initial_indices_per_batch = initial_indices[i: i + batch_size] X = [data(j) for j in initial_indices_per_batch] Y = [data(j + 1) for j in initial_indices_per_batch] yield np.array(X), np.array(Y)解释一下

时间: 2023-03-30 22:03:44 浏览: 123
ZIP

Devine_Mots：Devine Mots预测了dedevion的麻烦，并为aveave l'aide de plusieurs索引造成了麻烦！

这段代码是一个生成器函数，用于生成训练数据的批次。其中，initial_indices是一个包含所有数据索引的列表，batch_size是每个批次的数据量。代码中，通过切片获取一个批次的数据索引，然后分别获取对应索引的X和Y数据，最后将X和Y转换为numpy数组并yield返回。
阅读全文

相关推荐

zip

torch_scatter-2.0.7-cp36-cp36m-linux_x86_64whl.zip

例如，如果你有一个形状为(batch_size, num_nodes)的张量src，你想将每个节点的值分散并累加到形状为(num_nodes,)的目标张量target上，你可以这样调用scatter_add： python import torch_scatter ...
pdf

批量驱动智能：PyTorch中的批量处理全面指南

for data in dataloader: inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() #### 6. 多线程数据加载 ...

initial_indices_per_batch = initial_indices[i: i + batch_size] X = [data(j) for j in initial_indices_per_batch] Y = [data(j + 1) for j in initial_indices_per_batch] yield np.array(X), np.array(Y)

这是一个 Python 代码...其中 initial_indices 是一个索引列表，batch_size 是每个批次的大小，data 是原始数据。该代码片段将 initial_indices 划分为大小为 batch_size 的子列表，然后使用这些子列表生成训练数据。

for i in range(0, batch_size * num_batches, batch_size):initial_indices_per_batch = initial_indices[i: i + batch_size] X = [data(j) for j in initial_indices_per_batch] Y = [data(j + 1) for j in initial_indices_per_batch] yield torch.tensor(X), torch.tensor(Y)

对于每个批次，函数会从 initial_indices 中随机选取 batch_size 个起始索引，然后根据这些起始索引从数据集中获取对应的子序列，分别赋值给 X 和 Y，最后使用 yield 语句将数据批次以 tensor 的形式返回，方便模型...

for i in range(0,num_examples,batch_size): batch_indices = torch.tensor( indices[i:min(i + batch_size,num_examples)]) yield features[batch_indices],labels[batch_indices] batch_size = 10

它使用了Python内置的range()函数来迭代数据集，每次处理batch_size个样本。对于每个批次，它会在features和labels张量中选择相应的行，并将它们作为输出生成器的一部分返回。最后一个批次可能包含不到...

翻译代码：for i in range(0, num_examples, batch_size): batch_indices = torch.tensor( indices[i: min(i + batch_size, num_examples)]) yield features[batch_indices], labels[batch_indices]

这段代码是一个生成器函数，通过 for 循环迭代从 0 开始，以 batch_size 为步长，遍历 num_examples 的整数序列。在每次循环中，它会根据当前的 i 值获取一个批次的索引，使用 torch.tensor 将这些索引转换为张量，...

for i in range(0, num_examples, batch_size): batch_indices = torch.tensor( indices[i: min(i + batch_size, num_examples)]) yield features[batch_indices], labels[batch_indices]

range(0, num_examples, batch_size)是一个迭代器对象，它每次迭代都会产生一个从0开始，batch_size为步长的等差数列。这样，每次迭代时，i就会取到从0开始的一段连续的索引，这些索引对应了数据集中的...

for i in range(0,num_examples,batch_size): batch_indices = torch.tensor(indices[i:min(i+batch_size,num_examples)]) yield features[batch_indices],labels[batch_indices]

在每次迭代中，通过torch.tensor(indices[i:min(i+batch_size,num_examples)])创建一个张量，其中包含当前批次的样本索引。然后使用这些索引从features和labels中获取对应的批次数据，并使用yield关键字将批次数据...

User def __init__(self, primary_indices, secondary_indices, batch_size, secondary_batch_size): self.primary_indices = primary_indices self.secondary_indices = secondary_indices self.secondary_batch_size = secondary_batch_size self.primary_batch_size = batch_size - secondary_batch_size assert len(self.primary_indices) >= self.primary_batch_size > 0 assert len(self.secondary_indices) >= self.secondary_batch_size > 0代码解释

- batch_size: 批次大小，是一个整数类型。 - secondary_batch_size: 次要批次大小，也是一个整数类型。 在初始化对象时，会将以上四个参数传入构造函数中，并创建以下四个属性： - self.primary_indices：用于...

解释此代码import torch import random def data_iter(batch_size,features,labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) for i in range(0,num_examples,batch_size): batch_indices = torch.tensor(indices[i:min(i+batch_size,num_examples)]) yield features[batch_indices],labels[batch_indices] w = torch.normal(0,0.01,size=(p,1),requires_grad=True) b = torch.zeros(1,requires_grad=True) for epoch in range(num_epochs): for X,y in data_iter(batch_size,features,labels): y_hat = X @ w + b loss = ((y_hat-y)**2/2).mean() loss.backward() for param in [w,b]: param -= learning_rate * param.grad param.grad.zero_()

内层循环通过调用data_iter函数来获取一个批次的特征X和标签y。 5. 前向传播：计算预测值y_hat，利用矩阵乘法运算X @ w得到预测值，并加上偏置b。 6. 计算损失：计算均方差损失函数，即预测值和实际值之间的差的...

batch_indices = torch.tensor( indices[i:min(i + batch_size,num_examples)])

这行代码会将从i开始，到i+batch_size或num_examples结束的索引切片取出来，并用torch.tensor将它们转换为张量(batch_indices)，以便后续处理。 ### 回答2： batch_indices 是一个 torch.tensor 对象，它存储了一...

batch_indices = torch.tensor(indices[i: min(i + batch_size, num_examples)])什么意思

这行代码的作用是从变量indices中取出i到min(i+batch_size, num_examples)之间的元素，并将其转换为一个PyTorch张量赋值给变量batch_indices。其中，i表示起始下标，batch_size表示每个batch的大小，...

batch_indices = torch.tensor(indices[i: min(i+ batch_size, num_examoles)])什么意思

这行代码的意思是从一个列表中取出一部分元素，其中i是起始索引，min(i+batch_size,num_examples)是结束索引，batch_size是一个batch中的样本数，num_examples是总样本数。然后将这些元素的索引放入一个PyTorch张量...

def data_iter(batch_size,features,labels): num_examples=len(features) indices=list(range(num_examples)) np.random.shuffle(indices) for i in range(0,num_examples,batch_size): j=torch.LongTensor(indices[i:min(i+batch_size,num_examples)]) yield features.index_select(0,j),labels.index_select(0,j) 帮我解释一下这段代码

这段代码定义了一个数据迭代器函数 data_iter，用于生成按批次处理数据的迭代器。 参数说明： - batch_size：每个批次的样本数量 - features：输入特征数据 - labels：对应的标签数据 首先，通过 len...

def data_iter(batch_size, features, labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) # 样本的读取顺序是随机的 for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch yield features.index_select(0, j), labels.index_select(0, j)

这段代码定义了一个数据迭代器函数，它接收三个参数：batch_size、features 和 labels。batch_size 表示每次迭代的数据量，features 和 labels 是数据集的特征和标签。 函数中先计算出数据集的样本数 num_examples...

def data_iter(batch_size, features, labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) # 样本的读取顺序是随机的 for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch yield features.index_select(0, j), labels.index_select(0, j)

它接收三个参数：batch_size（每个批次的样本数量）、features（特征数据）和labels（标签数据）。首先，它获取样本的总数，并创建一个包含所有样本索引的列表。然后，它对索引列表进行随机打乱，以实现随机读取样本...

batch_indices = torch.tensor( indices[i: min(i + 2, 6)])

这段代码中，indices是一个列表，i是一个整数，代码的作用是取出indices中从下标i开始的2个元素，如果i加2后超出了列表的长度，则只取到列表的末尾。然后使用这些元素创建一个PyTorch张量batch_indices...

生成torch代码：class ConcreteAutoencoderFeatureSelector(): def __init__(self, K, output_function, num_epochs=300, batch_size=None, learning_rate=0.001, start_temp=10.0, min_temp=0.1, tryout_limit=1): self.K = K self.output_function = output_function self.num_epochs = num_epochs self.batch_size = batch_size self.learning_rate = learning_rate self.start_temp = start_temp self.min_temp = min_temp self.tryout_limit = tryout_limit def fit(self, X, Y=None, val_X=None, val_Y=None): if Y is None: Y = X assert len(X) == len(Y) validation_data = None if val_X is not None and val_Y is not None: assert len(val_X) == len(val_Y) validation_data = (val_X, val_Y) if self.batch_size is None: self.batch_size = max(len(X) // 256, 16) num_epochs = self.num_epochs steps_per_epoch = (len(X) + self.batch_size - 1) // self.batch_size for i in range(self.tryout_limit): K.set_learning_phase(1) inputs = Input(shape=X.shape[1:]) alpha = math.exp(math.log(self.min_temp / self.start_temp) / (num_epochs * steps_per_epoch)) self.concrete_select = ConcreteSelect(self.K, self.start_temp, self.min_temp, alpha, name='concrete_select') selected_features = self.concrete_select(inputs) outputs = self.output_function(selected_features) self.model = Model(inputs, outputs) self.model.compile(Adam(self.learning_rate), loss='mean_squared_error') print(self.model.summary()) stopper_callback = StopperCallback() hist = self.model.fit(X, Y, self.batch_size, num_epochs, verbose=1, callbacks=[stopper_callback], validation_data=validation_data) # , validation_freq = 10) if K.get_value(K.mean( K.max(K.softmax(self.concrete_select.logits, axis=-1)))) >= stopper_callback.mean_max_target: break num_epochs *= 2 self.probabilities = K.get_value(K.softmax(self.model.get_layer('concrete_select').logits)) self.indices = K.get_value(K.argmax(self.model.get_layer('concrete_select').logits)) return self def get_indices(self): return K.get_value(K.argmax(self.model.get_layer('concrete_select').logits)) def get_mask(self): return K.get_value(K.sum(K.one_hot(K.argmax(self.model.get_layer('concrete_select').logits), self.model.get_layer('concrete_select').logits.shape[1]), axis=0)) def transform(self, X): return X[self.get_indices()] def fit_transform(self, X, y): self.fit(X, y) return self.transform(X) def get_support(self, indices=False): return self.get_indices() if indices else self.get_mask() def get_params(self): return self.model

这段代码定义了一个名为"ConcreteAutoencoderFeatureSelector"的类，它有几个参数，包括：K（特征数目），output_function（输出函数），num_epochs（迭代次数），batch_size（批大小），learning_rate（学习率），...
zip

go 生成基于 graphql 服务器库.zip

格奇尔根 首页 > 文件 > gqlgen是什么？gqlgen是一个 Go 库，用于轻松构建 GraphQL 服务器。gqlgen 基于 Schema 优先方法— 您可以使用 GraphQL Schema 定义语言来定义您的 API 。gqlgen 优先考虑类型安全— 您永远不应该看到map[string]interface{}这里。gqlgen 启用 Codegen — 我们生成无聊的部分，以便您可以专注于快速构建您的应用程序。还不太确定如何使用gqlgen？将gqlgen与其他 Go graphql实现进行比较快速启动初始化一个新的 go 模块mkdir examplecd examplego mod init example添加github.com/99designs/gqlgen到项目的 tools.goprintf '//go:build tools\npackage tools\nimport (_ "github.com/99designs/gqlgen"\n _ "github.com/99designs/gqlgen

最新推荐

recommend-type

go 生成基于 graphql 服务器库.zip

格奇尔根 首页 > 文件 > gqlgen是什么？gqlgen是一个 Go 库，用于轻松构建 GraphQL 服务器。gqlgen 基于 Schema 优先方法— 您可以使用 GraphQL Schema 定义语言来定义您的 API 。gqlgen 优先考虑类型安全— 您永远不应该看到map[string]interface{}这里。gqlgen 启用 Codegen — 我们生成无聊的部分，以便您可以专注于快速构建您的应用程序。还不太确定如何使用gqlgen？将gqlgen与其他 Go graphql实现进行比较快速启动初始化一个新的 go 模块mkdir examplecd examplego mod init example添加github.com/99designs/gqlgen到项目的 tools.goprintf '//go:build tools\npackage tools\nimport (_ "github.com/99designs/gqlgen"\n _ "github.com/99designs/gqlgen
recommend-type

基于JAVA+SpringBoot+Vue+MySQL的社区物资交易互助平台 源码+数据库+论文(高分毕业设计).zip

项目已获导师指导并通过的高分毕业设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 包含：项目源码、数据库脚本、软件工具等，该项目可以作为毕设、课程设计使用，前后端代码都在里面。 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷，具有很高的实际应用价值。 项目都经过严格调试，确保可以运行！可以放心下载 技术组成 语言：java 开发环境：idea 数据库：MySql8.0 部署环境：maven 数据库工具：navicat
recommend-type

法研杯2021类案检索赛道三等奖方案源码+项目说明+数据.zip

法研杯2021类案检索赛道三等奖方案源码+项目说明+数据.zip是一个专为计算机相关专业（如计科、信息安全、数据科学与大数据技术等）学生设计的宝贵学习资源。该压缩包包含了完整的项目源码、详细的项目说明文档以及用于训练和测试的数据集，旨在帮助参赛者深入理解并掌握类案检索的相关技术和方法。该项目通过实际案例，展示了如何运用自然语言处理和机器学习技术对法律案件进行智能检索和匹配。项目内容涵盖了从数据预处理、特征提取到模型训练和评估的全过程，为学习和研究类案检索技术提供了全面的参考。本项目不仅适合作为课程设计、期末大作业或毕设项目的参考，也是企业员工提升技能、进行实践操作的优质学习资料。通过实际操作和学习该项目，用户可以加深对类案检索技术的理解，并在实践中不断提升自己的技能水平。请注意，由于该资源包含完整的项目源码和数据集，下载和使用时请确保遵守相关法律法规和道德规范，尊重知识产权和隐私权。同时，建议用户在使用前仔细阅读项目说明文档，了解项目的整体架构和使用方法，以便更好地利用该资源进行学习和研究。
recommend-type

基于Cesium实现的对倾斜摄影模型的单体化分层方案源码.zip

本资源提供了基于Cesium实现的倾斜摄影模型单体化分层方案的完整源码，旨在帮助开发者深入理解并实践三维地理空间数据的处理与展示。通过Cesium平台，用户能够将倾斜摄影获取的高精度三维模型进行单体化和分层处理，实现对模型中每个独立元素的精细管理和交互操作。该资源适合具备一定计算机编程基础的学习者，特别是对Cesium感兴趣的学生、研究人员及GIS行业从业者。通过下载并学习这些源码，用户可以掌握倾斜摄影模型在Cesium中的加载、单体化以及分层显示等关键技术，进而提升自己在三维地理信息系统开发领域的技能水平。
recommend-type

WordPress作为新闻管理面板的实现指南

资源摘要信息: "使用WordPress作为管理面板" WordPress，作为当今最流行的开源内容管理系统（CMS），除了用于搭建网站、博客外，还可以作为一个功能强大的后台管理面板。本示例展示了如何利用WordPress的后端功能来管理新闻或帖子，将WordPress用作组织和发布内容的管理面板。 首先，需要了解WordPress的基本架构，包括它的数据库结构和如何通过主题和插件进行扩展。WordPress的核心功能已经包括文章（帖子）、页面、评论、分类和标签的管理，这些都可以通过其自带的仪表板进行管理。 在本示例中，WordPress被用作一个独立的后台管理面板来管理新闻或帖子。这种方法的好处是，WordPress的用户界面（UI）友好且功能全面，能够帮助不熟悉技术的用户轻松管理内容。WordPress的主题系统允许用户更改外观，而插件架构则可以扩展额外的功能，比如表单生成、数据分析等。 实施该方法的步骤可能包括： 1. 安装WordPress：按照标准流程在指定目录下安装WordPress。 2. 数据库配置：需要修改WordPress的配置文件（wp-config.php），将数据库连接信息替换为当前系统的数据库信息。 3. 插件选择与定制：可能需要安装特定插件来增强内容管理的功能，或者对现有的插件进行定制以满足特定需求。 4. 主题定制：选择一个适合的WordPress主题或者对现有主题进行定制，以实现所需的视觉和布局效果。 5. 后端访问安全：由于将WordPress用于管理面板，需要考虑安全性设置，如设置强密码、使用安全插件等。 值得一提的是，虽然WordPress已经内置了丰富的管理功能，但在企业级应用中，还需要考虑性能优化、安全性增强、用户权限管理等方面。此外，由于WordPress主要是作为内容发布平台设计的，将其作为管理面板可能需要一定的定制工作以确保满足特定的业务需求。 【PHP】标签意味着在实现该示例时，需要使用PHP编程语言。WordPress本身是由PHP语言开发的，因此开发者可能需要具备PHP开发能力，或至少能够理解PHP代码基础，以便对WordPress进行定制和扩展。 最后，【压缩包子文件的文件名称列表】中的"dctb-wp-as-admin-panel-master"暗示了这是一个存放所有相关文件的主目录，包括源代码、配置文件、模板文件、资源文件等，这些文件是安装和运行WordPress管理面板所必需的。在实际部署时，开发者需要上传这些文件到服务器，按照文档说明进行配置和安装。 总之，本示例提供了一个通过WordPress来搭建一个简单新闻或帖子管理系统的思路，展示了如何利用现有的开源工具来实现特定的业务需求。开发者需要有相应的PHP和WordPress知识，以及对网络安全和性能优化的基本了解。
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

函数与模块化编程宝典：J750编程高效之路

![函数与模块化编程宝典：J750编程高效之路](https://github.blog/wp-content/uploads/2021/12/python-intermediate-update.png?resize=1024%2C494) 参考资源链接：[泰瑞达J750设备编程基础教程](https://wenku.csdn.net/doc/6412b472be7fbd1778d3f9e1?spm=1055.2635.3001.10343) # 1. 函数与模块化编程基础 ## 1.1 编程中的函数基础 函数是编程的基础构件，它允许将代码块组织成可重复使用的组件。在函数中封装特定的逻辑
recommend-type

用C语言求有4个圆塔，圆心分别为（2，2)，(2，-2)，(-2，2)，(-2，-2)圆半径为1， 这4个塔的高度为10m 塔以外无建筑物接输入任意点的坐标 求该点的建筑高度（塔外的高度为零)的程序

在C语言中，你可以编写一个简单的函数来解决这个问题。首先，你需要确定每个圆是否包含了给定的点。如果包含，则返回塔高10米，如果不包含则返回0。这里提供一个基本的伪代码思路： ```c #include <stdio.h> #include <math.h> // 定义圆的结构体 typedef struct { double x, y; // 圆心坐标 int radius; // 半径 } Circle; // 函数判断点是否在圆内 int is_point_in_circle(Circle circle, double px, double py) { d
recommend-type

NPC_Generator：使用Ruby打造的游戏角色生成器

资源摘要信息:"NPC_Generator是一个专门为角色扮演游戏（RPG）或模拟类游戏设计的角色生成工具，它允许游戏开发者或者爱好者快速创建非玩家角色（NPC）并赋予它们丰富的背景故事、外观特征以及可能的行为模式。NPC_Generator的开发使用了Ruby编程语言，Ruby以其简洁的语法和强大的编程能力在脚本编写和小型项目开发中十分受欢迎。利用Ruby编写的NPC_Generator可以集成到游戏开发流程中，实现自动化生成NPC，极大地节省了手动设计每个NPC的时间和精力，提升了游戏内容的丰富性和多样性。" 知识点详细说明: 1. NPC_Generator的用途： NPC_Generator是用于游戏角色生成的工具，它能够帮助游戏设计师和玩家创建大量的非玩家角色（Non-Player Characters，简称NPC）。在RPG或模拟类游戏中，NPC是指在游戏中由计算机控制的虚拟角色，它们与玩家角色互动，为游戏世界增添真实感。 2. NPC生成的关键要素： - 角色背景故事：每个NPC都应该有自己的故事背景，这些故事可以是关于它们的过去，它们为什么会在游戏中出现，以及它们的个性和动机等。 - 外观特征：NPC的外观包括性别、年龄、种族、服装、发型等，这些特征可以由工具随机生成或者由设计师自定义。 - 行为模式：NPC的行为模式决定了它们在游戏中的行为方式，比如友好、中立或敌对，以及它们可能会执行的任务或对话。 3. Ruby编程语言的优势： - 简洁的语法：Ruby语言的语法非常接近英语，使得编写和阅读代码都变得更加容易和直观。 - 灵活性和表达性：Ruby语言提供的大量内置函数和库使得开发者可以快速实现复杂的功能。 - 开源和社区支持：Ruby是一个开源项目，有着庞大的开发者社区和丰富的学习资源，有利于项目的开发和维护。 4. 项目集成与自动化： NPC_Generator的自动化特性意味着它可以与游戏引擎或开发环境集成，为游戏提供即时的角色生成服务。自动化不仅可以提高生成NPC的效率，还可以确保游戏中每个NPC都具备独特的特性，使游戏世界更加多元和真实。 5. 游戏开发的影响： NPC_Generator的引入对游戏开发产生以下影响： - 提高效率：通过自动化的角色生成，游戏开发团队可以节约大量时间和资源，专注于游戏设计的其他方面。 - 增加多样性：自动化的工具可以根据不同的参数生成大量不同的NPC，为游戏世界带来更多的故事线和交互可能性。 - 玩家体验：丰富的NPC角色能够提升玩家的沉浸感，使得玩家在游戏中的体验更加真实和有吸引力。 6. Ruby在游戏开发中的应用： 虽然Ruby不是游戏开发中最常用的编程语言，但其在小型项目、原型设计、脚本编写等领域有其独特的优势。一些游戏开发工具和框架支持Ruby，如Ruby on Rails可以在Web游戏开发中发挥作用，而一些游戏开发社区也在探索Ruby的更多潜力。 7. NPC_Generator的扩展性和维护： 为了确保NPC_Generator能够长期有效地工作，它需要具备良好的扩展性和维护性。这意味着工具应该支持插件或模块的添加，允许社区贡献新功能，并且代码应该易于阅读和修改，以便于未来的升级和优化。 综上所述，NPC_Generator是一款利用Ruby编程语言开发的高效角色生成工具，它不仅提高了游戏开发的效率，而且通过提供丰富多样的NPC角色增加了游戏的深度和吸引力。随着游戏开发的不断发展，此类自动化工具将变得更加重要，而Ruby作为一种支持快速开发的编程语言，在这一领域有着重要的应用前景。
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