pwconv卷积与dwconv代码

时间: 2024-05-20 18:08:35 浏览: 606
DOC

大学本科操作系统实验指导书

pwconv（pointwise convolution）和dwconv（depthwise convolution）是卷积神经网络中常用的卷积操作。 pwconv即点卷积，它是一种只包含$1\times1$卷积核的卷积操作，用于改变输入张量的通道数。它可以看做是对输入张量每个空间位置独立进行的全连接操作。pwconv可以用来降低模型的计算量，同时增加模型的非线性能力。在常见的卷积神经网络中，通常会在使用dwconv后接一个pwconv，以完成特征图的压缩和扩展。 dwconv即深度卷积，它是一种轻量级卷积操作，用于降低模型计算量。它对输入张量的每个通道分别进行卷积，然后将每个通道的卷积结果拼接在一起作为输出张量的通道数。相比于传统的卷积操作，dwconv能够有效地减少参数数量和计算复杂度，同时不会降低模型的准确率。 以下是pwconv和dwconv的示意图： ![pwconv](https://img-blog.csdnimg.cn/20201221163629625.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly93d3ctY2hhdC5jbi9ibG9nX3N0eWxl,size_16,color_FFFFFF,t_70#pic_center) ![dwconv](https://img-blog.csdnimg.cn/20201221163811331.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly93d3ctY2hhdC5jbi9ibG9nX3N0eWxl,size_16,color_FFFFFF,t_70#pic_center)
阅读全文

相关推荐

-

Linux用户管理与磁盘分区实验报告

这篇资源是关于计算机科学与工程学院的一次实验报告，主要涵盖了用户管理、磁盘管理和磁盘分区的相关知识。实验目的是让学生熟悉和掌握Linux系统中的用户、设备、进程、日志管理的命令以及如何进行磁盘分区操作。 ...
-

Linux实战教程：用户管理与磁盘分区

- newusers命令根据student.txt批量创建用户，pwunconv、chpasswd和pwconv用于管理用户密码文件。 2. **文件系统操作**： - 学习如何添加新的硬盘，如fdisk用于分区，mkfs.ext3格式化新分区，创建...
pdf

Linux pwconv命令用法详解

Linux pwconv命令 Linux pwconv命令用于开启用户的投影密码。 Linux系统里的用户和群组密码，分别存放在名称为passwd和group的文件中，　这两个文件位于/etc目录下。因系统运作所需，任何人都得以读取它们，造成安全...
zip

pwconv:密码转换器

密码转换器这是什么？密码转换工具。如果在多个站点上使用了相同的密码，并且由于信息泄漏等原因导致了密码泄露，则这是一种防止其影响其他站点的工具。 通过一个密码，您可以为每个站点生成多个不同的密码。...
-

Oracle Solaris 11.3 用户账户与环境管理指南

此外，pwconv和pwunconv用于管理和同步/etc/passwd和/etc/shadow文件。 2. **组管理**：Oracle Solaris 11.3支持基于组的权限控制，groupadd、groupmod和groupdel命令用于创建、修改和删除组。gpasswd...

pwconv yolo

"pwconv yolo" 并非一个具有明确含义的短语。"pwconv" 可能代表了密码转换 (Password Conversion) 的意思，而"yolo" 则代表 "You Only Live Once"，即"你只活一次"的意思。如果将这两者结合在一起来思考，可能意味着...

pwconv怎么用

通常情况下，你不需要直接使用pwconv命令，因为它会在系统启动期间自动运行。如果需要手动运行pwconv命令，可以在终端窗口中输入以下命令： sudo pwconv 请注意，使用sudo命令需要管理员权限。

yolov7改进Pwconv

PWConv是一种轻量级卷积操作，用于减少模型的参数量和计算量，并提高模型的FPS（每秒处理帧数）。通过引入PWConv，YOLOv7可以在保持较高准确率的同时，实现更高的速度和更小的模型尺寸。 具体的改进步骤如下： 1. ...

DWConv(Conv)

深度卷积和普通卷积的核心区别在于，深度卷积的卷积核是与输入特征图的通道数相同的，而普通卷积的卷积核则是与输出特征图的通道数相同的。这种结构的设计可以有效地减少模型的参数量和计算量，同时保持较好的性能...

yolov7怎么加入最新pwconv

pwconv是一种轻量级的卷积结构，它可以减少计算量和模型大小，同时保持模型的准确性。 如果您想在Yolov7中使用pwconv，可以尝试以下步骤： 1. 下载最新的pwconv代码并将其添加到Yolov7的代码库中。 2. 在Yolov7...

随着特征维度及网络层数的增加，如何减少卷积神经网络的参数体量？有哪些针对这一问题改进的卷积种类?

1. 降低特征维度：可以通过使用较小的卷积核或...6. 轻量化卷积：通过设计更轻量的卷积核，如DWConv、PWConv等，从而减少参数数量。 7. 模型压缩：使用模型压缩技术，如剪枝、量化、蒸馏等，从而减少模型参数数量。

yolov5/v7/v8 改进首发最新pwconv核心结构

最近，该算法的开发者进行了改进并首发了最新的PWConv核心结构。PWConv是Pointwise Convolutional的缩写，又称为1x1卷积层，它能够将通道维度降至最低，从而减少模型的计算量。 在改进的YOLOV5/V7/V8算法中，PWConv...

def forward(self, x): x = x + self.drop_path(self.gamma1(self.gnconv(self.norm1(x)))) input = x x = x.permute(0, 2, 3, 1) # (N, C, H, W) -> (N, H, W, C) x = self.norm2(x) x = self.pwconv1(x) x = self.act(x) x = self.pwconv2(x) x = self.gamma2(x) x = x.permute(0, 3, 1, 2) # (N, H, W, C) -> (N, C, H, W) x = input + self.drop_path(x) return x 这段代码什么意思

这段代码是一个PyTorch模型的前向传播函数，包含以下几个步骤： 1. 对输入x进行归一化（norm1），并进行GN（Group Normalization）卷积（gnconv）操作，再乘以一个可学习的缩放参数gamma1，最后通过dropout进行随机...

如何使用下面这段代码？class gnconv(nn.Module): def __init__(self, dim, order=5, gflayer=None, h=14, w=8, s=1.0): super().__init__() self.order = order self.dims = [dim // 2 ** i for i in range(order)] self.dims.reverse() self.proj_in = nn.Conv2d(dim, 2*dim, 1) if gflayer is None: self.dwconv = get_dwconv(sum(self.dims), 7, True) else: self.dwconv = gflayer(sum(self.dims), h=h, w=w) self.proj_out = nn.Conv2d(dim, dim, 1) self.pws = nn.ModuleList( [nn.Conv2d(self.dims[i], self.dims[i+1], 1) for i in range(order-1)] ) self.scale = s print('[gnconv]', order, 'order with dims=', self.dims, 'scale=%.4f'%self.scale) def forward(self, x, mask=None, dummy=False): B, C, H, W = x.shape fused_x = self.proj_in(x) pwa, abc = torch.split(fused_x, (self.dims[0], sum(self.dims)), dim=1) dw_abc = self.dwconv(abc) * self.scale dw_list = torch.split(dw_abc, self.dims, dim=1) x = pwa * dw_list[0] for i in range(self.order -1): x = self.pws[i](x) * dw_list[i+1] x = self.proj_out(x) return x

这段代码定义了一个名为 gnconv 的 PyTorch 模型类，可以通过以下步骤使用： 1. 导入 PyTorch 库和该模型所需的其他库： import torch import torch.nn as nn 2. 实例化 gnconv 类并传递所需的参数：...

class Mlp(nn.Module): """ MLP as used in Vision Transformer, MLP-Mixer and related networks """ def __init__( self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, norm_layer=nn.BatchNorm2d, bias=True, drop=0.1, use_conv=False, expan_ratio=6 ): super().__init__() out_features = out_features or in_features hidden_features = hidden_features or in_features bias = to_2tuple(bias) drop_probs = to_2tuple(drop) linear_layer = partial(nn.Conv2d, kernel_size=1) if use_conv else nn.Linear #self.fc1 = linear_layer(in_features, hidden_features, bias=bias[0]) self.pwconv1 = linear_layer(in_features, expan_ratio * hidden_features,bias=bias[0]) self.act = act_layer() self.drop1 = nn.Dropout(drop_probs[0]) self.norm = norm_layer(hidden_features) if norm_layer is not None else nn.Identity() #self.fc2 = linear_layer(hidden_features, out_features, bias=bias[1]) self.pwconv2 = linear_layer(expan_ratio * hidden_features,out_features,bias=bias[1]) self.drop2 = nn.Dropout(drop_probs[1]) def forward(self, x): B, N, C = x.shape #x = self.fc1(x) x = self.pwconv1(x) x = self.act(x) x = self.drop1(x) #x = self.fc2(x) x = self.pwconv2(x) x = self.drop2(x) return x 哪里有问题

这是一个MLP类的定义，其中使用了partial函数来定义一个带有默认参数的函数。在__init__函数中，使用...根据注释掉的代码，这里使用了卷积层或线性层来实现MLP。至于哪里有问题，就需要看具体的使用情况和期望的结果。

class HorBlock(nn.Module):# HorBlock模块 r""" HorNet block yoloair """ def __init__(self, dim, drop_path=0., layer_scale_init_value=1e-6, gnconv=gnconv): super().__init__() self.norm1 = HorLayerNorm(dim, eps=1e-6, data_format='channels_first') self.gnconv = gnconv(dim) self.norm2 = HorLayerNorm(dim, eps=1e-6) self.pwconv1 = nn.Linear(dim, 4 * dim) self.act = nn.GELU() self.pwconv2 = nn.Linear(4 * dim, dim) self.gamma1 = nn.Parameter(layer_scale_init_value * torch.ones(dim), requires_grad=True) if layer_scale_init_value > 0 else None self.gamma2 = nn.Parameter(layer_scale_init_value * torch.ones((dim)), requires_grad=True) if layer_scale_init_value > 0 else None self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity() def forward(self, x): B, C, H, W = x.shape # [512] if self.gamma1 is not None:# dummy gamma1 = self.gamma1.view(C, 1, 1) else: gamma1 = 1 x = x + self.drop_path(gamma1 * self.gnconv(self.norm1(x))) input = x x = x.permute(0, 2, 3, 1) # (N, C, H, W) -> (N, H, W, C) x = self.norm2(x) x = self.pwconv1(x) x = self.act(x) x = self.pwconv2(x) if self.gamma2 is not None: x = self.gamma2 * x x = x.permute(0, 3, 1, 2) # (N, H, W, C) -> (N, C, H, W) x = input + self.drop_path(x) return x

在 forward 方法中，首先根据输入 x 的 shape，提取出 C、H 和 W，然后通过 HorLayerNorm 对输入进行归一化处理，接着使用 gnconv 对输入进行卷积操作，然后再次进行 HorLayerNorm 归一化处理。接下来，采用 Linear ...

class HorBlock(nn.Module):# HorBlock模块 r""" HorNet block yoloair """ def __init__(self, dim, drop_path=0., layer_scale_init_value=1e-6, gnconv=gnconv):# dummy super().__init__() self.norm1 = HorLayerNorm(dim, eps=1e-6, data_format='channels_first') self.gnconv = gnconv(dim) self.norm2 = HorLayerNorm(dim, eps=1e-6) self.pwconv1 = nn.Linear(dim, 4 * dim) self.act = nn.GELU() self.pwconv2 = nn.Linear(4 * dim, dim) self.gamma1 = nn.Parameter(layer_scale_init_value * torch.ones(dim), requires_grad=True) if layer_scale_init_value > 0 else None self.gamma2 = nn.Parameter(layer_scale_init_value * torch.ones((dim)), requires_grad=True) if layer_scale_init_value > 0 else None self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity() def forward(self, x): B, C, H, W = x.shape # [512] if self.gamma1 is not None: gamma1 = self.gamma1.view(C, 1, 1) else: gamma1 = 1 x = x + self.drop_path(gamma1 * self.gnconv(self.norm1(x))) input = x x = x.permute(0, 2, 3, 1) # (N, C, H, W) -> (N, H, W, C) x = self.norm2(x) x = self.pwconv1(x) x = self.act(x) x = self.pwconv2(x) if self.gamma2 is not None: x = self.gamma2 * x x = x.permute(0, 3, 1, 2) # (N, H, W, C) -> (N, C, H, W) x = input + self.drop_path(x) return x

这是一个PyTorch中定义的HorBlock模块，它是用于构建卷积神经网络的模块。该模块包含了一些常见的层和操作，比如归一化层、线性层、激活函数等。其前向传递函数的实现过程为： 1. 对输入进行归一化，使用...

class Conv(nn.Module): # Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation) default_act = nn.SiLU() # default activation def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True): super().__init__() self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False) self.bn = nn.BatchNorm2d(c2) self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity() def forward(self, x): return self.act(self.bn(self.conv(x))) def forward_fuse(self, x): return self.act(self.conv(x)) 替换成动态卷积

下面是将上述代码中的标准卷积替换成动态卷积的代码示例： python class DynamicConv(nn.Module): default_act = nn.SiLU() # default activation def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, ...
-

Unix系统安全强化：账户与访问控制策略

为了增强安全性，应定期备份原有密码文件（如#cp –p /etc/passwd /etc/passwd_bak），并确保系统处于影子口令模式，即#pwconv，这可以提高口令保护。但切换模式需谨慎，因为操作失败可能导致用户管理功能失效。...

最新推荐

recommend-type

精细金属掩模板(FMM)行业研究报告 显示技术核心部件FMM材料产业分析与市场应用

精细金属掩模板（FMM）作为OLED蒸镀工艺中的核心消耗部件，负责沉积RGB有机物质形成像素。材料由Frame、Cover等五部分组成，需满足特定热膨胀性能。制作工艺包括蚀刻、电铸等，影响FMM性能。适用于显示技术研究人员、产业分析师，旨在提供FMM材料技术发展、市场规模及产业链结构的深入解析。
recommend-type

【创新未发表】斑马算法ZOA-Kmean-Transformer-LSTM负荷预测Matlab源码 9515期.zip

CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2024b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法优化Kmean-Transformer-LSTM负荷预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO优化Kmean-Transformer-LSTM负荷预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA优化Kmean-Transformer-LSTM负荷预测 4.4.3 灰狼算法GWO/狼群算法WPA优化Kmean-Transformer-LSTM负荷预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA优化Kmean-Transformer-LSTM负荷预测 4.4.5 萤火虫算法FA/差分算法DE优化Kmean-Transformer-LSTM负荷预测 4.4.6 其他优化算法优化Kmean-Transformer-LSTM负荷预测
recommend-type

j link 修复问题套件

j link 修复问题套件
recommend-type

C#实现modbusRTU(实现了01 3 05 06 16等5个功能码)

资源包括 modbuspoll 虚拟串口软件vspd modsim32和modscan32 以及C#版的modbus程序 打开modsim32连接串口2 打开程序连接串口3 即可和Mdosim32进行读写通信。 本代码为C# winform程序，实现了01 03 05 06 16总共五个功能码的功能。 备注: 01功能码：读线圈开关。 03功能码： 读寄存器值。 05功能码：写线圈开关。 06功能码：写单个寄存器值。 16功能码：写多个寄存器值。
recommend-type

Angular实现MarcHayek简历展示应用教程

资源摘要信息:"MarcHayek-CV:我的简历的Angular应用" Angular 应用是一个基于Angular框架开发的前端应用程序。Angular是一个由谷歌（Google）维护和开发的开源前端框架，它使用TypeScript作为主要编程语言，并且是单页面应用程序（SPA）的优秀解决方案。该应用不仅展示了Marc Hayek的个人简历，而且还介绍了如何在本地环境中设置和配置该Angular项目。 知识点详细说明： 1. Angular 应用程序设置： - Angular 应用程序通常依赖于Node.js运行环境，因此首先需要全局安装Node.js包管理器npm。 - 在本案例中，通过npm安装了两个开发工具：bower和gulp。bower是一个前端包管理器，用于管理项目依赖，而gulp则是一个自动化构建工具，用于处理如压缩、编译、单元测试等任务。 2. 本地环境安装步骤： - 安装命令`npm install -g bower`和`npm install --global gulp`用来全局安装这两个工具。 - 使用git命令克隆远程仓库到本地服务器。支持使用SSH方式（`***:marc-hayek/MarcHayek-CV.git`）和HTTPS方式（需要替换为具体用户名，如`git clone ***`）。 3. 配置流程： - 在server文件夹中的config.json文件里，需要添加用户的电子邮件和密码，以便该应用能够通过内置的联系功能发送信息给Marc Hayek。 - 如果想要在本地服务器上运行该应用程序，则需要根据不同的环境配置（开发环境或生产环境）修改config.json文件中的“baseURL”选项。具体而言，开发环境下通常设置为“../build”，生产环境下设置为“../bin”。 4. 使用的技术栈： - JavaScript：虽然没有直接提到，但是由于Angular框架主要是用JavaScript来编写的，因此这是必须理解的核心技术之一。 - TypeScript：Angular使用TypeScript作为开发语言，它是JavaScript的一个超集，添加了静态类型检查等功能。 - Node.js和npm：用于运行JavaScript代码以及管理JavaScript项目的依赖。 - Git：版本控制系统，用于代码的版本管理及协作开发。 5. 关于项目结构： - 该应用的项目文件夹结构可能遵循Angular CLI的典型结构，包含了如下目录：app（存放应用组件）、assets（存放静态资源如图片、样式表等）、environments（存放环境配置文件）、server（存放服务器配置文件如上文的config.json）等。 6. 开发和构建流程： - 开发时，可能会使用Angular CLI来快速生成组件、服务等，并利用热重载等特性进行实时开发。 - 构建应用时，通过gulp等构建工具可以进行代码压缩、ES6转译、单元测试等自动化任务，以确保代码的质量和性能优化。 7. 部署： - 项目最终需要部署到服务器上，配置文件中的“baseURL”选项指明了服务器上的资源基础路径。 8. 关于Git仓库： - 压缩包子文件的名称为MarcHayek-CV-master，表明这是一个使用Git版本控制的仓库，且存在一个名为master的分支，这通常是项目的主分支。 以上知识点围绕Angular应用“MarcHayek-CV:我的简历”的创建、配置、开发、构建及部署流程进行了详细说明，涉及了前端开发中常见的工具、技术及工作流。
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

深入剖析：内存溢出背后的原因、预防及应急策略（专家版）

![深入剖析：内存溢出背后的原因、预防及应急策略（专家版）](https://d8it4huxumps7.cloudfront.net/uploads/images/65e82a01a4196_dangling_pointer_in_c_2.jpg?d=2000x2000) 参考资源链接：[Net 内存溢出（System.OutOfMemoryException）的常见情况和处理方式总结](https://wenku.csdn.net/doc/6412b784be7fbd1778d4a95f?spm=1055.2635.3001.10343) # 1. 内存溢出的概念及影响 内存溢出，又称
recommend-type

Java中如何对年月日时分秒的日期字符串作如下处理：如何日期分钟介于两个相连的半点之间，就将分钟数调整为前半点

在Java中，你可以使用`java.time`包中的类来处理日期和时间，包括格式化和调整。下面是一个示例，展示了如何根据给定的日期字符串（假设格式为"yyyy-MM-dd HH:mm:ss"）进行这样的处理： ```java import java.text.SimpleDateFormat; import java.time.LocalDateTime; import java.time.ZoneId; import java.time.ZonedDateTime; public class Main { public static void main(String[] args
recommend-type

Crossbow Spot最新更新 - 获取Chrome扩展新闻

资源摘要信息:"Crossbow Spot - Latest News Update-crx插件" 该信息是关于一款特定的Google Chrome浏览器扩展程序，名为"Crossbow Spot - Latest News Update"。此插件的目的是帮助用户第一时间获取最新的Crossbow Spot相关信息，它作为一个RSS阅读器，自动聚合并展示Crossbow Spot的最新新闻内容。 从描述中可以提取以下关键知识点： 1. 功能概述： - 扩展程序能让用户领先一步了解Crossbow Spot的最新消息，提供实时更新。 - 它支持自动更新功能，用户不必手动点击即可刷新获取最新资讯。 - 用户界面设计灵活，具有美观的新闻小部件，使得信息的展现既实用又吸引人。 2. 用户体验： - 桌面通知功能，通过Chrome的新通知中心托盘进行实时推送，确保用户不会错过任何重要新闻。 - 提供一个便捷的方式来保持与Crossbow Spot最新动态的同步。 3. 语言支持： - 该插件目前仅支持英语，但开发者已经计划在未来的版本中添加对其他语言的支持。 4. 技术实现： - 此扩展程序是基于RSS Feed实现的，即从Crossbow Spot的RSS源中提取最新新闻。 - 扩展程序利用了Chrome的通知API，以及RSS Feed处理机制来实现新闻的即时推送和展示。 5. 版权与免责声明： - 所有的新闻内容都是通过RSS Feed聚合而来，扩展程序本身不提供原创内容。 - 用户在使用插件时应遵守相关的版权和隐私政策。 6. 安装与使用： - 用户需要从Chrome网上应用店下载.crx格式的插件文件，即Crossbow_Spot_-_Latest_News_Update.crx。 - 安装后，插件会自动运行，并且用户可以对其进行配置以满足个人偏好。 从以上信息可以看出，该扩展程序为那些对Crossbow Spot感兴趣或需要密切跟进其更新的用户提供了一个便捷的解决方案，通过集成RSS源和Chrome通知机制，使得信息获取变得更加高效和及时。这对于需要实时更新信息的用户而言，具有一定的实用价值。同时，插件的未来发展计划中包括了多语言支持，这将使得更多的用户能够使用并从中受益。
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