ImportError: cannot import name 'ChineseCLIPModel' from 'transformers'

时间: 2023-07-24 11:15:02 浏览: 731
PDF

导入tensorflow时报错：cannot import name 'abs'的解决

这个错误通常是由于您正在使用的transformers版本过旧导致的。您可以尝试更新您的transformers版本，这可能会解决该错误。您可以在终端中使用以下命令来更新transformers： ```pip install --upgrade transformers``` 如果您已经使用了该命令，但仍然遇到此错误，请确保您已正确安装所有依赖项。您可以尝试使用以下命令来安装所需的依赖项： ```pip install -r requirements.txt``` 如果这些解决方案都无法解决该错误，请检查您的代码是否有其他问题，例如拼写错误或导入错误。
阅读全文

相关推荐

docx

ImportError：无法从“django.utils.encoding”导入名称“force text”Python 错误

在Python和Django框架的开发过程中，可能会遇到各种错误，其中"ImportError：无法从'django.utils.encoding'导入名称'force text'"是一个常见的问题。这个错误意味着你的代码尝试从'django.utils.encoding'模块导入...
pdf

导入tensorflow时报错：cannot import name ‘abs’的解决

作者在用tensorflow做实验时，import tensorflow忽然报错：cannot import name ‘abs’。错误情况如下所示： 这个问题出现的比较新，网上暂时没有太多的讨论。 二，可能原因 对于这个问题，讨论最多的在github上，...

ImportError: cannot import name 'Trainer' from 'transformers'

3. **确认路径**：确保你是在正确的目录下导入，特别是在使用库的子模块时，如from transformers import Trainer, TrainingArguments。 4. **查看文档**：查阅最新版本的Hugging Face Transformers官方文档，确认...

ImportError: cannot import name 'VocabEntry' from 'transformers'如何解决

这个错误通常是因为 transformers 库的版本过低导致的。可以尝试升级 transformers 库到最新版本，使用以下命令： pip install --upgrade transformers 如果还是出现这个错误，可以尝试重新安装 ...

ImportError: cannot import name 'PreTrainedTokenizer' from 'transformers' (unknown location)

这个问题是Python编程方面的技术问题，可能是由于安装的transformers库版本问题导致的。建议检查transformers库的版本是否正确，并尝试重新安装或升级该库，或者检查代码中是否有可能出现了拼写或大小写错误的问题。

ImportError: cannot import name 'TransformerEncoder'

这个错误通常发生在您尝试从transformers库中导入TransformerEncoder时，但是TransformerEncoder已经被删除或更改了名称。 您可以通过检查transformers库的文档或使用dir（transformers）命令来查看可用的类和函数...

ImportError: cannot import name 'is_torch_npu_available' from 'transformers'

这个错误提示表明你在尝试导入PyTorch Transformers库中的is_torch_npu_available函数或常量，但是遇到了问题。is_torch_npu_available可能是该库中用于检查NVIDIA Tensor Core支持的一个函数，但在当前安装或...

ImportError: cannot import name 'torch_utils' from 'transformers' (D:\Anaconda\lib\site-packages\transformers\__init__.py)

这个错误通常是由于 transformers 库版本不兼容导致的。您可以尝试更新 transformers 库的版本，或者使用适用于您的版本的 torch_utils 模块。如果您使用的是旧版本的 transformers 库，则可能无法使用 torch_utils ...

ImportError: cannot import name 'pipeline' from 'transformers' (D:\user_cx\Software\Anaconda3\Lib\site-packages\transformers\__init__.py)

这个错误通常是由于你使用的transformers库版本过低导致的。在旧版本的transformers库中...from transformers import pipeline 如果仍然遇到问题，请提供更多的错误信息或代码细节，以便我更好地帮助你解决问题。

ImportError: cannot import name 'BertForConditionalGeneration' from 'transformers' (C:\Users\feng\AppData\Roaming\Python\Python39\site-packages\transformers\__init__.py)

这个错误通常是因为您的 transformers 库版本太低，缺少 BertForConditionalGeneration 类。请尝试更新 transformers 库到最新版本。您可以使用以下命令在终端中更新： pip install --upgrade transformers ...

ImportError: cannot import name 'SAFE_WEIGHTS_NAME' from 'transformers.utils' (/root/miniconda3/lib/python3.10/site-packages/transformers/utils/__init__.py)

您可以尝试使用以下命令安装最新版本的 transformers： pip install transformers==4.13.0 如果您已经安装了 transformers，可以尝试更新到最新版本： pip install --upgrade transformers 如果...

Neither PyTorch nor TensorFlow >= 2.0 have been found.Models won't be available and only tokenizers, configurationand file/data utilities can be used. Traceback (most recent call last): File "C:\Users\胡志成\chatgpt_academic\main.py", line 238, in <module> main() File "C:\Users\胡志成\chatgpt_academic\main.py", line 6, in main from request_llm.bridge_all import predict File "C:\Users\胡志成\chatgpt_academic\request_llm\bridge_all.py", line 19, in <module> from .bridge_chatglm import predict_no_ui_long_connection as chatglm_noui File "C:\Users\胡志成\chatgpt_academic\request_llm\bridge_chatglm.py", line 2, in <module> from transformers import AutoModel, AutoTokenizer ImportError: cannot import name 'AutoModel' from 'transformers' (D:\anaconda3\Lib\site-packages\transformers\__init__.py)

第三个错误是在 bridge_chatglm.py 文件的第 2 行触发的，它无法从 transformers 模块中导入 AutoModel 和 AutoTokenizer。这可能是因为您的 transformers 模块版本较旧，不支持这些功能。您可以尝试升级 ...

Traceback (most recent call last): File "/root/autodl-tmp/AIGC训练营_Lesson2_code/txt.py", line 3, in <module> from diffusers.diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler,DDIMScheduler File "/root/miniconda3/lib/python3.10/site-packages/diffusers/__init__.py", line 29, in <module> from .pipelines import OnnxRuntimeModel File "/root/miniconda3/lib/python3.10/site-packages/diffusers/pipelines/__init__.py", line 19, in <module> from .dance_diffusion import DanceDiffusionPipeline File "/root/miniconda3/lib/python3.10/site-packages/diffusers/pipelines/dance_diffusion/__init__.py", line 1, in <module> from .pipeline_dance_diffusion import DanceDiffusionPipeline File "/root/miniconda3/lib/python3.10/site-packages/diffusers/pipelines/dance_diffusion/pipeline_dance_diffusion.py", line 21, in <module> from ..pipeline_utils import AudioPipelineOutput, DiffusionPipeline File "/root/miniconda3/lib/python3.10/site-packages/diffusers/pipelines/pipeline_utils.py", line 66, in <module> from transformers.utils import SAFE_WEIGHTS_NAME as TRANSFORMERS_SAFE_WEIGHTS_NAME ImportError: cannot import name 'SAFE_WEIGHTS_NAME' from 'transformers.utils' (/root/miniconda3/lib/python3.10/site-packages/transformers/utils/__init__.py)什么意思

ImportError: cannot import name 'SAFE_WEIGHTS_NAME' from 'transformers.utils' 表示在导入 transformers.utils 模块时，找不到名为 'SAFE_WEIGHTS_NAME' 的属性。可能是因为版本问题或者安装不完整导致的。你...

ImportError: cannot import name 'COMMON_SAFE_ASCII_CHARACTERS' from 'charset_normalizer.constant' (C:\Users\BB\miniconda3\envs\py310_chat\lib\site-packages\charset_normalizer\constant.py) >>> tokenizer = AutoTokenizer.from_pretrained("/home/featurize/chatglm2-6b", trust_remote_code=True) Traceback (most recent call last): File "<stdin>", line 1, in <module> NameError: name 'AutoTokenizer' is not defined >>> model = AutoModel.from_pretrained("/home/featurize/chatglm2-6b", trust_remote_code=True, device='cuda') Traceback (most recent call last): File "<stdin>", line 1, in <module> NameError: name 'AutoModel' is not defined >>> model = model.eval() Traceback (most recent call last): File "<stdin>", line 1, in <module> NameError: name 'model' is not defined >>> response, history = model.chat(tokenizer, "你好", history=[]) Traceback (most recent call last): File "<stdin>", line 1, in <module> NameError: name 'model' is not defined

from transformers import AutoTokenizer, AutoModel 将这两行代码添加到您的代码开头后，再次运行您的代码，应该就不会出现NameError了。请确保您已正确安装了相应的依赖项（如transformers）。 如果您...

帮我解决代码运行中出现的错误 from sklearn.cluster import KMeans from transformers import BertTokenizer, BertModel import torch import torch.nn.functional as F import numpy as np # 4.根据余弦相似度排序并过滤 # 根据余弦相似度排序 sorted_indices = np.argsort(cos_sim)[::-1] # 过滤掉相似度低于阈值的词汇 threshold = 0.85 related_words = [] for i in sorted_indices: if cos_sim[i] >= threshold: related_words.append((text[i], cos_sim[i])) # 输出与种子词最相似的词汇 print("与种子词最相似的词汇：") for word, sim in related_words: print(word, sim) # 5.聚类 # 将词向量转化为numpy数组 word_embeddings = word_embeddings.detach().numpy() # 进行KMeans聚类 num_clusters = 5 kmeans = KMeans(n_clusters=num_clusters, random_state=0).fit(word_embeddings) # 输出聚类结果 for i in range(num_clusters): cluster_words = [] for j in range(len(text)): if kmeans.labels_[j] == i: cluster_words.append(text[j]) print("聚类%d：" % i, cluster_words) 代码运行后出现的错误有：TypeError: argsort() got an unexpected keyword argument 'axis' 、RuntimeError: Can't call numpy() on Variable that requires grad. Use var.detach().numpy() instead.、ImportError: cannot import name '_liblinear' from 'sklearn.svm' (E:\anaconda\envs\TF2.4\lib\site-packages\sklearn\svm\__init__.py)，快速帮我解决以下，生成修改后的代码

from transformers import BertTokenizer, BertModel import torch import torch.nn.functional as F import numpy as np # 1.载入预训练模型和分词器 tokenizer = BertTokenizer.from_pretrained('bert-base-...

File "E:\pycharm-workspace\BERT\BERT-BiLSTM-CRF-NER-master\venv\lib\site-packages\tensorflow_estimator\python\estimator\estimator.py", line 1161, in _train_model return self._train_model_default(input_fn, hooks, saving_listeners) File "E:\pycharm-workspace\BERT\BERT-BiLSTM-CRF-NER-master\venv\lib\site-packages\tensorflow_estimator\python\estimator\estimator.py", line 1191, in _train_model_default features, labels, ModeKeys.TRAIN, self.config) File "E:\pycharm-workspace\BERT\BERT-BiLSTM-CRF-NER-master\venv\lib\site-packages\tensorflow_estimator\python\estimator\estimator.py", line 1149, in _call_model_fn model_fn_results = self._model_fn(features=features, **kwargs) File "E:\pycharm-workspace\BERT\BERT-BiLSTM-CRF-NER-master\bert_base\train\bert_lstm_ner.py", line 405, in model_fn total_loss, learning_rate, num_train_steps, num_warmup_steps, False) File "E:\pycharm-workspace\BERT\BERT-BiLSTM-CRF-NER-master\bert_base\bert\optimization.py", line 59, in create_optimizer from transformers import AdamWeightDecay ImportError: cannot import name 'AdamWeightDecay' from 'transformers' (E:\pycharm-workspace\BERT\BERT-BiLSTM-CRF-NER-master\venv\lib\site-packages\transformers\__init__.py)

该错误表明无法从 transformers 模块中导入 AdamWeightDecay 类。这可能是由于 transformers 版本不兼容或者安装不完整引起的。 请确保你已经正确安装了 transformers 库，并且使用的是最新版本。你可以使用以下...
zip

notebooks:使用Hugging Face库的笔记本:hugging_face:

然后，可以通过from transformers import <model_name>来导入所需的模型。 5. **加载预训练模型**: Hugging Face提供了一个统一的接口来加载不同模型，例如model = AutoModelForSequenceClassification.from_...

Traceback (most recent call last): File "/home/nano/Downloads/chatglm6B-int4/web_demo.py", line 6, in <module> model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda() File "/home/nano/.local/lib/python3.10/site-packages/transformers/models/auto/auto_factory.py", line 441, in from_pretrained config, kwargs = AutoConfig.from_pretrained( File "/home/nano/.local/lib/python3.10/site-packages/transformers/models/auto/configuration_auto.py", line 915, in from_pretrained return config_class.from_pretrained(pretrained_model_name_or_path, **kwargs) File "/home/nano/.local/lib/python3.10/site-packages/transformers/configuration_utils.py", line 553, in from_pretrained return cls.from_dict(config_dict, **kwargs) File "/home/nano/.local/lib/python3.10/site-packages/transformers/configuration_utils.py", line 696, in from_dict config = cls(**config_dict) File "/home/nano/.cache/huggingface/modules/transformers_modules/THUDM/chatglm-6b/619e736c6d4cd139840579c5482063b75bed5666/configuration_chatglm.py", line 98, in __init__ super().__init__( File "/home/nano/.local/lib/python3.10/site-packages/transformers/configuration_utils.py", line 336, in __init__ import torch File "/home/nano/.local/lib/python3.10/site-packages/torch/__init__.py", line 229, in <module> from torch._C import * # noqa: F403 ImportError: /home/nano/.local/lib/python3.10/site-packages/torch/lib/../../torch.libs/libgomp-d22c30c5.so.1.0.0: cannot allocate memory in static TLS block

这个错误提示表明在运行代码时，系统无法在静态TLS（Thread-Local Storage）块中分配内存。这可能是由于系统内存不足导致的。 你可以尝试以下方法解决这个问题： 1. 重新启动机器：有时候，系统内存不足可能是由于...

帮我解决代码运行中出现的错误from sklearn.cluster import KMeans from transformers import BertTokenizer, BertModel import torch import torch.nn.functional as F import numpy as np # 4.根据余弦相似度排序并过滤 # 根据余弦相似度排序 sorted_indices = np.argsort(cos_sim)[::-1] # 过滤掉相似度低于阈值的词汇 threshold = 0.85 related_words = [] for i in sorted_indices: if cos_sim[i] >= threshold: related_words.append((text[i], cos_sim[i])) # 输出与种子词最相似的词汇 print("与种子词最相似的词汇：") for word, sim in related_words: print(word, sim) # 5.聚类 # 将词向量转化为numpy数组 word_embeddings = word_embeddings.detach().numpy() # 进行KMeans聚类 num_clusters = 5 kmeans = KMeans(n_clusters=num_clusters, random_state=0).fit(word_embeddings) # 输出聚类结果 for i in range(num_clusters): cluster_words = [] for j in range(len(text)): if kmeans.labels_[j] == i: cluster_words.append(text[j]) print("聚类%d：" % i, cluster_words)

1. ImportError: cannot import name 'KMeans' from 'sklearn.cluster' 这个错误说明你的sklearn库没有安装或者安装不完整。你可以通过在终端中输入以下命令来安装sklearn： pip install -U scikit-learn ...

最新推荐

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

网络分析-Wireshark数据包筛选技巧详解及应用实例

内容概要：本文档详细介绍了Wireshark软件中各种数据包筛选规则，主要包括协议、IP地址、端口号、包长以及MAC地址等多个维度的具体筛选方法。同时提供了大量实用案例供读者学习，涵盖HTTP协议相关命令和逻辑条件的综合使用方式。 适合人群：对网络安全或数据分析有一定兴趣的研究者，熟悉基本网络概念和技术的专业人士。 使用场景及目标：适用于需要快速准确捕获特定类型网络流量的情况；如网络安全检测、性能优化分析、教学演示等多种实际应用场景。 阅读建议：本资料侧重于实操技能提升，在学习时最好配合实际操作练习效果更佳。注意掌握不同类型条件组合的高级用法，增强问题解决能力。
recommend-type

com.harmonyos.exception.BatteryOverheatException(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