写一个python程序，用于求解拟合数据的隐函数方程的参数，数据由文本文件获得，隐函数方程为i=i1exp((v-i*r)/n1)+i2exp((v-i*r)/n2)-i1-i2+(v-i*r)/r1+il,其中v为自变量，i为因变量，i1，i2，r, n1，n2，r1,il均为代求参数

这个问题可以使用Python中的scipy.optimize模块中的curve_fit函数来解决。下面是一个简单的示例代码，你可以根据自己的数据和隐函数方程进行修改：

import numpy as np
from scipy.optimize import curve_fit

# 定义隐函数方程
def func(v, i1, n1, i2, n2, r, r1, il):
    return i1*np.exp((v-i*r)/n1) + i2*np.exp((v-i*r)/n2) - i1 - i2 + (v-i*r)/r1 + il

# 读取数据
data = np.loadtxt('data.txt')
v = data[:, 0]
i = data[:, 1]

# 初始参数值
p0 = [1, 1, 1, 1, 1, 1, 1]

# 拟合数据
popt, pcov = curve_fit(func, v, i, p0)

# 打印参数值
print('i1:', popt[0])
print('n1:', popt[1])
print('i2:', popt[2])
print('n2:', popt[3])
print('r:', popt[4])
print('r1:', popt[5])
print('il:', popt[6])

在这个示例代码中，我们首先定义了一个隐函数方程func，然后使用numpy库中的loadtxt函数读取数据文件（假设数据文件中第一列为v，第二列为i）。接下来，我们定义了一个初始参数值p0，然后使用curve_fit函数进行数据拟合，得到参数值popt。最后，我们打印出了得到的参数值。

需要注意的是，参数值的顺序与隐函数方程func中参数的顺序相同。因此，在使用curve_fit函数时，需要保证初始参数值p0和参数序列的顺序是一致的。