envs/Object_mmdetection/bin/python

这是一个错误日志，看起来是在运行目标检测模型时出现的。错误信息显示在使用numpy库时出现了问题，建议检查代码中是否有使用到numpy库的地方，尤其是是否有使用了np.float这个别名，如果有的话，应该使用float代替...

报错：For early stopping, at least one dataset and eval metric is required for evaluation

这个错误通常是在使用 EarlyStopping 时出现的，它要求你至少提供一个数据集和评估指标来进行模型评估。请确保你已经在训练过程中为 EarlyStopping 提供了这些信息。 具体来说，你需要在 fit 函数中为 early_...

Error reading Prometheus: Metric request error

回答: 根据引用\[1\]中的内容，要解决"Error reading Prometheus: Metric request error"的问题，可以尝试在prometheus的启动脚本中传入"--web.enable-admin-api"参数，并执行"systemctl deamon-reload"和"systemctl...

% OPMODE denotes the operation mode of the decoder. Choices are: % 'trunc' : The encoder is assumed to have started at the all-zeros state. % The decoder traces back from the state with the best metric. % 'term' : The encoder is assumed to have both started and ended at the % all-zeros state. The decoder traces back from the all-zeros % state. % 'cont' : The encoder is assumed to have started at the all-zeros state. % The decoder traces back from the state with the best metric. A % delay equal to TBLEN symbols is incurred.

这是一段MATLAB程序的注释，描述了一个语音编解码器的操作模式。OPMODE是一个变量，用来指定解码器的操作模式，可以取三个值：'trunc'，'term'和'cont'。'trunc'模式下，解码器假设编码器从零状态开始工作，从最佳...

def evaluate_accuracy_gpu(net, data_iter, device=None): #@save """使⽤GPU计算模型在数据集上的精度""" if isinstance(net, nn.Module): net.eval() # 设置为评估模式 if not device: device = next(iter(net.parameters())).device # 正确预测的数量，总预测的数量 metric = d2l.Accumulator(2) with torch.no_grad(): for X, y in data_iter: if isinstance(X, list): # BERT微调所需的（之后将介绍） X = [x.to(device) for x in X] else: X = X.to(device) y = y.to(device) metric.add(d2l.accuracy(net(X), y), y.numel()) return metric[0] / metric[1]

这段代码是用于在 GPU 上计算模型在数据集上的精度的函数。首先判断输入的模型 net 是否是 nn.Module 类型，如果是，则将其设置为评估模式。如果没有指定设备，则使用 net 中参数的设备。函数中使用了一个累加器 ...

def evaluate_accuracy(net, data_iter): if isinstance(net, torch.nn.Module): net.eval() metric = Accumulator(2) for X, y in data_iter: metric.add(accuracy(net(X), y), y.numel()) return metric[0] / metric[1] 中metric = Accumulator(2)这一行是什么意思，其中Accumulator类如下： class Accumulator: """在n个变量上累加。""" def __init__(self, n): self.data = [0.0] * n def add(self, *args): self.data = [a + float(b) for a, b in zip(self.data, args)] def reset(self): self.data = [0.0] * len(self.data) def __getitem__(self, idx): return self.data[idx]

这行代码metric = Accumulator(2)的意思是创建了一个Accumulator类的实例，该实例有两个变量用于累加数据。在这个特定的例子中，metric用于累加模型预测的准确率和样本数量。 Accumulator类的定义如下： ...

loss_metric = 0.0 target_norm = F.normalize(target) # print('target_norm:',target_norm.size()) target_clf = self.classifier_layer(target,None) # print('target_clf:',target_clf.size()) target_logits = torch.nn.functional.softmax(target_clf, dim=1) # print(target_logits[0]) for c in range(self.num_class): logits_c = target_logits[:, c].reshape((target_logits.shape[0],1)) # (B, 1) # print('logits_c:',logits_c.size()) # print('logits_c:',logits_c[0]) # print('target_norm:',target_norm[0]) target_sample_c = logits_c * target_norm # print('target_sample_C:',target_sample_c[0]) # print('target_sample_c:',target_sample_c.size()) source_w_norm = F.normalize(self.classifier_layer.weight) # print('source_w_norm:',source_w_norm.size()) source_w_norm_c = source_w_norm[c] # print('source_w_norm_c:',source_w_norm_c.size()) metric_loss_c = torch.mean(F.linear(target_sample_c, source_w_norm_c)) # print('metric_loss_c:',metric_loss_c.size()) loss_metric += metric_loss_c metric_loss = 1 - (loss_metric / self.num_class)

这段代码是一个计算度量损失（metric loss）的过程。下面是对每个步骤的解释： 1. loss_metric = 0.0：初始化度量损失为0。 2. target_norm = F.normalize(target)：对 target 张量进行归一化处理，使用 F....

The following nodes are not monitored. Click 'Monitor with Metricbeat' below to start monitoring.

Click 'Monitor with Metricbeat' below to start monitoring" 的消息，那么这表示 Elasticsearch 节点没有被正确地监控。 要解决这个问题，可以按照以下步骤操作： 1. 确认 Metricbeat 已经正确地配置并且正在...

Traceback (most recent call last): File "/home/bingxing2/home/scx6281/segmentanything/SAM-Adapter-PyTorch/train.py", line 271, in <module> main(config, save_path, args=args) File "/home/bingxing2/home/scx6281/segmentanything/SAM-Adapter-PyTorch/train.py", line 206, in main result1, result2, result3, result4, metric1, metric2, metric3, metric4 = eval_psnr(val_loader, model, File "/home/bingxing2/home/scx6281/segmentanything/SAM-Adapter-PyTorch/train.py", line 91, in eval_psnr result1, result2, result3, result4 = metric_fn(pred_list, gt_list) UnboundLocalError: local variable 'metric_fn' referenced before assignment ERROR:torch.distributed.elastic.multiprocessing.api:failed (exitcode: 1) local_rank: 0 (pid: 3699190) of binary: /home/bingxing2/home/scx6281/.conda/envs/seggg/bin/python Traceback (most recent call last): File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/runpy.py", line 197, in _run_module_as_main return _run_code(code, main_globals, None, File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/runpy.py", line 87, in _run_code exec(code, run_globals) File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/site-packages/torch/distributed/launch.py", line 195, in <module> main() File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/site-packages/torch/distributed/launch.py", line 191, in main launch(args) File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/site-packages/torch/distributed/launch.py", line 176, in launch run(args) File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/site-packages/torch/distributed/run.py", line 753, in run elastic_launch( File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/site-packages/torch/distributed/launcher/api.py", line 132, in __call__ return launch_agent(self._config, self._entrypoint, list(args)) File "/home/bingxing2/home/scx6281/.conda/envs/seggg/lib/python3.9/site-packages/torch/distributed/launcher/api.py", line 246, in launch_agent raise ChildFailedError( torch.distributed.elastic.multiprocessing.errors.ChildFailedError:

这个错误信息显示在运行train.py过程中出现了一个UnboundLocalError，即引用了一个未定义的变量。具体来说，是metric_fn这个变量在被引用之前没有被赋值。这可能是由于代码中的某个逻辑错误导致的。建议检查一下代码...

最新推荐

recommend-type

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

在TensorFlow 2.0中，`tf.keras.Model.load_weights()` 是一个非常有用的函数，用于加载预先训练好的权重到模型中，以便继续训练或进行预测。然而，在实际操作中，可能会遇到一些报错，本文将针对这些问题提供解决...
recommend-type

keras 自定义loss损失函数,sample在loss上的加权和metric详解

在深度学习框架Keras中，损失函数(loss function)和评估指标(metric)是模型训练的核心组成部分。损失函数是衡量模型预测结果与真实值之间差距的度量，它决定了模型优化的方向。而评估指标则用于监控模型在特定任务上...
recommend-type

MiniGui业务开发基础培训-htk

MiniGui业务开发基础培训-htk
recommend-type

com.harmonyos.exception.DiskReadWriteException(解决方案).md

鸿蒙开发中碰到的报错，问题已解决，写个文档记录一下这个问题及解决方案
recommend-type

前端协作项目：发布猜图游戏功能与待修复事项

资源摘要信息:"People-peephole-frontend是一个面向前端开发者的仓库，包含了一个由Rails和IOS团队在2015年夏季亚特兰大Iron Yard协作完成的项目。该仓库中的项目是一个具有特定功能的应用，允许用户通过iPhone或Web应用发布图像，并通过多项选择的方式让用户猜测图像是什么。该项目提供了一个互动性的平台，使用户能够通过猜测来获取分数，正确答案将提供积分，并防止用户对同一帖子重复提交答案。 当前项目存在一些待修复的错误，主要包括： 1. 答案提交功能存在问题，所有答案提交操作均返回布尔值true，表明可能存在逻辑错误或前端与后端的数据交互问题。 2. 猜测功能无法正常工作，这可能涉及到游戏逻辑、数据处理或是用户界面的交互问题。 3. 需要添加计分板功能，以展示用户的得分情况，增强游戏的激励机制。 4. 删除帖子功能存在损坏，需要修复以保证应用的正常运行。 5. 项目的样式过时，需要更新以反映跨所有平台的流程，提高用户体验。 技术栈和依赖项方面，该项目需要Node.js环境和npm包管理器进行依赖安装，因为项目中使用了大量Node软件包。此外，Bower也是一个重要的依赖项，需要通过bower install命令安装。Font-Awesome和Materialize是该项目用到的前端资源，它们提供了图标和界面组件，增强了项目的视觉效果和用户交互体验。 由于本仓库的主要内容是前端项目，因此JavaScript知识在其中扮演着重要角色。开发者需要掌握JavaScript的基础知识，以及可能涉及到的任何相关库或框架，比如用于开发Web应用的AngularJS、React.js或Vue.js。同时，对于iOS开发，可能还会涉及到Swift或Objective-C等编程语言，以及相应的开发工具Xcode。对于Rails，开发者则需要熟悉Ruby编程语言以及Rails框架的相关知识。 开发流程中可能会使用的其他工具包括： - Git：用于版本控制和代码管理。 - HTML/CSS：用于构建网页结构和样式。 - Webpack或Gulp：用于项目构建和优化流程。 - Babel：用于JavaScript代码的兼容性处理。 - Linting工具：如ESLint，用于代码质量检查和维护代码风格一致性。 总结来看，People-peephole-frontend项目不仅涉及到了跨平台协作的经验分享，还提供了前端开发的学习和实践机会，尤其在交互设计、前端工程化、依赖管理及样式设计等方面。开发者可以通过参与该项目的修复和完善工作，提高自身技能并积累宝贵的项目经验。"
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

【高斯信道信号编码优化】：4大方法优化Chirp信号编码过程

![高斯信道下的chirp信号解调](https://img-blog.csdnimg.cn/d37646d14e4e4b51b01e617b59167c74.png) # 1. 高斯信道与Chirp信号编码基础 ## 简介 在现代通信领域，信息的传递无处不在，而保障信息传递的清晰与高效是通信技术的核心挑战之一。高斯信道作为通信系统中最常见和基础的模型，为我们理解和优化信号传输提供了重要的理论支持。Chirp信号，以其独特的频谱扩展特性，在无线通信、雷达和声纳系统中发挥着越来越重要的作用。本章将介绍高斯信道的特性以及Chirp信号的基础知识，为读者搭建起后续章节深入探讨优化方法的理论基础。
recommend-type

对给定图，实现图的深度优先遍历和广度优先遍历。以邻接表或邻接矩阵为存储结构，实现连通无向图的深度优先和广度优先遍历。以用户指定的结点为起点，分别输出每种遍历下的结点访问序列，并调试算法。使用C语言

在C语言中，我们可以使用邻接表或邻接矩阵来存储图的数据结构。这里我将简单介绍如何实现深度优先搜索（DFS）和广度优先搜索（BFS）： **使用邻接表实现：** ```c #include <stdio.h> #include <stdlib.h> typedef struct Node { int val; struct Node* next; } Node; // 创建邻接列表表示图 Node* createAdjacencyList(int numNodes) { // 初始化节点数组 Node** adjList = malloc(sizeof(No
recommend-type

Spring框架REST服务开发实践指南

资源摘要信息: "在本教程中，我们将详细介绍如何使用Spring框架来构建RESTful Web服务，提供对Java开发人员的基础知识和学习参考。" 一、Spring框架基础知识 Spring是一个开源的Java/Java EE全功能栈（full-stack）应用程序框架和 inversion of control（IoC）容器。它主要分为以下几个核心模块： - 核心容器：包括Core、Beans、Context和Expression Language模块。 - 数据访问/集成：涵盖JDBC、ORM、OXM、JMS和Transaction模块。 - Web模块：提供构建Web应用程序的Spring MVC框架。 - AOP和Aspects：提供面向切面编程的实现，允许定义方法拦截器和切点来清晰地分离功能。 - 消息：提供对消息传递的支持。 - 测试：支持使用JUnit或TestNG对Spring组件进行测试。 二、构建RESTful Web服务 RESTful Web服务是一种使用HTTP和REST原则来设计网络服务的方法。Spring通过Spring MVC模块提供对RESTful服务的构建支持。以下是一些关键知识点： - 控制器（Controller）：处理用户请求并返回响应的组件。 - REST控制器：特殊的控制器，用于创建RESTful服务，可以返回多种格式的数据（如JSON、XML等）。 - 资源（Resource）：代表网络中的数据对象，可以通过URI寻址。 - @RestController注解：一个方便的注解，结合@Controller注解使用，将类标记为控制器，并自动将返回的响应体绑定到HTTP响应体中。 - @RequestMapping注解：用于映射Web请求到特定处理器的方法。 - HTTP动词（GET、POST、PUT、DELETE等）：在RESTful服务中用于执行CRUD（创建、读取、更新、删除）操作。 三、使用Spring构建REST服务 构建REST服务需要对Spring框架有深入的理解，以及熟悉MVC设计模式和HTTP协议。以下是一些关键步骤： 1. 创建Spring Boot项目：使用Spring Initializr或相关构建工具（如Maven或Gradle）初始化项目。 2. 配置Spring MVC：在Spring Boot应用中通常不需要手动配置，但可以进行自定义。 3. 创建实体类和资源控制器：实体类映射数据库中的数据，资源控制器处理与实体相关的请求。 4. 使用Spring Data JPA或MyBatis进行数据持久化：JPA是一个Java持久化API，而MyBatis是一个支持定制化SQL、存储过程以及高级映射的持久层框架。 5. 应用切面编程（AOP）：使用@Aspect注解定义切面，通过切点表达式实现方法的拦截。 6. 异常处理：使用@ControllerAdvice注解创建全局异常处理器。 7. 单元测试和集成测试：使用Spring Test模块进行控制器的测试。 四、学习参考 - 国际奥委会：可能是错误的提及，对于本教程没有相关性。 - AOP：面向切面编程，是Spring的核心功能之一。 - MVC：模型-视图-控制器设计模式，是构建Web应用的常见架构。 - 道：在这里可能指学习之道，或者是学习Spring的原则和最佳实践。 - JDBC：Java数据库连接，是Java EE的一部分，用于在Java代码中连接和操作数据库。 - Hibernate：一个对象关系映射（ORM）框架，简化了数据库访问代码。 - MyBatis：一个半自动化的ORM框架，它提供了更细致的SQL操作方式。 五、结束语 以上内容为《learnSpring:学习春天》的核心知识点，涵盖了从Spring框架的基础知识、RESTful Web服务的构建、使用Spring开发REST服务的方法，以及与学习Spring相关的技术栈介绍。对于想要深入学习Java开发，特别是RESTful服务开发的开发者来说，这是一份非常宝贵的资源。
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