CNN卷积神经网络实战：LeNet-5与AlexNet训练、保存与识别全流程

简介一套基于Python实现的CNN卷积神经网络训练与识别项目面向希望掌握深度学习图像分类技术的初学者和进阶开发者围绕MNIST手写数字与CIFAR-10彩色图像两个经典数据集完整解决从模型设计、参数训练到准确识别评估的全流程。压缩包内共计7个文件整体大小约872KB包括3个Python源文件LeNet5、AlexNet与可视化脚本、1个已经训练好的模型权重文件、Word版设计报告、README说明文档以及许可证文件。LeNet-5对MNIST的训练识别与AlexNet对CIFAR-10的训练识别均已实现代码基于Python 3.7、PyTorch 1.6.0和torchvision 0.7.0编写可在Windows 10与VS Code环境下运行支持CUDA 10.2 GPU加速自带的.pth权重文件可以直接加载验证省去重新训练的时间配合可视化脚本还能直观观察卷积特征。目前已有1798人学习下载特别适合需要快速完成CNN课程设计或对照经典网络进行复现的开发者。1. CNN卷积神经网络入门一份能把「训练-保存-加载-识别」全链路跑通的项目很多人学深度学习理论看了一堆一打开代码编辑器就卡住模型定义能抄训练循环也能跑但改一个参数就翻车跑完的模型不知道怎么存、怎么复用、怎么验证它真的学到了东西。这份基于Python实现的CNN卷积神经网络训练与识别项目恰好把这条链路补齐了——LeNet-5 在 MNIST 上做手写数字识别AlexNet 在 CIFAR-10 上做十类彩色图像分类两个经典网络对应两份完整可训练的代码外加一份可以直接当课设模板的设计报告。适合刚学完 Python 基础、想亲手跑通第一个深度学习项目的入门者也适合需要一套「代码文档」完整交付物应付课程设计的在校生。配好环境后你大概两三个小时就能把两个数据集全部训完并拿到模型文件。2. 为什么是「LeNet-5 AlexNet」这套组合先立住理论再动手2.1 图像处理为什么选 CNN局部感受野、权值共享与平移不变性如果拿全连接网络直接处理图像一张 32×32×3 的 CIFAR-10 图片展平就是 3072 维输入第一层隐藏层设 1024 个神经元光这一层的参数量就接近 300 万MNIST 的 28×28 灰度图稍好但同样会很快把参数量撑起来训练时内存和计算量都吃不消。CNN 的做法完全不同每个神经元只连接输入的一个局部窗口这个窗口就是感受野卷积核在整个画面上滑动时权重是共享的所以参数量被压到很低——LeNet-5 全部参数才 6 万左右而它的识别能力在 MNIST 上能做到 99% 以上的准确率。卷积层之后接池化层做下采样特征图的尺寸逐步缩小池化带来的平移容忍度让模型在物体轻微移动时依然能给出稳定输出。这三件事——局部连接、权值共享、下采样——就是 CNN 能在图像处理里长期当默认选项的根本原因。很多人问「图像处理为啥用 CNN 不用前馈神经网络」答案就在这三点上前馈网络把每个像素都当成独立特征忽略空间结构而 CNN 从设计上就假设邻近像素有关联。MNIST 和 CIFAR-10 这两个数据集恰好一个灰度一个彩色、一个简单一个复杂拿它们对照着理解这套机制比只看理论图高效得多。2.2 目录里每份文件的定位与使用顺序拿到压缩包解压后先别急着跑代码花两分钟把文件认全。项目里的文件分工很明确设计报告是 Word 文档对应课程设计的完整流程code 目录底下是四个关键文件加一个 README。我平时拿到这类资源习惯先开 README再翻代码最后才对报告——因为代码是客观的报告可能写得漂亮但代码跑不通。文件角色首次使用建议设计报告.docx课程设计文档包含选题背景、网络原理、实验数据训练跑通后对照阅读补实验截图code/LeNet5.pyLeNet-5 在 MNIST 上的训练主脚本含测试准确率第一个运行的对象code/LeNetVis.py中间层特征图可视化脚本训练完成后配合 .pth 使用code/LeNet5.pth已经训练好的 LeNet-5 权重文件直接加载做推理省去重训时间code/AlexNet.pyAlexNet 在 CIFAR-10 上的训练主脚本第二个运行的对象code/README.md运行环境、依赖版本、启动方式说明最先打开设计报告这东西自己写过课设的人都知道最痛苦的不是把模型调好而是把过程写成一摞能交差的文档。这份报告把网络结构、损失函数、训练参数、实验结果都串起来了你可以拿它当骨架替换成自己的实验数据比从空白 Word 开始写省下大量时间。2.3 环境核对Python 3.7、torch 1.6.0、CUDA 10.2 的版本关系这套代码的开发环境是 Windows 10 Visual Studio CodePython 3.7机器学习库用的是 torch 1.6.0 和 torchvision 0.7.0GPU 加速走 CUDA 10.2。这几个版本是 2020 年底到 2021 年那阵的稳定组合现在复现最需要注意的是版本对应torch 1.6.0 在不同 CUDA 版本下有不同安装包cu92、cu101、cu102 分别对应不同版本的 CUDA 运行时。环境装好之后先用下面这段命令做体检确认 torch 能正常导入、GPU 能否被识别。这一步能过滤掉后续一半以上的玄学问题。python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU mode)这段命令做了三件事打印 torch 版本号确认版本符合预期打印 cuda.is_available()确认 GPU 是否被 PyTorch 正确识别如果能识别出显卡再打印显卡型号确认走的是 GPU 而非 CPU。注意第三行是条件表达式没有 GPU 时直接输出 CPU mode不会因为 get_device_name 不存在而报错。提示如果 cuda.is_available() 返回 False不一定是显卡坏了九成情况是装了 CPU 版 torch。我遇到过一台机器CUDA 驱动装得好好的结果 pip 默认装了 CPU 版白排查了半天硬件。3. LeNet-5 训练 MNIST从网络结构到权重落地3.1 LeNet-5 的逐层参数与设计用意LeNet-5 是 1998 年提出的经典结构整个网络只有 7 层但 CNN 的核心组件它全占了卷积、池化、全连接。理解这张表后面读代码就有地图了。层名称输出尺寸核大小 / 步长参数说明输入层1×32×32-原始 MNIST 是 28×28经典实现会补边到 32C1 卷积6×28×285×5 / 16 个卷积核提取初阶边缘特征S2 池化6×14×142×2 / 2平均池化尺寸减半C3 卷积16×10×105×5 / 116 个卷积核组合低层特征S4 池化16×5×52×2 / 2尺寸再减半C5 卷积120×1×15×5 / 1原版是卷积现代实现常用全连接替代F6 全连接84-输出 84 维特征向量输出层10-对应 0-9 十个数字类别这套结构放到现在看依然经典。C1 用 5×5 卷积核从灰度图里提取边缘、弧线这类基础特征S2 池化把这些特征图压缩一半C3 在压缩后的特征上继续做卷积相当于把基础特征组合成更抽象的部件特征。整个过程就是图像信息从像素到语义逐层抽象的过程。MNIST 只有 10 类数字、图像是 28×28 的小尺寸灰度图LeNet-5 的容量恰好够用——这也是我建议新手第一个数据集选 MNIST 的原因网络小、收敛快、显卡可有可无CPU 也能在几分钟内跑完一个 epoch。3.2 数据加载与归一化的两个关键参数MNIST 数据加载代码在 LeNet5.py 里核心是 transform 和 DataLoader 这两段。数据集的下载由 torchvision 自动处理第一次运行会从网上下载到本地 root 指定的目录。transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset torchvision.datasets.MNIST( root./data, trainTrue, transformtransform, downloadTrue ) train_loader torch.utils.data.DataLoader( train_dataset, batch_size64, shuffleTrue, num_workers0 )ToTensor 把 PIL 图像从 H×W×C 的 0-255 整数数组转成 C×H×W 的 0.0-1.0 浮点张量这一步不做的话卷积输入范围是乱的。Normalize 的两个值不是随便填的0.1307 是 MNIST 全量训练集的像素均值0.3081 是标准差用这两个值做标准化可以让输入分布接近标准正态梯度下降更稳定。batch_size64 表示每轮迭代喂 64 张图shuffleTrue 在每个 epoch 开始前打乱数据顺序防止模型记住样本排列num_workers0 在 Windows 下最稳改成大于 0 的值容易踩多进程的坑具体原因放到第 5 章说。注意MNIST 的 Normalize 参数只适用于灰度图一个通道对应两个值。到了 CIFAR-10 就是三通道得换成三组均值方差第 4 章会看到具体写法。3.3 网络定义与训练循环核心代码拆开看LeNet5.py 里的网络定义把 3.1 的结构表直接翻译成了 PyTorch 代码构造函数里依次堆叠卷积、池化、全连接层。注意 C5 层这里用全连接实现因为经过两次池化后特征图是 16×5×5展平后正好 400 维直接接 Linear 层和原版卷积效果等价代码更简洁。class LeNet5(nn.Module): def __init__(self): super().__init__() self.conv1 nn.Conv2d(1, 6, 5, padding2) # 输入1通道输出6通道5x5卷积核 self.pool1 nn.MaxPool2d(2) # 2x2最大池化 self.conv2 nn.Conv2d(6, 16, 5) # 6 - 16 通道 self.pool2 nn.MaxPool2d(2) self.fc1 nn.Linear(16 * 5 * 5, 120) # 展平后接入全连接 self.fc2 nn.Linear(120, 84) self.fc3 nn.Linear(84, 10) # 输出10类 def forward(self, x): x self.pool1(torch.relu(self.conv1(x))) x self.pool2(torch.relu(self.conv2(x))) x x.view(x.size(0), -1) # 展平 x torch.relu(self.fc1(x)) x torch.relu(self.fc2(x)) return self.fc3(x)forward 函数里 relu 激活函数在每个卷积和全连接层后都接了一个唯一不接的是最后的 fc3因为 CrossEntropyLoss 内部自带 softmax输出层直接给原始 logits 即可。view 操作把四维特征图展平成二维矩阵x.size(0) 是 batch size-1 自动推导展平后的维度。原版 LeNet-5 用 sigmoid 做激活现代 PyTorch 实现基本都换成了 ReLU收敛更快且没有饱和区梯度消失的问题。训练循环是整套代码里最值得逐行读的部分optimizer torch.optim.Adam(model.parameters(), lr0.001) criterion nn.CrossEntropyLoss() for epoch in range(10): running_loss 0.0 for images, labels in train_loader: outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss loss.item() print(fepoch {epoch1}, loss: {running_loss / len(train_loader):.4f})optimizer.zero_grad() 必须在 loss.backward() 之前调用否则梯度会跨 batch 累积导致参数更新方向完全错乱loss 越训越高。这是 PyTorch 新手最常见的翻车点之一。loss.backward() 计算每个参数的梯度optimizer.step() 用梯度更新参数这三行是训练循环的固定节奏。lr0.001 是 Adam 优化器的经典默认值对 LeNet-5 这种小网络非常稳妥不用调就能收敛到 98% 以上。3.4 训练完把权重存下来state_dict 的保存与加载训练结束后代码会把模型权重存成 LeNet5.pth 文件。PyTorch 里推荐存 state_dict 而不是整个 model 对象因为 state_dict 只包含参数张量跨机器、跨 PyTorch 小版本兼容性更好文件也更小。torch.save(model.state_dict(), LeNet5.pth) # 下次使用时的加载方式 model LeNet5() model.load_state_dict(torch.load(LeNet5.pth)) model.eval()加载时先实例化一个结构完全相同的 LeNet5再把权重填进去。load_state_dict 会逐个 key 匹配网络层的参数名任何一层名字或形状对不上都会报错第 5 章的 size mismatch 坑就是这么来的。eval() 的作用是切换到推理模式把 Dropout、BatchNorm 这类在训练和推理时行为不同的层统一到正确的状态——本项目的 LeNet-5 虽然没有 Dropout但养成这个习惯很重要后面跑 AlexNet 时没有它推理结果会随机波动。4. AlexNet 在 CIFAR-10 上的训练换数据集要动的远不止网络4.1 从 LeNet-5 到 AlexNet深度、宽度和训练策略的全面升级LeNet-5 适合 MNIST不代表它能直接拿去跑 CIFAR-10。CIFAR-10 是 32×32×3 的彩色图每个像素有三个通道物体类别差距比手写数字大得多——飞机、猫、卡车这些类别之间的特征差异远大于数字 4 和数字 9 的差异。AlexNet 针对这类复杂任务做了三件关键的事网络层数加深到 8 层5 卷积 3 全连接卷积核数量大幅增加同时引入 Dropout 防止过拟合。ReLU 激活函数解决了深层网络的梯度饱和问题重叠池化步长小于池化核让特征提取更平滑。原版 AlexNet 的输入设计是 224×224 的 ImageNet 尺寸CIFAR-10 只有 32×32差了一个数量级。直接 Resize 到 224×224 不是不行但会引入大量无效插值信息训练速度也慢。更常见的做法是保持 32×32 输入把第一层卷积核改小、去掉大步长——把 kernel_size 从 11 改成 3stride 从 4 改成 1padding 设为 1。这样网络仍然保持 AlexNet 的深度和结构但第一层不会把 32×32 的图像直接压没了。4.2 数据增强与每通道归一化CIFAR-10 的预处理要更讲究CIFAR-10 的训练集只有 5 万张图要喂给 AlexNet 这种百万级参数的网络不做数据增强很容易过拟合——训练集 loss 一直降测试集准确率却上不去。项目里使用了最经典的一组增强组合随机裁剪加随机水平翻转。transform_train transforms.Compose([ transforms.RandomCrop(32, padding4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)) ])RandomCrop(32, padding4) 先给图像四边各补 4 像素的 0再随机裁剪回 32×32相当于每张图在原始位置附近小幅平移模拟物体不在画面正中心的情况。RandomHorizontalFlip 以 50% 概率水平翻转图片对 CIFAR-10 这种不是所有类别都左右对称的数据集这个增强虽然在理论上会引入一点噪声但实践中带来的正则化收益远大于噪声影响。归一化这里换成了三组数值对应 RGB 三个通道在 CIFAR-10 全量训练集上的统计均值与标准差和 MNIST 那组参数一样是官方预先算好的标准值。注意测试集或推理时绝对不能做 RandomCrop 和 Flip这两项只在训练时用否则输入分布和训练时不匹配准确率会莫名下降。验证集只用 ToTensor 加 Normalize。4.3 训练参数与 GPU 加速设备选择、优化器和学习率调度AlexNet 参数量比 LeNet-5 大一个量级优化策略也要跟着调整。项目代码里使用 SGD momentum 而不是 Adam配合 StepLR 做学习率衰减——这是 AlexNet 的经典搭配原论文就是这么训的在 CIFAR-10 上比 Adam 更容易收敛到更好的局部最优。device torch.device(cuda if torch.cuda.is_available() else cpu) model AlexNet().to(device) optimizer torch.optim.SGD(model.parameters(), lr0.01, momentum0.9, weight_decay5e-4) scheduler torch.optim.lr_scheduler.StepLR(optimizer, step_size30, gamma0.1) criterion nn.CrossEntropyLoss() for epoch in range(60): for images, labels in train_loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() scheduler.step() print(fepoch {epoch1}, lr: {scheduler.get_last_lr()}, loss: {loss.item():.4f})momentum0.9 让参数更新带上惯性能穿过局部极小值和平坦区域收敛更稳。weight_decay5e-4 是 L2 正则化抑制大权重配合 Dropout 双重防过拟合。StepLR 每 30 个 epoch 把学习率乘 0.1从 0.01 降到 0.001 再降到 0.0001——前期大步快跑找方向后期小步精修收敛到更优位置。这里用的是 GPU 训练关键点在 .to(device)网络要转每个 batch 的图像和标签也要转模型 forward 时的数据张量必须和设备上一致否则会报 device mismatch 的错误。CUDA 10.2 和 torch 1.6.0 的匹配关系在 2.3 已经验证过如果 cuda.is_available() 为 True这里的 .to(device) 就会自动走显卡。在 GPU 上训 60 个 epoch 大约十几分钟CPU 的话这个体量可能要按小时算强烈建议有 N 卡就优先用 GPU没有就先把 batch_size 从 128 调到 32epoch 减到 20先跑通再谈效果。5. 避坑记录跑这套代码最容易翻车的五个点5.1 import torch 直接报错或找不到指定模块现象按 README 装了 torch 1.6.0打开 VS Code 运行 LeNet5.py第一行 import torch 就报错或者提示 Dll load failed、找不到指定的模块。原因Windows 下 PyTorch 的安装包分 CPU 版和 GPU 版GPU 版会依赖对应版本的 CUDA 运行时 DLL。最常见的情况是 pip 默认装了 CPU 版和代码里期望的 GPU 逻辑不冲突但报错提示千奇百怪另一种情况是机器上装了多个 Python 环境pip 装到 A 环境VS Code 用的是 B 环境。解决先跑pip list看 torch 到底装到哪个环境再用python -c import torch; print(torch.__version__)确认当前解释器能否导入。如果版本对不上激活正确的虚拟环境后卸载重装安装时明确指定带 cu102 后缀的版本。装完必须重新验证一次 cuda.is_available()不要只看 pip 显示安装成功就认定没问题。从那以后我每换一台机器跑深度学习代码第一件事就是跑一遍环境体检命令再跑业务代码。5.2 DataLoader 的 num_workers 在 Windows 上卡死现象训练脚本启动后第一个 epoch 的数据加载阶段就卡住不动CPU 占用飙到很高但 loss 一直不打印也没有任何报错信息只能强制结束进程。原因Windows 下 PyTorch 的 DataLoader 多进程采用 spawn 方式启动子进程和 Linux 的 fork 不同。spawn 会重新导入主模块如果训练代码没有放在if __name__ __main__:保护块里子进程会递归执行训练逻辑造成死锁或无限创建进程。解决两件事必须同时做。第一把 DataLoader 的 num_workers 显式设为 0让数据加载在主进程内完成代价是数据读取慢一点但在 Windows 上最稳定第二把训练逻辑包进 main 函数用if __name__ __main__: main()的写法启动这是 Windows 下跑 PyTorch 的黄金法则。第 3 章的代码示例里 num_workers0 不是偷懒是血泪经验。5.3 loss 不降或直接变成 nan现象训练循环正常执行但 loss 从第一个 epoch 开始就在某个值附近震荡不下降更严重的第一个 batch 之后直接输出 nan后续所有 loss 都是 nan。原因loss 不降九成是学习率太大参数在损失曲面上来回横跳落不进极小值loss 变 nan 则是梯度爆炸或者输入数据范围不对。MNIST 如果不做 ToTensor 归一化像素值是 0-255 的整数喂进网络后第一个卷积层输出直接爆掉梯度回传时数值溢出变成 inf再经过几步变成 nan。解决先检查 transform 是否生效——直接打印train_dataset[0][0].max()看最大值是不是 1.0不是就说明归一化没执行。确认归一化没问题后把学习率从 0.001 往下降试 0.0003、0.0001。如果还是 nan把 batch_size 减半重试。调参顺序永远是先确认数据范围再动学习率最后才动网络结构。5.4 加载 LeNet5.pth 报 size mismatch 错误现象加载别人训练好的 LeNet5.pth 权重文件时PyTorch 抛出 RuntimeError提示 size mismatch for fc3: copying a param with shape torch.Size([10, 84]) from checkpoint, the shape in current model is torch.Size([5, 84])。原因state_dict 加载是严格的键值匹配要求当前模型每一层的输出维度、输入维度和权重文件完全一致。报 size mismatch for 某一层说明那一层的神经元数量和你当前定义的模型对不上。最常见的操作是改过最后一层全连接的输出类别数——比如想用它识别 5 类而不是 10 类数字把 fc3 改成了 5加载旧权重自然匹配不上。解决如果只是加载原模型做 MNIST 识别把模型定义改回 10 类输出即可。如果你想做迁移学习改动了输出层那加载时用model.load_state_dict(torch.load(LeNet5.pth), strictFalse)PyTorch 会跳过结构不匹配的层只加载前面匹配上的卷积层和第一个全连接层参数。最后再单独初始化新改动的层。这里有个隐含的坑strictFalse 之后务必打印model.load_state_dict(...)的返回值检查哪些 key 被跳过了确认跳过的确实是你故意改的那层而不是网络定义里层名拼写错误。5.5 训练慢到怀疑人生cuda.is_available() 是 False现象训练脚本能跑loss 也在下降但一个 epoch 要跑十几分钟GPU 占用率一直是 0%任务管理器里看 CPU 满载。原因torch.cuda.is_available() 返回 False 的情况分两种装的是 CPU 版 PyTorch或者显卡驱动版本太老不支持 CUDA 10.2 的运行时。很多人装了 GPU 版以为就万事大吉但 Windows 的显卡驱动如果没有更新到支持 CUDA 10.2 的版本PyTorch 会在底层静默回退到 CPU不报任何错误——这是最坑的地方代码逻辑全对就是速度不对。解决先跑环境体检命令确认 is_available()如果是 False用 GPU-Z 或 NVIDIA 控制面板查驱动版本对照 CUDA 10.2 的驱动最低要求。驱动太老就更新驱动驱动够新就卸载 torch 重新装 cu102 的 GPU 版本。都不行的话老实接受 CPU 训练的现实把 epoch 数调小、batch_size 调小验证代码能跑通后再考虑换机器或租 GPU。最后检查一下torch.cuda.get_device_name(0)能不能打印出显卡型号这一步能确认 PyTorch 真正拿到了显卡访问权。6. 把模型用到最后一公里特征可视化、单图推理与参数体检习惯6.1 用 LeNetVis.py 看卷积核到底学到了什么训练好的 LeNet-5 是一个黑匣子但卷积层的特征图可以拉出来看。LeNetVis.py 的核心逻辑是把某一层的输出张量转成灰度图保存下来肉眼观察。卷积核学到的不是标准图像模板而是边缘、角点、弧线这类基础模式。运行这个脚本时你仓库里需要有 LeNet5.pth 才能看到真实训练结果没有的话脚本也会用随机初始化的权重跑但特征图会是一团噪声——这也从侧面说明训练确实在改变网络内部表示。6.2 单张图片推理把训练好的模型用在真实场景训练和推理是两个世界。训练关心 loss 曲线推理关心单张图的前向结果。加载 .pth 权重之后推理脚本只需要三步预处理输入图像、forward 得到 logits、argmax 取类别。model LeNet5() model.load_state_dict(torch.load(LeNet5.pth)) model.eval() img Image.open(test_digit.png).convert(L).resize((28, 28)) tensor transforms.ToTensor()(img).unsqueeze(0) # 加 batch 维度 tensor transforms.Normalize((0.1307,), (0.3081,))(tensor) with torch.no_grad(): output model(tensor) pred torch.argmax(output, dim1).item() print(f预测结果: {pred}, 置信度: {torch.softmax(output, dim1).max().item():.4f})resize 到 28×28 和转成灰度图是为了匹配训练时 MNIST 的输入分布这一步漏了的话预测结果没有意义。unsqueeze(0) 把单张图的形状从 [1, 28, 28] 变成 [1, 1, 28, 28]补齐 batch 维度。torch.no_grad() 块里不计算梯度推理速度和内存占用都更优这是 PyTorch 推理的标准写法。置信度用 softmax 把 logits 转成概率再取最大值能直观看到模型对预测结果的确信程度——如果十个类别的置信度都接近 0.1说明模型对这个输入完全没有把握。6.3 参数实验的体检习惯一次只改一个变量跑通之后必然想调参试试我的建议是每次只改一个变量并记录一份对照表。常见的实验变量包括学习率0.01 / 0.001 / 0.0001、batch size32 / 64 / 128、优化器SGD / Adam、是否加数据增强。项目里 LeNet-5 和 AlexNet 两组配置正好是两套对照基准你可以只改 lr 跑两组对比把 loss 曲线和图都截下来贴进设计报告的实验章节这就是一份有说服力的实验记录。从那以后我每次跑模型都强制自己先把基准配置完整跑一遍、记录基线数据再做参数实验绝不边改代码边跑实验——数据和配置混在一起出了问题根本没法定位。这套方法帮我避开了很多调参陷阱希望帮到你。本文还有配套的精品资源点击获取