net.load_state_dict(torch.load(model_weight_path, map_location='cpu'))什么意思

时间: 2024-05-20 08:15:12 浏览: 129
PDF

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

这行代码的意思是从指定路径（`model_weight_path`）加载模型的参数（state_dict），并将它们存储在当前模型中。其中，`map_location='cpu'`参数是用来指定将模型的参数加载到哪个设备上，这里是CPU上。这个操作一般用于从已有的模型参数文件中恢复模型，或者将一个预训练模型的参数加载到你的模型中。
阅读全文

相关推荐

pdf

pytorch 状态字典:state_dict使用详解

conv1_weight_state = torch.load('./model_state_dict.pt')['conv1.weight'] model.conv1.weight.data.copy_(conv1_weight_state) 对于参数的训练性控制，可以通过遍历模型的参数并设置requires_grad属性来...
zip

LL.zip_android Star-Di_dict_star-dict_字典

标题中的"LL.zip"是一个压缩文件的名称，它包含了与Android平台上的Star-Dict字典相关的数据。Star-Dict是一款开源的、功能强大的字典软件，支持多种操作系统，包括Linux、Windows以及移动平台如Android。这个"LL....

net.load_state_dict(torch.load(model_weight_path, map_location='cpu'))

- torch.load(model_weight_path) loads the state dictionary from the file path specified by model_weight_path. - map_location='cpu' specifies that the loaded model should be moved to the CPU if ...

net.load_state_dict(torch.load(model_weight_path, map_location='cpu')) # for param in net.parameters(): # param.requires_grad = False # change fc layer structure in_channel = net.fc.in_features net.fc = nn.Linear(in_channel, 5) net.to(device)

net.load_state_dict(torch.load(model_weight_path, map_location='cpu')) in_channel = net.fc.in_features net.fc = nn.Linear(in_channel, 5) net.to(device) 2. 确保你已经正确地导入了 net 变量。...

model = resnet50(num_classes=2) # load model weights model_weight_path = "./resNet50.pth" model.load_state_dict(torch.load(model_weight_path,map_location='cpu')) model.eval()

3. model.load_state_dict(torch.load(model_weight_path,map_location='cpu'))：使用 PyTorch 的 load_state_dict() 函数加载预训练的模型权重。其中 torch.load() 函数将模型权重文件加载到内存中，并使用 ...

为以下每句代码做注释：device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") data_transform = transforms.Compose( [transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) img = Image.open("./huanglongbing.JPG") plt.imshow(img) img = data_transform(img) img = torch.unsqueeze(img, dim=0) try: json_file = open('./class_indices.json', 'r') class_indict = json.load(json_file) except Exception as e: print(e) exit(-1) model = resnet152(num_classes=38) model_weight_path = "./resNet152.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() with torch.no_grad(): output = torch.squeeze(model(img)) predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() print(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.show()

model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() # 使用载入的模型进行推理，并输出预测结果 with torch.no_grad(): output = torch.squeeze(model(img)) predict = ...

为以下每句代码做注释：import torch from model import resnet152 from PIL import Image from torchvision import transforms import matplotlib.pyplot as plt import json device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") data_transform = transforms.Compose( [transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) img = Image.open("./huanglongbing.JPG") plt.imshow(img) img = data_transform(img) img = torch.unsqueeze(img, dim=0) try: json_file = open('./class_indices.json', 'r') class_indict = json.load(json_file) except Exception as e: print(e) exit(-1) model = resnet152(num_classes=38) model_weight_path = "./resNet152.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() with torch.no_grad(): output = torch.squeeze(model(img)) predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() print(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.show()

model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() # 在不进行梯度计算的情况下，使用模型进行预测 with torch.no_grad(): output = torch.squeeze(model(img)) predict ...

这是对单个文件进行预测“import os import json import torch from PIL import Image from torchvision import transforms import matplotlib.pyplot as plt from model import convnext_tiny as create_model def main(): device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(f"using {device} device.") num_classes = 5 img_size = 224 data_transform = transforms.Compose( [transforms.Resize(int(img_size * 1.14)), transforms.CenterCrop(img_size), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) # load image img_path = "../tulip.jpg" assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path) img = Image.open(img_path) plt.imshow(img) # [N, C, H, W] img = data_transform(img) # expand batch dimension img = torch.unsqueeze(img, dim=0) # read class_indict json_path = './class_indices.json' assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path) with open(json_path, "r") as f: class_indict = json.load(f) # create model model = create_model(num_classes=num_classes).to(device) # load model weights model_weight_path = "./weights/best_model.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() with torch.no_grad(): # predict class output = torch.squeeze(model(img.to(device))).cpu() predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.title(print_res) for i in range(len(predict)): print("class: {:10} prob: {:.3}".format(class_indict[str(i)], predict[i].numpy())) plt.show() if __name__ == '__main__': main()”，改为对指定文件夹下的左右文件进行预测，并绘制混淆矩阵

model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() y_true = [] y_pred = [] for root, dirs, files in os.walk(folder_path): for file in files: img_path = os....

net.load_state_dict(torch.load(PATH))为什么报错RuntimeError: Error(s) in loading state_dict for Net: Unexpected key(s) in state_dict: "conv1.weight", "conv1.bias", "conv2.weight", "conv2.bias", "fc1.weight", "fc1.bias", "fc2.weight", "fc2.bias".

这个错误是由于你尝试加载的 state_dict 中包含了一些意外的键，这些键与你定义的神经网络结构不匹配，导致无法加载 state_dict。...state_dict = torch.load(PATH) model.load_state_dict(state_dict.module)

Traceback (most recent call last): File "E:\pycharm study\code collection\deep-learning-for-image-processing-master\pytorch_classification\Test5_resnet\train.py", line 133, in <module> main() File "E:\pycharm study\code collection\deep-learning-for-image-processing-master\pytorch_classification\Test5_resnet\train.py", line 66, in main net.load_state_dict(torch.load(model_weight_path, map_location='cpu')) # 载入模型权重 File "E:\Anaconda3\envs\pytorch_envir\lib\site-packages\torch\nn\modules\module.py", line 1671, in load_state_dict raise RuntimeError('Error(s) in loading state_dict for {}:\n\t{}'.format( RuntimeError: Error(s) in loading state_dict for ResNet: size mismatch for fc.weight: copying a param with shape torch.Size([5, 512]) from checkpoint, the shape in current model is torch.Size([1000, 512]). size mismatch for fc.bias: copying a param with shape torch.Size([5]) from checkpoint, the shape in current model is torch.Size([1000]). 进程已结束,退出代码1

这个错误是在载入预训练模型参数时出现的，提示说载入的模型参数与当前模型的形状不匹配。具体来说，当前模型中最后一层全连接层（fc）的输出维度是1000，而预训练模型的全连接层输出维度是5，所以无法直接载入。...

UnpicklingError Traceback (most recent call last) Input In [66], in <cell line: 36>() 30 Kcat_model = model.KcatPrediction(device, n_fingerprint, n_word, 2*dim, layer_gnn, window, layer_cnn, layer_output).to(device) 31 ##‘KcatPrediction’是一个自定义模型类，根据给定的参数初始化一个Kcat预测模型。使用了上述参数，如果要进行调参在此处进行 32 # directory_path = '../../Results/output/all--radius2--ngram3--dim20--layer_gnn3--window11--layer_cnn3--layer_output3--lr1e-3--lr_decay0/archive/data' 33 # file_list = os.listdir(directory_path) 34 # for file_name in file_list: 35 # file_path = os.path.join(directory_path,file_name) ---> 36 Kcat_model.load_state_dict(torch.load('MAEs--all--radius2--ngram3--dim20--layer_gnn3--window11--layer_cnn3--layer_output3--lr1e-3--lr_decay0.5--decay_interval10--weight_decay1e-6--iteration50.txt', map_location=device)) 37 ##表示把预训练的模型参数加载到Kcat_model里，‘torch.load’表示函数用于文件中加载模型参数的状态字典（state_dict）,括号内表示预训练参数的文件位置 38 predictor = Predictor(Kcat_model) File ~/anaconda3/lib/python3.9/site-packages/torch/serialization.py:815, in load(f, map_location, pickle_module, weights_only, **pickle_load_args) 813 except RuntimeError as e: 814 raise pickle.UnpicklingError(UNSAFE_MESSAGE + str(e)) from None --> 815 return _legacy_load(opened_file, map_location, pickle_module, **pickle_load_args) File ~/anaconda3/lib/python3.9/site-packages/torch/serialization.py:1033, in _legacy_load(f, map_location, pickle_module, **pickle_load_args) 1027 if not hasattr(f, 'readinto') and (3, 8, 0) <= sys.version_info < (3, 8, 2): 1028 raise RuntimeError( 1029 "torch.load does not work with file-like objects that do not implement readinto on Python 3.8.0 and 3.8.1. " 1030 f"Received object of type "{type(f)}". Please update to Python 3.8.2 or newer to restore this " 1031 "functionality.") -> 1033 magic_number = pickle_module.load(f, **pickle_load_args) 1034 if magic_number != MAGIC_NUMBER: 1035 raise RuntimeError("Invalid magic number; corrupt file?") UnpicklingError: invalid load key, 'E'. 这个问题怎么解决

如果您使用的是不同版本的Python或torch，可能会导致pickle文件不兼容。请确保使用相同版本的Python和torch，并尝试重新生成模型参数文件。 3. 模型参数文件已被损坏。如果模型参数文件已被修改或损坏，可能无法...

为什么RuntimeError: Error(s) in loading state_dict for Net: Unexpected key(s) in state_dict: "conv1.weight", "conv1.bias", "conv2.weight", "conv2.bias", "fc1.weight", "fc1.bias", "fc2.weight", "fc2.bias".

你可以尝试使用 torch.load(PATH, map_location=torch.device('cpu'))，这样可以将模型加载到 CPU 上。 另外，如果你在保存模型时使用了 DataParallel 或 DistributedDataParallel，你需要在加载模型时使用 ...

yolov5 RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same

你需要将模型参数转移到 GPU 上，可以使用 model.to('cuda') 将模型移动到 GPU 上，或者使用 model.load_state_dict(torch.load(PATH)) 时指定 map_location 参数将模型加载到 GPU 上。另外，也可以将输入数据...

https://github.com/weizhepei/CasRel中run.py解读

model.load_state_dict(torch.load(args.pretrain_path, map_location="cpu")) logging.info(f"load pre-trained model from {args.pretrain_path}") model.to(args.device) ### 训练模型 接下来，run.py...

下载yolov8n.pt文件，代码实现

state_dict = load_state_dict_from_url(url, map_location=device) model.load_state_dict(state_dict) # 将模型移到指定设备 model.to(device) 注意：在实际操作中，记得替换url为你获取的yolov8.n.pt文件...
zip

YOLOv3-训练-修剪.zip

YOLOv3-训练-修剪YOLOv3-训练-修剪的Python3.6、Pytorch 1.1及以上，numpy>1.16，tensorboard=1.13以上YOLOv3的训练参考[博客]（https://blog.csdn.net/qq_34795071/article/details/90769094 ）基于的ultralytics/yolov3代码大家也可以看下这个https://github.com/tanluren/yolov3-channel-and-layer-pruning正常训练（基线）python train.py --data data/VHR.data --cfg cfg/yolov3.cfg --weights/yolov3.weights --epochs 100 --batch-size 32 #后面的epochs自行更改 直接加载weights可以更好的收敛剪枝算法介绍本代码基于论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV
zip

毕业设计&课设_智能算法中台管理系统.zip

1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
zip

YOLO v2 的实现，用于在检测层内直接进行面部识别 .zip

#Darknet# Darknet 是一个用 C 和 CUDA 编写的开源神经网络框架，速度快，安装简单，支持 CPU 和 GPU 计算。欲了解更多信息，请参阅Darknet 项目网站。如有任何疑问或问题，请使用Google Group。----------------------Darknet框架上的YOLO人脸识别-------------------------------------------------################ 检测和识别人脸是一个三步过程，并带有自动注释 ##################### 在 github 上 Forkhttps ://github.com/xhuvom/darknetFaceID YOLO darknet 实现用于检测、识别和跟踪多个人脸。 是的，它可以通过在不同类别上进行训练来检测和识别单个人脸。 该算法会自动学习面部特征并识别单个人脸。 您所需要的只是将不同的人脸图像训练为不同的类别。 我已经测试了 3 张不同的面孔，每个类别使用 ~2k 张单独的图像进行训练。 经过大约 60k 个 epoch 后，
zip

KDDCUP-2020-AutoGraph-1st-Place-master

KDDCUP-2020-AutoGraph-1st-Place-master

最新推荐

recommend-type

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

ValueError: You are trying to load a weight file containing 12 layers into a model with 0 layers. ``` 这个错误表明模型在加载权重时，发现权重文件中的层数与当前模型的层数不匹配。这通常是因为模型在...
recommend-type

pytorch 状态字典:state_dict使用详解

conv1_weight_state = torch.load('./model_state_dict.pt')['conv1.weight'] model.conv1.weight.data.copy_(conv1_weight_state) ``` 对于参数的训练性控制，可以通过遍历模型的参数并设置`requires_grad`属性来...
recommend-type

YOLOv3-训练-修剪.zip

YOLOv3-训练-修剪YOLOv3-训练-修剪的Python3.6、Pytorch 1.1及以上，numpy>1.16，tensorboard=1.13以上YOLOv3的训练参考[博客]（https://blog.csdn.net/qq_34795071/article/details/90769094 ）基于的ultralytics/yolov3代码大家也可以看下这个https://github.com/tanluren/yolov3-channel-and-layer-pruning正常训练（基线）python train.py --data data/VHR.data --cfg cfg/yolov3.cfg --weights/yolov3.weights --epochs 100 --batch-size 32 #后面的epochs自行更改 直接加载weights可以更好的收敛剪枝算法介绍本代码基于论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV
recommend-type

毕业设计&课设_智能算法中台管理系统.zip

1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一：荣誉单变量微积分课程介绍 本课程为JHU（约翰霍普金斯大学）的荣誉单变量微积分课程，主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识，包括整合和微分两大部分。该课程采用IBL（Inquiry-Based Learning）格式进行教学，即学生先自行解决问题，然后在学习过程中逐步掌握相关理论知识。 知识点二：IBL教学法 IBL教学法，即问题导向的学习方法，是一种以学生为中心的教学模式。在这种模式下，学生在教师的引导下，通过提出问题、解决问题来获取知识，从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索，教师的角色更多的是引导者和协助者。 知识点三：课程难度及学习方法 课程的第一次迭代主要包含问题，难度较大，学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释，难度相对降低，更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发，逐步深入理解微积分理论，提高学习效率。 知识点四：课程先决条件及学习建议 课程的先决条件为预演算，即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前，先完成一些基础演算的入门课程，并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容，提高学习效果。 知识点五：TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式，广泛应用于学术出版物的排版，特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性，适合用于编写和分享复杂的科学和技术文档。
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

【实战篇：自定义损失函数】：构建独特损失函数解决特定问题，优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念，用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中，`L`表示损失函数，`y`为实际值，`f(x)`为模型预测值，`N`为样本数量，`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式，并确保与Linux内核的兼容性？

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能，并确保与Linux内核的兼容性，首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接，保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接：[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括： 1. 在Vivado中设计硬件电路，配置USB接口相关的Bank502和Bank505引脚，同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序，用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面（CLI）的测验工具，设计用于测试用户对日本动漫《火影忍者》（Naruto）的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列，后被改编成同名电视动画，并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事，直到成为木叶隐村的领袖，期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言，它允许网页具有交互性，同时也可以在服务器端运行（如Node.js环境）。在这个CLI应用程序中，JavaScript被用来处理用户的输入，生成问题，并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术： 1. **命令行界面（CLI）开发：** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中，Node.js提供了一个运行JavaScript的环境，使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具，包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础：** 开发CLI应用程序需要对JavaScript语言有扎实的理解，包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建：** 测验应用程序的核心是其问题库，它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库，并确保问题的多样性和覆盖面。 4. **逻辑和流程控制：** 在应用程序中，需要编写逻辑来控制测验的流程，比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面（UI）交互：** 尽管是CLI，用户界面仍然重要。开发者需要确保用户体验流畅，这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装：** 开发过程中应当遵循模块化原则，将不同的功能分隔开来，以便于管理和维护。例如，可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试：** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试，并通过控制台输出调试信息来排除故障。 8. **部署和分发：** 最后，开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序，常见的做法是将其打包为可执行文件（如使用electron或pkg工具），以便在不同的操作系统上运行。 根据提供的文件信息，虽然具体细节有限，但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接，可能将被引导到一个网页或直接下载CLI应用程序的可执行文件，从而开始进行《火影忍者》的知识测验。通过这个测验，用户不仅能享受答题的乐趣，还可以加深对《火影忍者》的理解和认识。
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