更好地解决人类动作建立模型难点,无监督神经网络在大幅度不大上的博弈

原标题:BMVC 201八 |
最好学生杂文:EPFL&FAI劲客提议QuaterNet,越来越好地解决人类动作建立模型难点

365bet官网 1

若是说GAN的发展史上有啥戏剧性事件,那“LSTM之父”Jürgen
施密德huber(发音:You_again Shmidhoobuh)和“GAN之父”IanGoodfellow之间的恩仇相对是在这之中最赏心悦目的一幕。在201陆的NIPS大会上,施密德huber和Goodfellow就GAN是还是不是借鉴了前者在玖拾时期公布的1篇杂文展开了剧烈争辨,引得满座震惊。即便后来学术界承认了GAN的原创性,但Schmidhuber如同对此依旧历历在目。近日,他发布了一篇小短文,小说的支柱依然几10年前的十三分模型——PM。

本文以最简便易行的RubiconNNs模型为例:Elman循环神经网络,讲述循环神经网络的做事规律,即正是你从未太多循环神经网络的基础知识,也能够很简单的敞亮。为了让你越来越好的驾驭HummerH二NNs,大家采用Pytorch张量包和autograd库从头起先创设Elman循环神经网络。该文中完全代码在Github上是可完结的。

选自arXiv

从机械学习到上报控制

365bet官网 2

365bet官网 3

作者:Dario Pavllo等

机械学习正在帮助转移不相同行业的广大世界,因为别的对技术感兴趣的人都知晓。由于过去几年的吃水学习算法,总结机视觉和自然语言处理等业务发生了巨大变化,那种变更的震慑正在渗透到大家的常常生活中。人工智能领域估摸人工智能领域将产生根本变更。

一九玖〇s,无监察和控制神经互连网在细微值上的对弈每一种互连网最小化由另贰个网络最大化的值函数或转移实验,发生对好奇心的内在奖励

Elman循环神经互联网

参与:**王淑婷、张倩、路**

更好地解决人类动作建立模型难点,无监督神经网络在大幅度不大上的博弈。几十年前,科学幻想随笔小说家设想了由人工智能驱动的机器人与人类社会互相成效,也许帮衬缓解人类的难点,或者计算破坏蛋类的标题。我们的现实远非如此,大家明日打探到,创建智能手机器人比当下的料想更难。机器人必须感知世界并问询她们的条件,

在对人工神经互连网的钻研中,研讨职员最关键的靶子之①是创制能从给定数据中学习总计数据的算法。为了兑现那壹对象,笔者在20世纪90年份曾引进1种新型无监察和控制学习机制,它依照巨大十分小博弈中的梯度降低/上升原理,当中二个NN负责最小化由另贰个NN最大化的靶子函数。小编把爆发在那多少个无监察和控制神经互联网之间的对立称为“可预测性最小化”(Predictability
Minimization)。

杰夫 Elman第2遍提出了Elman循环神经网络,并登出在舆论《Finding structure
in
time》中:它只是四个3层前馈神经互连网,输入层由2个输入神经元x1和壹组上下文神经元单元{c1

cn
}组成。隐藏层前一时半刻间步的神经细胞作为左右文神经元的输入,在隐藏层中每一种神经元都有三个内外文神经元。由于前近来间步的事态作为输入的壹有些,因而我们得以说,Elman循环神经互联网具有一定的内部存款和储蓄器——上下文神经梁国表2个内部存储器。

U.K.机械视觉大会(BMVC)201八 于 玖 月 十十六日到 6 日在英帝国温得和克进行,来自瑞士联邦武大大学(EPFL)和 FAIXC60的商讨者 达里奥 Pavllo
等人获取了本次大会的一流学生散文奖。那篇杂谈提议了1种基于4元数(quaternion)的巡回模型
QuaterNet,用于缓解人类活动建模难点。在短时间预测方面,QuaterNet
品质优于在此以前最优的模子。

当大家人类思虑从桌子上搜查缴获1杯水时,大家兴许对大家期待手进入的轨道有五个大约的垂询,但为了实际那样做,大家的大脑须求发送八个要命长且复杂的行列电时域信号通过神经系统引起肌肉的右缩短。我们的痛感系统观望那一个邮电通讯号的震慑(大家看出大家的手是怎样运动的),大家的大脑使用那种举报来补充标称误差。此进程称为反馈控制并且是机器人设计师和机器人钻探职员面临的挑衅之一。大家的机器人不仅要求统一筹划其臂应怎样通过空间来抓取物体,还非得内定须要施加到其电机上的电压,以便达成方便的扭矩和力,并完成指标。

率先,PM需求一个自带发轫随机权重的编码器互连网,它通过其输入节点接收数据样本,并在其出口节点(下图中的金黄圆圈,也称编码节点)生成对应编码。每种编码节点都得以在间隔[0,1]内被激活。

展望正弦波

对人类动作实行建立模型对于众多运用都很要紧,包蕴动作识别
[12, 34]、动作检测 [49] 及总括机图形学 [22]
等。方今,神经网络被用来 3D 骨骼关节部位种类的长 [22, 23] 、短 [14,
37] 期预测。神经方法在其它形式识别任务中足够成功 [5, 20,
29]。人类动作是一种含有高级内在不分明性的任性体系进度。给定2个寓指标姿态类别,以往的丰裕姿势连串与之相似。由此,内在不分明性意味着,就算模型丰盛好,在前瞻今后姿势的五个长种类时,相隔时间较长的前景展望不肯定能够包容测度记录。由此,相关研讨壹般将估算职务分为长时间预测和长期预测。短时间职分平日被称呼预测职务,能够经过距离度量将估量与参考记录举行比较来定量评估。长时间任务经常被喻为生成任务,更难定量评估。在那种情景下,人类评估首要性。

报告控制是3个广阔的圈子,具有十二分丰盛的理论,并且在大家生存的大概种种地点都有好多选取。电梯,小车,飞机,卫星和广大别的一般物品依靠控制算法来调节其内部操作的1些方面。控制理论为操纵工程师提供了为众多主要系统规划安静可信赖的控制算法的工具,这个办法1般注重于对我们系统的中央动态的即使通晓。

365bet官网 4

现行反革命,大家来演习PAJERONNs学习正弦函数。在教练进度中,一回只为模型提供叁个数据,那正是干什么我们只必要三个输入神经元x1,并且大家愿目的在于下近年来间步预测该值。输入体系x由二十个数据整合,并且指标种类与输入连串相同。

本探讨涉及短时间和长期任务,指标是相当或抢先电脑视觉文献中用于长期预测的特等办法,以及相配或超过电脑图形学文献中用于深远变化的极品方式。本着那壹对象,小编分明了脚下策略的局限性并意欲突破那一个局限。本文的孝敬是再度的。首先,小编提议了1种选择四元数的主意,该4元数带有循环神经网络。别的参数化(如欧拉角)存在不三番五次性和奇异性,可能造成梯度爆炸和模型磨练困难。在此之前的钻研总计通过切换来指数地图(也称之为轴角表示)来缓解这一个难题,结果难点只是能够化解而从未完全缓解
[17]。其次,我提议了1个可微损失函数,它对参数化骨骼执行正向运动学,并将刀口方位预测和依照地点的损失函数的优点相结合。

在安排安静飞机及其活动开车仪软件的决定类别时,工程师严重信赖数10年的飞机动力学商量和阅历。飞机如何对其控制表面包车型大巴角度变化作出反应是多个争执容易掌握的长河,那在打算弄领会哪些支配那样的系统时提供了不小的便宜。

图中的花青圆圈表示三个独立的展望网络,经过操练后,给定一些编码节点,它能上学每一种编码节点的条件期望,从而预测全体未提供的编码节点。固然图中从不标注,编码互连网和预测网络都有隐形节点。

365bet官网 5

实验结果革新了用于人类 三.六m
基准长时间预测的流行角度预测抽样误差。小编还透过人类判断,将长久变化质量与电脑图形学文献中近日的钻探进行了相比较。在那项职分中,作者相配了前头关于运动的干活的成色,同时允许在线生成,并更加好地决定美学家强加的日子和轨迹约束。

365bet官网 6

然而,每一个编码节点都期待本人能变得更不行预测。因而它要求经过操练,最大限度地加强由预测互连网最小化的对象函数。预测器和编码器相互对峙,以激励编码器达成无监察和控制学习的“圣杯”——关于输入数据的脍炙人口的、展开的、二元的阶乘编码,个中种种编码节点在总括上相互互相独立。

模型实现

代码和预磨练模型地址:

遗憾的是,并非全体系统都存有那种详细程度,并且获得那几个文化的长河一般不长,需求多年的研商和实验。随着技术的上扬,大家营造的系统的纷纭也在加码,那给控制工程师带来了许多挑衅。

美艳状态下,NN在经过上学后,给定数据情势的可能率就应该对等其编码节点概率的乘积,这一个概率也是展望网络的出口。

首初叶入包。

论文:QuaterNet: A Quaternion-based
Recurrent Model for Human Motion

在这些机器学习时期,1种直接的艺术自然是从实验进度中收集的数额中学习引力学模型。例如,大家能够想到四个暗含不难抓紧器的机器人手臂。手臂的情况由各种难点的角度和角速度组成,大家得以采纳的动作是在枢纽内建立的各种电机的电压。这一个电压会潜移默化机械臂的动静,大家能够将其身为三个效果:

刚好,生成对抗互连网也利用无监督的非常的小很大原理来模拟给定数据的统计数据。相信读者都熟谙NIPS
201四的那篇GAN杂文,固然这位小编声称PM并不是基于值函数的庞大非常小博弈,不是三个网络寻求最大化而另三个谋求最小化,比较GAN那种“网络之间的对垒是唯一陶冶专业,并且可以完结磨炼”的方法,PM只可以算“叁个正则,鼓励神经互连网的隐藏节点在成功别的职务时在总结上独立,其敌对不是根本的演习方法”。

365bet官网 7

365bet官网 8

那意味着大家的动态能够被认为是将状态动作映射到状态的函数,并且通过学习我们能够动用像神经互联网这样的模子来如同它:

可是,俺认为PM确实也是个纯粹的偌大一点都不大博弈,特别是它也对抗演练,“互连网之间的对立是绝无仅有锻炼专业,并且能够落成演习”。

接下去,设置模型的超参数。设置输入层的大小为七(四个左右文神经元和二个输入神经元),seq_length用来定义输入和目的种类的长度。

舆论链接:

其间theta代表大家神经互连网的参数。此进程壹般也在根据模型的加剧学习算法中成功,在那之中使用动态学习模型来加速学习策略的经过。令人白璧微瑕的是,那1般会战败,并且除了在接纳预测时出现的复合错误现象之外,学习模型往往会很难归纳为事先未曾见过的情事。学习模型不能够很好地包罗的原委之1是因为许多神经互联网架构是杰出通用的函数逼近器,由此全数有限的能力来放大到看不见的场景。神经互联网和归纳偏差

将无监督一点都不小十分的小博弈用于强化学习好奇心

365bet官网 9

摘要:采纳深度学习来预测或生成 3D
人体姿势系列是3个活跃的商讨世界。以前的钻研恐怕围绕热点旋转,要么围绕热点地方。前者的方针在选拔欧拉角或参数化的指数映射时,简单沿着运动链累积基值误差,且它具有不一连性。后者的策略要求重复投影到骨骼约束上,防止止骨骼拉伸和无效配置。本文的切磋打破了上述三个限制。大家的循环网络QuaterNet
代表4元数的团团转,我们的损失函数对骨骼执行正向运动,以惩治相对地点引用误差,而不是角度引用误差。就长时间预测而言,QuaterNet
从数据上升高了当下最棒水准。就长期生成而言,大家的办法在品质上被判定为与图形学文献中的近期神经策略1样可行。

让大家用一个简短的例子来形象化。若是大家从接近线性线的函数中采集样品点,并尝试将学习模型拟合到此函数。

抑或20世纪90年间,PM诗歌发布后,作者曾品尝过把那些想法扩展到深化学习世界,创设具有人工好奇心的智能体。

转移练习多少:x是输入体系,y是指标连串。

三.1 模型架构&磨练算法

365bet官网 10

365bet官网 11

365bet官网 12

图 1 突显了大家的 pose
互联网的高档架构,该网络被我们用来长期预测和深刻变化任务。借使将其用来后者,该模型包蕴附加输入(即图中的「Translations」和「Controls」),用于提供格局控制。该互连网将有所难题的旋转(编码为单位四元数)和可选输入作为其输入,并且在给定
n 帧初步化的状态下,磨练该网络使其可预测骨骼在 k 个时间步上的以后气象,k
和 n 取决于职分。对于学习,大家选取 Adam 优化器 [27] 将梯度范数修剪至
0.1,并以各样 epoch α = 0.99玖对学习率进行指数级衰减。对于快捷的批处理,大家从操练集采集样品固定长度的
episode,在使得的起源上海展览中心开均匀采集样品。大家把 epoch
定义为大小也就是种类数指标随机样本。

只要大家品尝利用简单的前馈神经互连网来就像那些多少,大家或然会在我们的数码采集样品值的范围内获取保障的品质,如若我们做得很好,大家也许会在某种程度上做得很好依然有个别高于这几个界定。

笔者营造了3个对象是在环境中变化动作连串的神经互联网C,它的动作生成的由一个追求回报最大化的节点控制。作为参考,作者陈设了3个叫做世界模型M的独立神经网络,它能依照给定的早年输入和动作预测今后输入。动作选用越合理,网络获取的报恩就越高,因而C所获得的内在回报和M的展望固有误差成正比。同时,因为C试图最大化的正是M试图最小化的值函数,那意味C会尽力探索M不能准确预测的新动作。

成立多个权重矩阵。大小为(input_size,hidden_size)的矩阵w1用以隐藏连接的输入,大小为(hidden_size,output_size)的矩阵w2用以隐藏连接的输出。
用零均值的正态分布对权重矩阵展开起头化。

365bet官网 13

不过,任何利用神经网络的人都通晓,就算我们练习互联网的输入值范围从0到一并尝试预测一千等等的输出,我们就会取得完全而干净的垃圾输出。可是,倘使不利用神经互连网,大家将应用线性近似作为我们的模子,大家仍是能够赢得相当不错的质量,甚至远远胜出练习输入范围。那是因为大家的多寡是从嘈杂的线性线中采集样品的,并且应用线性近似减弱了模型的假设空间,我们务必首先搜索那么些最好的候选人。神经互联网是一种越发通用的模子,能够接近任意结构的函数,但这并不意味它是做事的特等选项。

不久前关于好奇心的深化学习杂谈有那几个,作者以为它们都是遵照那个简单的90年间的法则。越发是在九七年的那篇故事集中[UARL3-5],小编让三个对抗的、追求回报最大化的模块共同企划八个实验:2个能定义怎样在环境中推行动作类别、怎么样通过兑现由实验触发的观测类别的可总结函数的通令类别来总结最后实验结果的顺序。

365bet官网 14

图 1:QuaterNet
架构。「QMul」代表4元数乘法:假设包罗在内,它会迫使模型输出速度;假诺绕过,则模型会发生相对旋转。

当卷积神经互连网用于图像处理时,观看到近似的风貌。原则上,前馈神经网络能够接近任何函数,包涵图像分类器,但这或许须求大量的模子和令人难以置信的大气多少。卷积神经网络通过运用难点中本来的构造,例如相邻像素之间的相关性以及神经互联网中对移动不变性的必要,更实惠地推行这几个职责。

多少个模块都能提前预测实验结果,即便它们的猜测或只要不一样,那么在动作生成和履行完结后,战败1方会向那几个零和博弈的优厚1方提供内在回报。那种设计促使无监督的多个模块专注于“有趣”的事体,也正是不行预测的半空中。同样的,在未有外部回报的景况下,种种无监督模块都在总计最大化由另三个最小化的值函数。

定义forward方式,其参数为input向量、context_state向量和五个权重矩阵,连接inputcontext_state创建xh向量。对xh向量和权重矩阵w1施行点积运算,然后用tanh函数作为非线性函数,在RAV四NNs中tanhsigmoid功用要好。
然后对新的context_state和权重矩阵w2再度执行点积运算。
大家想要预测接连值,由此那些等级不利用其余非线性。

三.二 旋转参数化和正向运动损失

365bet官网 15

365bet官网 16

请注意,context_state向量将在下一时半刻间步填充上下文神经元。
那正是干吗我们要赶回context_state向量和out

365bet官网 17

图网络

眼看自家在舆论中建议,假若想把那种艺术用于现实世界的一点难点,大家还要求物管理学家和歌唱家的人工参与,设置合理的外表回报。而时至明天,很多个人也着实正在用它处理数据分布建立模型和人造好奇心等职务。小结

365bet官网 18

图 二:(a) H三.陆m
数据集上的有个别角度分布,个中暗红表示 [−π/2, π/2]
的辽阳范围,红棕表示恐怕有题指标界定(全体角的 柒%)。(bc) 肆元数的
antipodal 表示难点。(b) 是来源于演习集的真实性类别,既不总是,又不明显。(c)
我们的法门,改正了不延续性,但依然允许多个可能的选择 q 和-q。(d)
演练集上步履参数的遍布。

归来我们好像机器人系统重力学的标题,这么些难点的古板神经结构的3个共同特征是它们将系统便是单个组件。例如,在对大家的机器人手臂实行建模时,我们得以将神经网络的输入作为包蕴我们手臂的具备角度和角速度的向量。

来看那里,相信大家都看出来了,Jürgen
Schmidhuber依旧放不下对GAN的纠结,或然说,是对“对抗”那种措施的执念。尽管GAN的原创性已无争论,但比起抬高/贬低Schmidhuber的灵魂,我们都无法不可能认他对纵深学习作出的杰出进献。二年前,他也多亏以一种大致“闹剧”的法子警示全部人,在过去几十年的钻研中,大概存放着累累鲜为人知的瑰宝,它们不是不够理想,而只是输给了时期。

训练

4 实验

365bet官网 19

磨练循环的结构如下:

四.一 短时间预测

那是系统在通用宝马X3L基准测试中国建工业总会公司模的科班方法,日常在方针优化职责中运作突出。然而当试图学习机器人手臂的引力学时,那是不够的,那是因为机器人手臂不仅仅是角度和角速度的矢量。机器人手臂具有协会,它由多少个典型构成,这么些关节共享相同的基础物理,并以与组装情势有关的点子互相效率。思考到那或多或少,大家愿意我们的神经网络架构能够以那种措施处理连串,并且事实注脚大家得以因此对图片数据实行操作的奇异神经网络来完成那或多或少。

壹.外巡回遍历每一个epochepoch被定义为富有的磨炼多少总体经过演练网络叁回。在每一个epoch开始时,将context_state向量开首化为0。

365bet官网 20

谷歌(谷歌(Google))DeepMind的研究人口在二〇一八年刊载了1篇题为”
关系归咎偏差,深度学习和图互联网”的舆论。在本文中,他们引进了一种新的神经互连网结构,称为图网络,并评释它能够用来十三分规范地模拟物体之间相互功用中生出的比不上物理现象,例如多体重力系统中的行星,刚性之间的相互效率。身体颗粒依旧句子和分子。能够在图纸数据上运营的神经网络的定义早于本文,但图形互连网架构总结了诸多从前的图纸神经网络变体并扩展了它们。

二.里边循环遍历系列中的每一个成分。执行forward形式开始展览正向传递,该方法重返predcontext_state,将用以下3个时光步。然后计算均方基值误差用于预测接连值。执行backward()方法总结梯度,然后更新权重w1w2。每回迭代中调用zero_()艺术清除梯度,不然梯度将会1起起来。最后将context_state向量包装放到新变量中,以将其与历史值分离开来。

表 壹:在 Human 3.陆M
数据集上,区别动作的长时间运动预测的平均角度固有误差:简单基线(顶部)、此前的
PRADONN
结果(中间有些)、大家模型的结果(底部)。粗体字表示最优结果,下划线字表示以前的最优结果。

365bet官网 21

365bet官网 22

365bet官网 23

那种办法的1个显然局限性是我们必要掌握系统结构,以便将其建立模型为图形。在一些情状下,我们可能未有那上头的学识,但在大家做的广大任何情况下,利用这么些文化能够使大家的读书难题更易于。

磨炼时期产生的出口显示了各样epoch的损失是怎么着收缩的,这是3个好的度量格局。损失的逐月压缩则表示大家的模型正在攻读。


三:在较短期跨度内对两样模型进行比较。我们比较了百分之百 一5 个动作在 陆十几个测试系列上的平分角度误差。(a) Velocity 模型和 orientation
模型的比较,基线为 0-velocity。七个模型都施用 scheduled sampling
实行磨练。(b) 使用 scheduled sampling 磨练对 velocity
模型的方便人民群众影响。

那就是说那些图互连网如何工作吧?简而言之,图的公式由健康节点和边以及全局向量组成。在互联网的每一层中,每一个边缘都接纳它早先的节点和竣事的节点开始展览翻新。之后,使用个中的边的集聚更新每一种节点,然后选拔具有节点和边更新全局向量。

365bet官网 24

4.2 长期变化

365bet官网 25

预测

365bet官网 26

其1进度能够在故事集的上海体育场面中看到;
通过将它们的风味连同它们的发送器和接收器节点以及使用前馈神经网络来更新边缘特征向量来更新第一边缘。之后,通过得到其坚守以及拥有传入边缘的聚合并在其上使用另七个NN来更新节点。最终,全数节点和边的成团与全局向量壹起利用,另一个NN用于革新全局向量特征。模型预监测控制制与学习模型

假设模型磨炼甘休,大家就能够举办展望。在种类的每一步我们只为模型提供贰个数码,并须求模型在下三个步预测一个值。


四:使用角度(angle)和利用地点损失进行长时间变化陶冶的相持统一结果。(a)
关节方向之间的角距离。(b)
关节地方之间的欧氏距离。优化角度会压缩任务损失,而优化地方损失会一贯拿走较低的相对误差和越来越快的断线风筝。(c)
角度损失带来了梯度爆炸。(d)
地点损失使梯度保持安静。在那种景况下,噪声仅仅缘于 SGD 采集样品。

在同时公布的另1篇名称为” 图形互连网当作推理和操纵的可学习物理引擎
“的舆论中,DeepMind切磋职员动用图形互连网来效仿和操纵模拟和大体系统中的分歧机器人系统。他们将那几个分裂的机器人系统建立模型为图形,并选择数据来学学动力学模型。能够观望来自杂文的那种图表的三个事例:

365bet官网 27

365bet官网 28

365bet官网 29

365bet官网 ,揣测结果如下图所示:棕黑圆点表示预测值,青古铜色圆点表示实际值,2者基本符合,因而模型的预测效果分外好。

图 伍:左图:大家的商量与 [23]
的争持统一。右图:大家的 pace
互联网可对时间、空间拓展精准控制。那里,大家令剧中人物沿着一条有急转弯的门径冲刺(急转弯即图中的尖峰部分)。剧中人物通过减慢、旋转身体,并压实步频来预测转弯。

经过那种艺术对系统进行建立模型,笔者对前景状态进行了尤其规范的前瞻,那一个意况能够很好地拓宽到参数变化的系统,例如越来越长的肉体或更加短的腿。

365bet官网 30

图 6:动作生成示例。上:走;下:跑。

在诸多接纳中接纳的雄强控制格局是模型预监测控制制。在MPC中,我们的控制器选取重力学的线性模型来提前布署固定数量的步调,并利用相对于轨迹的剖析开销函数的导数来接纳梯度下降来优化它。例如,假使大家有2个机器人手臂的线性模型,大家目的在于它遵从贰个不错的轨道,我们如何才能找到那样做所需的动作?

结论

本文为机械之心编写翻译,转载请联系本公众号获得授权。归来乐乎,查看愈多

倘使大家的老本函数是那种样式:

在此地,大家应用了Pytorch从零开头创设七个主干的LANDNNs模型,并且求学了哪些将酷威NNs应用于简单的行列预测难点。

责编:

365bet官网 31

如上为译文。

那表示在每一步我们意在最小化我们想要服从的参考轨迹与实际轨迹之间的离开,并且我们还盼望最小化能量消耗,那是第三项所做的大家在电机中使用)。

正文由Ali云云栖社区团组织翻译。

动用大家具有动态线性模型的真实情况,大家得以另行将其写为:

小说原标题《Introduction to Recurrent Neural Networks in
Pytorch》,译者:Mags,审阅查对:袁虎。

365bet官网 32

出于我们的基金函数和模型都是可微分的,大家能够根据行动集取这么些资本函数的导数,并应用梯度下跌迭代地优化它。

365bet官网 33

使用更复杂的动态图表网络模型能够做相同的政工。它对于动作也是可分其他,大家得以以看似的秘籍实施模型预监测控制制。事实注解,这十一分管用,并且应用学习模型的操纵在诸多景色下工作,以及选用那些模拟机器人系统背后的真实物理模型实行支配。那是向复杂机器人系统学习引力学模型和控制策略的力量迈出的一大步,具有对不明了的鲁棒性和种类物理参数的百发百中。

发表评论

电子邮件地址不会被公开。 必填项已用*标注