我要取出volatility_df的第一列

时间: 2023-07-27 18:06:01 浏览: 51
如果 `volatility_df` 是一个 Pandas DataFrame，你可以使用 `iloc` 方法来提取第一列。具体操作如下： ```python first_column = volatility_df.iloc[:, 0] ``` 其中 `:` 表示选取所有行，`0` 表示选取第一列。执行完上述代码后，`first_column` 就是 `volatility_df` 的第一列。
相关问题

volatility_2.6_win64_standalone.zip

volatility_2.6_win64_standalone.zip是一个用于Windows 64位系统的独立版本的volatility软件包。volatility是一个用于数字取证和内存分析的开源工具，它可以帮助调查人员分析计算机内存中的各种信息，包括进程、网络连接、文件系统等。这个独立版本的volatility可以在Windows 64位系统上独立运行，不需要额外安装其他软件或配置环境。这使得使用者可以更便捷地进行内存分析工作，无需担心软件兼容性或环境配置的复杂性。 volatility_2.6_win64_standalone.zip中包含了所有需要的文件和依赖项，用户可以直接解压缩后即可运行。这个版本也经过优化，可以更好地适应Windows 64位系统的特性，提供更高效的内存分析性能。同时，它也具有与最新版本的volatility相同的功能和特性，可以满足各种不同的取证需求。 总的来说，volatility_2.6_win64_standalone.zip是一个方便、高效并且功能完善的内存分析工具，适用于Windows 64位系统。它可以帮助数字取证和安全专家快速、准确地进行内存分析，发现潜在的安全威胁和证据，对于数字取证和安全事件响应等工作具有非常重要的作用。

volatility_2.6_win64system_standalone.rar

"volatility_2.6_win64system_standalone.rar" 是一个可执行文件压缩包，其中包含了一个名为 Volatility 2.6 的软件的 Windows 64位版本独立运行文件。Volatility 是一种开源的记忆取证分析工具，主要用于处理计算机内存中的数据，以帮助数字取证专家分析和还原计算机系统的状态和活动。 这个稳定的软件版本适用于运行 Windows 64位操作系统的计算机，而且它是一个独立运行的版本，意味着您无需安装任何其他依赖项即可使用。您只需解压缩该.rar文件，然后运行相应的可执行文件，即可开始使用 Volatility 2.6。 使用 Volatility 2.6，您可以通过分析内存转储文件来查找并提取有关计算机系统的关键信息，如进程、网络连接、注册表、文件系统等。它还提供了一系列的插件和命令，以帮助您进行更深入的分析和调查。此外，Volatility 在处理多种操作系统和文件系统方面非常灵活，因此您可以使用它来分析各种类型的计算机和存储介质。 总之，"volatility_2.6_win64system_standalone.rar" 提供了一个可靠且方便的解决方案，让您可以使用 Volatility 2.6 进行计算机内存取证分析。无论您是数字取证专家、安全研究人员还是对计算机系统感兴趣的普通用户，这个软件都可以帮助您获得有关系统行为和潜在威胁的深入洞察力。

相关推荐

将以下的代码增加波动率因子参数import numpy as np def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = para[2] # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal

你可以增加一个波动率因子参数，同时将其作为函数的输入参数。修改后的代码如下所示： import numpy as np def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1...

import numpy as np def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = para[2] # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal把代码按照上条回复修改

这段代码实现了一个结合布林带、MA指标和波动率因子的交易策略，其中 df 是包含股票价格数据的 DataFrame，para 是一个包含三个参数的列表，分别表示均线和标准差的参数、标准差的倍数和MA指标的参数。...

volatility = prices_df.pct_change().std() * sqrt(241)解释一下

这段代码的作用是计算给定价格数据集的波动率（volatility）。具体来说，它首先使用pandas库中的pct_change()函数计算出每个价格数据点与前一个数据点之间的百分比变化率。然后，它使用std()函数计算出这些变化率的...

def trading_strategy(df, para): """ 根据给定的参数，计算交易信号 :param df: pandas.DataFrame, 包含股票价格数据的DataFrame :param para: list, 交易策略的参数，包括： - n: 取平均线和标准差的参数 - m: 标准差的倍数 - ma_n: MA指标的参数 - volatility_factor: 波动率因子，可以根据实际情况调整 :return: int, 交易信号，1表示买入，-1表示卖出，0表示持有 """ n = int(para[0]) m = para[1] ma_n = int(para[2]) volatility_factor = para[3] # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 计算LLT指标 llt = np.zeros(ma_n) llt[0] = close[-1] alpha = 2 / (ma_n + 1) for i in range(1, ma_n): llt[i] = alpha * close[-i-1] + (1 - alpha) * llt[i-1] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and \ (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current < llt[-1]: signal = 0 else: signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and \ (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做空信号 if close_current > llt[-1]: signal = 0 else: signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal将以上代码的参数生成斐波那契数列的函数

以下是将给定代码的参数生成斐波那契...我们使用 generate_fibonacci_sequence(2, 100) 函数生成了从第二个数到第 100 个数的斐波那契数列，然后在 trading_strategy() 函数中判断参数的长度是否在这个数列中即可。

# ===策略参数 # n代表取平均线和标准差的参数 # m代表标准差的倍数 n = int(para[0]) m = para[1] ma_n = para[2] # MA指标的参数 # ===计算指标 # 计算均线 df['median'] = df['close'].rolling(n).mean() # 此处只计算最后几行的均线值，因为没有加min_period参数 median = df.iloc[-1]['median'] median2 = df.iloc[-2]['median'] # 计算标准差，使用无偏估计 df['std'] = df['close'].rolling(n, min_periods=1).std(ddof=1) # 计算上下轨道，加入波动率因子 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 df['upper'] = df['median'] + volatility_factor * df['std'] df['lower'] = df['median'] - volatility_factor * df['std'] # ===计算MA指标 df['MA'] = df['close'].rolling(ma_n).mean() ma = df.iloc[-1]['MA'] ma2 = df.iloc[-2]['MA'] # ===寻找交易信号 signal = None close = df.iloc[-1]['close'] close2 = df.iloc[-2]['close'] # 找出做多信号 if (close > upper) and (close2 <= upper2) and (close > ma) and (close2 <= ma2) and (std < volatility_factor * ma): signal = 1 # 找出做空信号 elif (close < lower) and (close2 >= lower2) and (close < ma) and (close2 >= ma2) and (std < volatility_factor * ma): signal = -1 # 找出做多平仓信号 elif (close < median) and (close2 >= median2): signal = 0 # 找出做空平仓信号 elif (close > median) and (close2 <= median2): signal = 0 return signal将以上代码修改正确

elif (close < df.iloc[-1]['lower']) and (close2 >= df.iloc[-2]['lower']) and (close ) and (close2 >= ma2) and (std < volatility_factor * ma): signal = -1 # 找出平仓信号 elif ((close ) and (close2 >=...

def trading_strategy(df, para): # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = para[2] # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal将面的代码的n、m参数组合代码

这个策略的参数组合是一个包含三个参数的列表，分别是n、m、ma_n，其中n为取平均线和标准差的参数，m为标准差的倍数，ma_n为MA指标的参数。您可以通过定义不同的列表来进行参数组合，例如： parameters = [[10...

根据上条的方法把以下代码修改后输出def trading_strategy(df, para): """ 根据给定的参数，计算交易信号 :param df: pandas.DataFrame, 包含股票价格数据的DataFrame :param para: list, 交易策略的参数 :return: int, 交易信号，1表示买入，-1表示卖出，0表示持有 """ # 策略参数 n = int(para[0]) # 取平均线和标准差的参数 m = para[1] # 标准差的倍数 ma_n = int(para[2]) # MA指标的参数 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 # 计算均线和标准差 close = df['close'].values ma = np.mean(close[-n:]) std = np.std(close[-n:], ddof=1) # 计算上下轨道 upper = ma + volatility_factor * std lower = ma - volatility_factor * std # 计算MA指标 ma_values = df['close'].rolling(ma_n).mean().values ma_current = ma_values[-1] ma_previous = ma_values[-2] # 计算LLT指标 llt = np.zeros(ma_n) llt[0] = close[-1] alpha = 2 / (ma_n + 1) for i in range(1, ma_n): llt[i] = alpha * close[-i-1] + (1 - alpha) * llt[i-1] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_previous <= upper) and \ (close_current > ma_current) and (close_previous <= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做多信号 if close_current < llt[-1]: signal = 0 else: signal = 1 # 做空信号 elif (close_current < lower) and (close_previous >= lower) and \ (close_current < ma_current) and (close_previous >= ma_previous) and (std < volatility_factor * ma_current): # LLT指标过滤做空信号 if close_current > llt[-1]: signal = 0 else: signal = -1 # 平仓信号 elif ((close_current < ma) and (close_previous >= ma)) or ((close_current > ma) and (close_previous <= ma)): signal = 0 return signal

llt[i] = alpha * close[-i-1] + (1 - alpha) * llt[i-1] # 寻找交易信号 signal = 0 close_current = close[-1] close_previous = close[-2] # 做多信号 if (close_current > upper) and (close_...

# ===策略参数 # n代表取平均线和标准差的参数 # m代表标准差的倍数 n = int(para[0]) m = para[1] ma_n = para[2] # MA指标的参数 # ===计算指标 # 计算均线 df['median'] = df['close'].rolling(n).mean() # 此处只计算最后几行的均线值，因为没有加min_period参数 median = df.iloc[-1]['median'] median2 = df.iloc[-2]['median'] # 计算标准差，使用无偏估计 df['std'] = df['close'].rolling(n, min_periods=1).std(ddof=1) # 计算上下轨道，加入波动率因子 volatility_factor = 2 # 波动率因子，可以根据实际情况调整 df['upper'] = median + volatility_factor * df['std'] df['lower'] = median - volatility_factor * df['std'] # ===计算MA指标 df['MA'] = df['close'].rolling(ma_n).mean() ma = df.iloc[-1]['MA'] ma2 = df.iloc[-2]['MA'] # ===寻找交易信号 signal = 0 close = df.iloc[-1]['close'] close2 = df.iloc[-2]['close'] std = df.iloc[-1]['std'] # 找出做多信号 if (close > df.iloc[-1]['upper']) and (close2 <= df.iloc[-2]['upper']) and (close > ma) and (close2 <= ma2) and (std < volatility_factor * ma): signal = 1 # 找出做空信号 elif (close < df.iloc[-1]['lower']) and (close2 >= df.iloc[-2]['lower']) and (close < ma) and (close2 >= ma2) and (std < volatility_factor * ma): signal = -1 # 找出平仓信号 elif ((close < median) and (close2 >= median2)) or ((close > median) and (close2 <= median2)): signal = 0 return signal

这段代码看起来像是一个基于布林带和均线的交易策略，大致的思路是：计算收盘价的均线和标准差，根据均线和标准差计算上下轨道，然后根据收盘价穿越上下轨道以及均线的情况来判断是否有做多或做空信号，同时也判断...

# 计算预期收益和样本协方差矩阵 mu = expected_returns.mean_historical_return(combined_df1) # 使用历史数据计算预期收益 S = risk_models.sample_cov(combined_df1) # 使用历史数据计算协方差矩阵 # 使用EfficientFrontier类优化投资组合 ef = EfficientFrontier(mu, S) # 最小化投资组合的风险 weights = ef.min_volatility() # 打印出最优权重 print(weights)用退火算法进行优化

这是一个关于使用EfficientFrontier类进行投资组合优化的问题，结合了历史数据的预期收益和协方差矩阵。使用EfficientFrontier类可以通过最小化投资组合的风险，得到最优权重的组合。在这个问题中，我们可以使用退火...

# 计算预期收益和样本协方差矩阵 mu1 = expected_returns.mean_historical_return(combined_df1) # 使用历史数据计算预期收益 S1 = risk_models.sample_cov(combined_df1) # 使用历史数据计算协方差矩阵 # 使用EfficientFrontier类优化投资组合 ef = EfficientFrontier(mu1, S1) # 最小化投资组合的风险 weights = ef.min_volatility() # 打印出最优权重 print(weights)如何绘图表示

可以使用matplotlib库绘制投资组合的权重分布图。代码示例如下： import matplotlib.pyplot as plt # 绘制饼图 labels = combined_df1.columns.tolist() sizes = weights.values() plt.pie(sizes, labels=...

使用volatility

Volatility是一个流行的内存取证框架，用于分析内存映像以检测恶意活动、提取敏感信息等。以下是使用Volatility的一些基本步骤： 1. 下载并安装Volatility框架 2. 获取要分析的内存映像文件 3. 执行volatility ...
txt

WX小程序源码小游戏类

WX小程序源码小游戏类提取方式是百度网盘分享地址
whl

grpcio-1.47.2-cp310-cp310-musllinux_1_1_x86_64.whl

Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
whl

cryptography-42.0.3-cp37-abi3-musllinux_1_1_x86_64.whl

Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
zip

2021131528+谢镕汕.zip

2021131528+谢镕汕.zip
gz

sja1301.i386.tar.gz

SQLyong 各个版本，免费下载 SQLyog是业界著名的Webyog公司出品的一款简洁高效、功能强大的图形化MySQL数据库管理工具。使用SQLyog可以快速直观地让您从世界的任何角落通过网络来维护远端的MySQL数据库。
rar

VB学生宿舍管理系统(源代码+论文).rar

计算机专业毕业设计VB精品论文资源

最新推荐

recommend-type

WX小程序源码小游戏类

WX小程序源码小游戏类提取方式是百度网盘分享地址
recommend-type

grpcio-1.47.2-cp310-cp310-musllinux_1_1_x86_64.whl

Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

cryptography-42.0.3-cp37-abi3-musllinux_1_1_x86_64.whl

Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

2021131528+谢镕汕.zip

2021131528+谢镕汕.zip
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
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

MATLAB柱状图在信号处理中的应用：可视化信号特征和频谱分析

![matlab画柱状图](https://img-blog.csdnimg.cn/3f32348f1c9c4481a6f5931993732f97.png) # 1. MATLAB柱状图概述** MATLAB柱状图是一种图形化工具，用于可视化数据中不同类别或组的分布情况。它通过绘制垂直条形来表示每个类别或组中的数据值。柱状图在信号处理中广泛用于可视化信号特征和进行频谱分析。 柱状图的优点在于其简单易懂，能够直观地展示数据分布。在信号处理中，柱状图可以帮助工程师识别信号中的模式、趋势和异常情况，从而为信号分析和处理提供有价值的见解。 # 2. 柱状图在信号处理中的应用 柱状图在信号处理
recommend-type

用Spring boot和vue写一个登录注册界面

好的，这是一个比较常见的技术问题，我可以为您提供一些参考资料和思路。首先，您可以使用Spring Boot作为后端框架来处理用户认证和注册的逻辑，比如使用Spring Security实现用户登录认证。同时，您还需要设计相应的数据模型和数据库表结构来存储用户信息。在前端方面，您可以使用Vue.js作为框架来构建登录注册页面，使用Axios来发起API请求并和后端进行交互。当然，在实现过程中，还需要考虑一些具体细节，比如数据校验、安全性和用户体验等方面。希望这些信息能够帮助到您。
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。
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