解释这行代码weights = tf.compat.v1.get_variable("w", [1, 1, 16, 32], initializer=tf.compat.v1.truncated_normal_initializer(stddev=1e-3))

时间: 2023-05-31 17:07:39 浏览: 103
ZIP

yolov4-tflite将 YOLO v4、YOLOv3、YOLO tiny .weights 转换为 .pb、.tflite

这行代码定义了一个变量weights，使用了 TensorFlow 的 get_variable 方法来获取一个名为"w"的变量。该变量是一个 shape 为 [1, 1, 16, 32] 的四维张量，即它是一个尺寸为 1x1x16x32 的张量，其中1表示此维度上的元素数量，16和32表示另外两个维度上的元素数量。该变量的初始化采用了一个截尾正态分布的初始化方法，标准差为1e-3。
阅读全文

相关推荐

-

Darknet框架YOLOv3权重转换教程：h5转weights

转换工具"darknet版YOLOv3_h5_to_weights.zip"正是为了解决这一需求而设计。 文件中可能包含的资源和组件包括： 1. 一个Python脚本，用于读取YOLOv3.h5格式的Keras模型文件。 2. 代码逻辑，用于解析.h5文件中的模型...
-

Keras加载H5文件load_weights与load操作详解

本文主要介绍了如何使用keras.models.load_model()和keras.models.load_weights()这两个关键函数来实现这一操作。 首先，keras.models.load_model()函数允许我们加载整个预训练模型，包括网络结构和权重。这...

解释这行代码 with tf.compat.v1.variable_scope('conv1'): weights = tf.compat.v1.get_variable("w", [1, 1, 32, 32], initializer=tf.compat.v1.truncated_normal_initializer(stddev=1e-3))

这行代码是在定义一个卷积层，命名为conv1，并且创建一个名为"weights"的变量，其shape为[1,1,32,32]，采用使用截断正态分布初始化方法，标准差为1e-3。实际上这是一个tensorflow的变量声明方式，用于存储卷积层的...

解释代码all_weights['dec_w1'] = tf.get_variable("dec1_w1", shape=[self.kernel_size[1], self.kernel_size[1], self.n_hidden[0], self.n_hidden[1]], initializer=layers.xavier_initializer_conv2d()) all_weights['dec_b1'] = tf.Variable(tf.zeros([self.n_hidden[0]], dtype=tf.float32)) all_weights['dec_w2'] = tf.get_variable("dec1_w2", shape=[self.kernel_size[0], self.kernel_size[0], 1, self.n_hidden[0]], initializer=layers.xavier_initializer_conv2d()) all_weights['dec_b2'] = tf.Variable(tf.zeros([1], dtype=tf.float32)) all_weights['enc_w3'] = tf.get_variable("enc_w3", shape=[self.kernel_size[3], self.kernel_size[3], self.n_hidden[2], self.n_hidden[3]], initializer=layers.xavier_initializer_conv2d()) all_weights['enc_b3'] = tf.Variable(tf.zeros([self.n_hidden[3]], dtype=tf.float32)) all_weights['Coef'] = tf.Variable(1.0e-4 * tf.ones([self.test_size, self.train_size], tf.float32), name='Coef') return all_weights

其中，tf.get_variable() 函数用于创建或获取给定名称的变量，其返回值为创建的变量或已存在的变量。对于卷积层的权重参数，使用 layers.xavier_initializer_conv2d() 函数进行初始化，该函数实现了 Xavier 初始...

def __init__(self, sess, state_dim, learning_rate): self.sess = sess self.s_dim = state_dim self.lr_rate = learning_rate # Create the critic network self.inputs, self.out = self.create_critic_network() # Get all network parameters self.network_params = \ tf.compat.v1.get_collection(tf.compat.v1.GraphKeys.TRAINABLE_VARIABLES, scope='critic') # Set all network parameters self.input_network_params = [] for param in self.network_params: self.input_network_params.append( tf.compat.v1.placeholder(tf.float32, shape=param.get_shape())) self.set_network_params_op = [] for idx, param in enumerate(self.input_network_params): self.set_network_params_op.append(self.network_params[idx].assign(param)) # Network target目标 V(s) self.td_target = tf.compat.v1.placeholder(tf.float32, [None, 1]) # Temporal Difference, will also be weights for actor_gradients时间差异，也将是actor_gradients的权重 self.td = tf.subtract(self.td_target, self.out) # Mean square error均方误差 self.loss = tflearn.mean_square(self.td_target, self.out) # Compute critic gradient计算临界梯度 self.critic_gradients = tf.gradients(self.loss, self.network_params) # Optimization Op self.optimize = tf.compat.v1.train.RMSPropOptimizer(self.lr_rate). \ apply_gradients(zip(self.critic_gradients, self.network_params))请对这段代码每句进行注释

self.td_target = tf.compat.v1.placeholder(tf.float32, [None, 1]) # 计算 Critic 网络的 Temporal Difference self.td = tf.subtract(self.td_target, self.out) # 定义 Critic 网络的损失函数，使用均方...

if self.weight_method == 'attn': edge_weights = [tf.cast(var, dtype=dtype) for var in self.vars] normalized_weights = tf.nn.softmax(tf.stack(edge_weights)) nodes = tf.stack(nodes, axis=-1) new_node = tf.reduce_sum(nodes * normalized_weights, -1)

这段代码看起来是一个图神经网络中的计算步骤。根据代码的逻辑，首先将self.vars中的变量转换为指定的数据类型dtype。然后使用tf.nn.softmax函数对这些变量进行归一化处理，得到标准化后的权重值。接下来，使用tf....

init_op, init_feed = tf.compat.v1.contrib.framework.assign_from_values(weight_dict)

这段代码使用了 TensorFlow 1.x 中的 contrib 模块，所以如果你正在使用 TensorFlow 2.0 或更高版本，则会出现上面提到的错误。 如果你需要在 TensorFlow 2.0 中执行类似的操作，可以使用 tf.keras.backend....

init_op, init_feed = tf.compat.v1.contrib.framework.assign_from_values(weight_dict) session.run(init_op, init_feed)

这段代码中的 session 也是 TensorFlow 1.x 中的用法，如果你正在使用 TensorFlow 2.0 或更高版本，则需要使用 tf.compat.v1.Session() 函数来创建一个 TensorFlow 1.x 兼容的会话。 修改后的代码如下： ...

import tensorflow as tf import numpy as np # 创建数据集 x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 0.1 + 0.3 # 构建模型 Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) biases = tf.Variable(tf.zeros([1])) y = Weights * x_data + biases # 定义损失函数和优化器 loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) # 初始化变量 init = tf.global_variables_initializer() # 运行计算图 with tf.Session() as sess: sess.run(init) # 训练模型 for step in range(201): sess.run(train) if step % 20 == 0: print(step, sess.run(Weights), sess.run(biases))Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) AttributeError: module 'tensorflow' has no attribute 'random_uniform'

Weights = tf.Variable(tf.random.uniform([1], -1.0, 1.0)) biases = tf.Variable(tf.zeros([1])) y = Weights * x_data + biases # 定义损失函数和优化器 loss = tf.reduce_mean(tf.square(y - y_data)) ...

def fc_layer(self, bottom, name): with tf.variable_scope(name): shape = bottom.get_shape().as_list() dim = 1 for d in shape[1:]: dim *= d x = tf.reshape(bottom, [-1, dim]) weights = self.get_fc_weight(name) biases = self.get_bias(name) # Fully connected layer. Note that the '+' operation automatically # broadcasts the biases. fc = tf.nn.bias_add(tf.matmul(x, weights), biases) return fc

这段代码实现了一个全连接层（Fully Connected Layer），输入是bottom，输出是fc。其中，bottom表示输入数据，name是该层的名称，shape变量记录了bottom的形状，dim变量计算了bottom的总特征数，x变量是将bottom变形...

init_op, init_feed = tf.compat.v1.contrib.framework.assign_from_values(weight_dict)换为tensorflow2.x兼容语句

在 TensorFlow 2.x 中，可以使用 tf.keras.backend.batch_set_value() 函数来实现类似的功能。具体地，将 init_op, init_feed 替换为以下代码： import tensorflow as tf tf.keras.backend.batch_set_...

class PhysicsInformedNN: # Initialize the class def __init__(self, x0, u0, x1, u1, layers, dt, lb, ub, q, splitIdx1, splitIdx2, splitIdx3, otherParams): self.lb = lb self.ub = ub self.x0 = x0 self.x1 = x1 self.u0 = u0 self.u1 = u1 self.layers = layers self.dt = dt self.q = max(q, 1) self.splitIdx1 = splitIdx1 self.splitIdx2 = splitIdx2 self.splitIdx3 = splitIdx3 # Initialize NN self.weights, self.biases = self.initialize_NN(layers) self.otherParams = otherParams self.L = tf.Variable([2], dtype=tf.float32) self.RL = tf.Variable([0.039], dtype=tf.float32) self.C = tf.Variable([0.412], dtype=tf.float32) self.RC = tf.Variable([1.59], dtype=tf.float32) self.Rdson = tf.Variable([1.22], dtype=tf.float32) self.Rload1 = tf.Variable([1.22], dtype=tf.float32) self.Rload2 = tf.Variable([1.22], dtype=tf.float32) self.Rload3 = tf.Variable([1.22], dtype=tf.float32) self.vIn = tf.Variable([0.87], dtype=tf.float32) self.vF = tf.Variable([0.1], dtype=tf.float32) tmp = np.float32(np.loadtxt( 'Butcher_tableau/Butcher_IRK%d.txt' % (q), ndmin=2)) weights = np.reshape(tmp[0:q ** 2 + q], (q + 1, q)) self.IRK_alpha = weights[0:-1, :] self.IRK_beta = weights[-1:, :] self.IRK_times = tmp[q ** 2 + q:]

这段代码是一个名为PhysicsInformedNN的类的初始化方法。它接受了一些参数，包括x0、u0、x1、u1、layers、dt、lb、ub、q、splitIdx1、splitIdx2、splitIdx3和otherParams。 在初始化方法中，它保存了lb和ub的值，这...

解释一下 with tf.name_scope('final_training_ops'): weights = tf.Variable( tf.truncated_normal([BOTTLENECK_TENSOR_SIZE, n_classes], stddev=0.1))

这段代码使用了 TensorFlow 的名字作用域（name scope）机制，将变量 weights 和后续的操作都放在了名为 "final_training_ops" 的名字作用域中。 其中，weights 是一个形状为 [BOTTLENECK_TENSOR_SIZE, n_classes] ...

with tf.name_scope('final_training_ops'): weights = tf.Variable( tf.truncated_normal([BOTTLENECK_TENSOR_SIZE, n_classes], stddev=0.1))

This code creates a variable named "weights" using TensorFlow's truncated normal initializer. The variable has a shape of [BOTTLENECK_TENSOR_SIZE, n_classes], where BOTTLENECK_TENSOR_SIZE is the size ...

解释这行代码 with tf.compat.v1.variable_scope('conv1'):

这行代码使用 TensorFlow v1 的兼容性模块，并创建了一个变量作用域（variable scope）对象，名称为“conv1”。变量作用域是在 TensorFlow 中用于分组变量的一种方式，可以帮助在大型模型中更好地组织和管理变量。在...

将下面代码修改成ros2代码。 model_name = rospy.get_param('model_name', 'erfnet_road') weights_name = rospy.get_param('weights_name', 'weights_erfnet_road.pth') self.resize_factor = rospy.get_param('resize_factor', 5) self.debug = rospy.get_param('debug', True) self.with_road = rospy.get_param('with_road', True) queue_size = rospy.get_param('queue_size', 10)

weights_name = self.get_parameter('weights_name').get_parameter_value().string_value self.resize_factor = self.get_parameter('resize_factor').get_parameter_value().integer_value self.debug = self....

def add_layer(inputs, in_size, out_size, activation_function=None): Weights = tf.Variable(tf.truncated_normal([in_size, out_size], stddev=0.1)) Biases = tf.Variable(tf.constant(0.1, shape=[out_size])) xW_plus_b = tf.matmul(inputs, Weights) + Biases if activation_function is None: outputs = xW_plus_b else: outputs = activation_function(xW_plus_b) return outputs这段代码含义

这段代码是定义一个添加神经网络层的函数。其中： - inputs: 输入数据 - in_size: 输入数据的大小 - out_size: 输出数据的大小 - activation_function: 激活函数，可以为空 首先，该函数定义了神经网络层的权重...

if len(weight_dict) > 0: init_op, init_feed = tf.compat.v1.contrib.framework.assign_from_values(weight_dict) session.run(init_op, init_feed) print('Loaded %d variables from %s' % (len(weight_dict), file_name))改为tensorflow2.x兼容语句

在 TensorFlow 2.x 中，可以使用 tf.keras.models.load_model() 方法来加载模型权重。如果想要加载已经保存的权重文件，可以使用 tf.keras.models.load_weights() 方法。这个方法会返回一个已经编译好的模型，...

这里x使用random.normal函数取值，输出张量的形状100X1，正态分布的均值为2，正态分布的标准差为2。 然后使用tf.matmul构建y = 5x + 4。注意类型一致。 请补充一下代码： import tensorflow as tf tf.compat.v1.disable_eager_execution() # 1）准备好数据集：y = 5x + 4 100个样本 # 特征值X, 目标值y_true # 请补全下行代码 使用random.normal函数取值 X = ... # y_true [100, 1] # 2）矩阵运算 X（100,1）* （1, 1）= y_true(100, 1) # 请补全下行代码 使用tf.matmul构建y = 5x + 4 y_true = ...

tf.compat.v1.disable_eager_execution() # 1）准备好数据集：y = 5x + 4 100个样本 # 特征值X, 目标值y_true # 使用random.normal函数取值 X = tf.random.normal(shape=(100, 1), mean=2, stddev=2) # y_true ...

最新推荐

recommend-type

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

在TensorFlow 2.0中，`tf.keras.Model.load_weights()` 是一个非常有用的函数，用于加载预先训练好的权重到模型中，以便继续训练或进行预测。然而，在实际操作中，可能会遇到一些报错，本文将针对这些问题提供解决...
recommend-type

tensorflow 2.0模式下训练的模型转成 tf1.x 版本的pb模型实例

在TensorFlow 2.0中，模型训练变得更加方便和高效，但有时为了兼容旧系统或者利用TensorFlow 1.x的一些特性，我们需要将2.0版本训练的模型转换为1.x版本的.pb模型。这里我们将详细讲解如何实现这个过程，特别关注在...
recommend-type

数学建模拟合与插值.ppt

数学建模拟合与插值.ppt
recommend-type

[net毕业设计]ASP.NET教育报表管理系统-权限管理模块（源代码+论文）.zip

【项目资源】：包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python、web、C#、EDA、proteus、RTOS等项目的源码。【项目质量】：所有源码都经过严格测试，可以直接运行。功能在确认正常工作后才上传。【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。【附加价值】：项目具有较高的学习借鉴价值，也可直接拿来修改复刻。对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。【沟通交流】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。鼓励下载和使用，并欢迎大家互相学习，共同进步。
recommend-type

火炬连体网络在MNIST的2D嵌入实现示例

资源摘要信息:"Siamese网络是一种特殊的神经网络，主要用于度量学习任务中，例如人脸验证、签名识别或任何需要判断两个输入是否相似的场景。本资源中的实现例子是在MNIST数据集上训练的，MNIST是一个包含了手写数字的大型数据集，广泛用于训练各种图像处理系统。在这个例子中，Siamese网络被用来将手写数字图像嵌入到2D空间中，同时保留它们之间的相似性信息。通过这个过程，数字图像能够被映射到一个欧几里得空间，其中相似的图像在空间上彼此接近，不相似的图像则相对远离。 具体到技术层面，Siamese网络由两个相同的子网络构成，这两个子网络共享权重并且并行处理两个不同的输入。在本例中，这两个子网络可能被设计为卷积神经网络（CNN），因为CNN在图像识别任务中表现出色。网络的输入是成对的手写数字图像，输出是一个相似性分数或者距离度量，表明这两个图像是否属于同一类别。 为了训练Siamese网络，需要定义一个损失函数来指导网络学习如何区分相似与不相似的输入对。常见的损失函数包括对比损失（Contrastive Loss）和三元组损失（Triplet Loss）。对比损失函数关注于同一类别的图像对（正样本对）以及不同类别的图像对（负样本对），鼓励网络减小正样本对的距离同时增加负样本对的距离。 在Lua语言环境中，Siamese网络的实现可以通过Lua的深度学习库，如Torch/LuaTorch，来构建。Torch/LuaTorch是一个强大的科学计算框架，它支持GPU加速，广泛应用于机器学习和深度学习领域。通过这个框架，开发者可以使用Lua语言定义模型结构、配置训练过程、执行前向和反向传播算法等。 资源的文件名称列表中的“siamese_network-master”暗示了一个主分支，它可能包含模型定义、训练脚本、测试脚本等。这个主分支中的代码结构可能包括以下部分： 1. 数据加载器（data_loader）: 负责加载MNIST数据集并将图像对输入到网络中。 2. 模型定义（model.lua）: 定义Siamese网络的结构，包括两个并行的子网络以及最后的相似性度量层。 3. 训练脚本（train.lua）: 包含模型训练的过程，如前向传播、损失计算、反向传播和参数更新。 4. 测试脚本（test.lua）: 用于评估训练好的模型在验证集或者测试集上的性能。 5. 配置文件（config.lua）: 包含了网络结构和训练过程的超参数设置，如学习率、批量大小等。 Siamese网络在实际应用中可以广泛用于各种需要比较两个输入相似性的场合，例如医学图像分析、安全验证系统等。通过本资源中的示例，开发者可以深入理解Siamese网络的工作原理，并在自己的项目中实现类似的网络结构来解决实际问题。"
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

L2正则化的终极指南：从入门到精通，揭秘机器学习中的性能优化技巧

![L2正则化的终极指南：从入门到精通，揭秘机器学习中的性能优化技巧](https://img-blog.csdnimg.cn/20191008175634343.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTYxMTA0NQ==,size_16,color_FFFFFF,t_70) # 1. L2正则化基础概念 在机器学习和统计建模中，L2正则化是一个广泛应用的技巧，用于改进模型的泛化能力。正则化是解决过拟
recommend-type

如何构建一个符合GB/T19716和ISO/IEC13335标准的信息安全事件管理框架，并确保业务连续性规划的有效性？

构建一个符合GB/T19716和ISO/IEC13335标准的信息安全事件管理框架，需要遵循一系列步骤来确保信息系统的安全性和业务连续性规划的有效性。首先，组织需要明确信息安全事件的定义，理解信息安全事态和信息安全事件的区别，并建立事件分类和分级机制。 参考资源链接：[信息安全事件管理：策略与响应指南](https://wenku.csdn.net/doc/5f6b2umknn?spm=1055.2569.3001.10343) 依照GB/T19716标准，组织应制定信息安全事件管理策略，明确组织内各个层级的角色与职责。此外，需要设置信息安全事件响应组(ISIRT)，并为其配备必要的资源、
recommend-type

Angular插件增强Application Insights JavaScript SDK功能

资源摘要信息:"Microsoft Application Insights JavaScript SDK-Angular插件" 知识点详细说明： 1. 插件用途与功能： Microsoft Application Insights JavaScript SDK-Angular插件主要用途在于增强Application Insights的Javascript SDK在Angular应用程序中的功能性。通过使用该插件，开发者可以轻松地在Angular项目中实现对特定事件的监控和数据收集，其中包括： - 跟踪路由器更改：插件能够检测和报告Angular路由的变化事件，有助于开发者理解用户如何与应用程序的导航功能互动。 - 跟踪未捕获的异常：该插件可以捕获并记录所有在Angular应用中未被捕获的异常，从而帮助开发团队快速定位和解决生产环境中的问题。 2. 兼容性问题： 在使用Angular插件时，必须注意其与es3不兼容的限制。es3（ECMAScript 3）是一种较旧的JavaScript标准，已广泛被es5及更新的标准所替代。因此，当开发Angular应用时，需要确保项目使用的是兼容现代JavaScript标准的构建配置。 3. 安装与入门： 要开始使用Application Insights Angular插件，开发者需要遵循几个简单的步骤： - 首先，通过npm（Node.js的包管理器）安装Application Insights Angular插件包。具体命令为：npm install @microsoft/applicationinsights-angularplugin-js。 - 接下来，开发者需要在Angular应用的适当组件或服务中设置Application Insights实例。这一过程涉及到了导入相关的类和方法，并根据Application Insights的官方文档进行配置。 4. 基本用法示例： 文档中提到的“基本用法”部分给出的示例代码展示了如何在Angular应用中设置Application Insights实例。示例中首先通过import语句引入了Angular框架的Component装饰器以及Application Insights的类。然后，通过Component装饰器定义了一个Angular组件，这个组件是应用的一个基本单元，负责处理视图和用户交互。在组件类中，开发者可以设置Application Insights的实例，并将插件添加到实例中，从而启用特定的功能。 5. TypeScript标签的含义： TypeScript是JavaScript的一个超集，它添加了类型系统和一些其他特性，以帮助开发更大型的JavaScript应用。使用TypeScript可以提高代码的可读性和可维护性，并且可以利用TypeScript提供的强类型特性来在编译阶段就发现潜在的错误。文档中提到的标签"TypeScript"强调了该插件及其示例代码是用TypeScript编写的，因此在实际应用中也需要以TypeScript来开发和维护。 6. 压缩包子文件的文件名称列表： 在实际的项目部署中，可能会用到压缩包子文件（通常是一些JavaScript库的压缩和打包后的文件）。在本例中，"applicationinsights-angularplugin-js-main"很可能是该插件主要的入口文件或者压缩包文件的名称。在开发过程中，开发者需要确保引用了正确的文件，以便将插件的功能正确地集成到项目中。 总结而言，Application Insights Angular插件是为了加强在Angular应用中使用Application Insights Javascript SDK的能力，帮助开发者更好地监控和分析应用的运行情况。通过使用该插件，可以跟踪路由器更改和未捕获异常等关键信息。安装与配置过程简单明了，但是需要注意兼容性问题以及正确引用文件，以确保插件能够顺利工作。
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