机器学习及深度学习基础---7.20课堂笔记

ゞ浴缸里的玫瑰 2023-02-28 05:57 8阅读 0赞

### ML及DL学习基础 ###

*  1.AI、ML、DL关系
 *  2.主要学习内容
 *   *  2.1一些基础知识
     *  2.2监督学习
     *  2.3无监督学习
 *  3.基本概念
 *   *  3.1模型
     *  3.2学习准则
     *  3.3 损失函数
     *  3.4 欠拟合与过拟合
     *  3.5评价指标--分类问题
 *  4.深入阅读

# 1.AI、ML、DL关系 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70]  
三者关系可以用上面这张图来完整概括。深度学习的范围最小，其次是机器学习，人工智能的范围最大。

# 2.主要学习内容 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 1]

## 2.1一些基础知识 ##

1.  数学基础：微积分与概率论、数理统计、矩阵与线性代数、凸优化、数值计算。这里面我只接触了前三个，后面两个还没有接触，由于数学建模国赛，暑假会自学数值计算。
2.  编程工具基础：数据结构与算法、Python、sklearn、Pytorch/Tensorflow。数据结构接触了很多，Python对数据的处理方面还不是很熟悉，sklearn也仅仅限于前面学习的那部分内容，深度学习框架打算专心用Pytorch。

## 2.2监督学习 ##

所谓**监督学习（Supervised learning）**，是指利用一组已知类别的样本调整分类 or 回归的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。  
  监督学习可以理解为学生从老师那里获取知识、信息，**老师提供对错指示、告知最终答案。** 学生在学习过程中借助老师的提示获得经验、技能，最后对没有学习过的问题也可以做出正确解答。“老师提供对错指示”这句话很关键，它告诉我们：我们的训练样本，都是有“标准答案的”，比如分类，你在训练的时候就已经知道了它的正确类别，比如回归，你在训练的时候同样也提前知道了真实值。  
  监督学习要实现的目标是“**对于输入数据X能预测变量Y**”。这个预测可以是分类，也可以是具体的一个数值。  
  监督学习主要包括：

1.  线性模型
2.  贝叶斯（朴素贝叶斯和贝叶斯网络）
3.  SVM&SVR
4.  决策树与随机森林、GBDT、XGboost、Adaboost
5.  逻辑回归与最大熵模型
6.  K近邻与Manifold Learning（流形学习）
7.  概率图模型、HMM、CRF
8.  EM
9.  神经网络

前面已经大致学习了[机器学习之linear\_model(普通最小二乘法)][linear_model]、[机器学习之linear\_model(Ridge Regression)][linear_model_Ridge Regression]、[概率生成模型(Probabilistic Generative Model)与朴素贝叶斯(Naive Bayes)][Probabilistic Generative Model_Naive Bayes]、[机器学习之逻辑回归(logistics regression)][logistics regression]、[机器学习之SVM(Hinge Loss+Kernel Trick)原理推导与解析][SVM_Hinge Loss_Kernel Trick]、[决策树与随机森林(从入门到精通)][Link 1]、[机器学习之Ensemble（一些推导与理解）][Ensemble]、[最简单的分类算法之一：KNN（原理解析+代码实现）][KNN]

对于深度神经网络，可以分为：

1.  前馈神经网络
2.  CNN（卷积神经网络）
3.  RNN（循环神经网络）
4.  自编码器
5.  深度信念网络
6.  深度生成模型
7.  当前的一些研究热点：GAN（生成对抗网络）深度强化学习（Deep Reinforcement Learning）、Attention（注意力机制）、迁移学习（Transfer Learning）…

DL也才刚刚入门，就看了一些比较基础的概念：[反向传播算法(Backpropagation)----Gradient Descent的推导过程][Backpropagation_----Gradient Descent]、[Deep Learning中的一些Tips详解（RELU+Maxout+Adam+Dropout）][Deep Learning_Tips_RELU_Maxout_Adam_Dropout]。

## 2.3无监督学习 ##

现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。（百度百科）  
  简而言之，无监督学习的样本是**没有标记**的，无监督学习的最典型代表就是聚类。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。  
  无监督学习（Unsupervised Learning） 分为以下几种：

1.  聚类
2.  SVD（奇异值分解）
3.  PCA（主成分分析法）
4.  LSA（潜在语义分析）
5.  PLSA（概率潜在语义分析）
6.  马尔科夫链蒙特卡罗方法
7.  LDA（隐含狄利克雷分布）
8.  Page Rank

无监督学习到目前为止只是接触了[机器学习之K\_means（附简单手写代码）][K_means]以及一点点的PCA。

# 3.基本概念 #

1.  样本Sample
2.  数据集Data Set（训练集Training Set、测试集Test Set、验证集Validation Set）
3.  特征Feature
4.  特征向量Feature Vector
5.  独立同分布Identically and Independently Distributed, IID  
    以上最基本的一些概念前期学习基本都接触过，就不再详述了。

机器学习的一些概念：

## 3.1模型 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 2]  
所谓的机器学习模型，本质上是一个函数，其作用是实现从一个样本  x x x 到样本的标记值  y y y 的映射，即  f ( x , θ ∗ ) → y f(x,\\theta ^\{\*\})\\rightarrow y f(x,θ∗)→y。

## 3.2学习准则 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 3]  
**学习目标就是选择期望风险最小的模型。**

## 3.3 损失函数 ##

损失函数在SVM里面有细讲过，这里就再搬过来了：  
在下面的问题中loss代表每一个样本的损失，Loss代表总的损失。  
首先我们需要回顾一下前面所学的二分类问题：假设有一批样本， x 1 x^1 x1， x 2 x^2 x2， x 3 x^3 x3，…， x n x^n xn，对应的label分别是： y 1 ^ y\\hat\{1\} y1^， y 2 ^ y\\hat\{2\} y2^， y 3 ^ y\\hat\{3\} y3^，…， y n ^ y\\hat\{n\} yn^， y i ^ y\\hat\{i\} yi^(i=1,2,…,n)有两个取值，-1和1，则Binary Classfication：

if f(x)>0,output=1，属于一个class
    if(f(x)<0),output=-1,属于另一个class

在二分类问题中loss function的定义有很多种，其中最理想的loss function定义为：  
![在这里插入图片描述][20200702230040224.gif_pic_center]  
即若分类正确loss=0，否则loss等于1，那么在这里Loss可以理解分类器在训练集上犯错误的次数。but如果Loss这样定义，是不能求微分的，所以我们换了一种方式，即：  
![在这里插入图片描述][20200702231102193.gif_pic_center]

我们以 y n ^ f ( x ) y\\hat\{n\}f(x) yn^f(x)作为横轴，loss作为纵轴，从二分类的定义来看，**当f(x)>0时，output=1，即 y n ^ = 1 y\\hat\{n\}=1 yn^=1时，f(x)是越大越好的，同理，当 y n ^ = − 1 y\\hat\{n\}=-1 yn^=−1时，f(x)是越小越好。** **因此，当 y n ^ f ( x ) y\\hat\{n\}f(x) yn^f(x)越大时，loss会越小。** 这是我们判断一个loss function好坏的标准。

针对上面这个表达式，我们有以下几种情况可以讨论（加上ideal loss）：

*  ideal loss  
    定义：![在这里插入图片描述][20200702231308527.gif_pic_center]  
    这个loss比较好理解，可以直接画出图像：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI2ODkyNA_size_16_color_FFFFFF_t_70]  
    如图中**黑线**所示，当 y n ^ f ( x ) y\\hat\{n\}f(x) yn^f(x)>0时,表面分类正确，loss=0，否则等于1。从其图像我们也可以看出，loss是不能进行Gradient Descent的。
 *  Square loss  
    Square loss是用使用MSE来衡量误差，若output=1时，f(x)应该尽量接近1而当output=-1时，f(x)又应该尽量接近于-1，只有这样Square loss才能最小。因此我们可以定义 l ( f ( x n , y n ^ ) ) l(f(x^\{n\},y\\hat\{n\})) l(f(xn,yn^)):  
    ![在这里插入图片描述][20200703174121131.gif_pic_center]  
    可以看出，该表达式是满足MSE定义的，我们画出 ( x − 1 ) ² (x-1)² (x−1)²的图像，如下所图红线示：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 4]  
    前面我们讨论过，**当 y n ^ f ( x ) y\\hat\{n\}f(x) yn^f(x)越大时，loss应当会越小。** 但是Square loss显然是不符合情况的，这里也可以进一步解释前面我们为什么说不能用Square loss来作为损失函数。
 *  Sigmoid+Square loss  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 5]  
    Sigmoid函数值域介于01之间，因此当output=1时， σ ( f ( x n ) ) \\sigma (f(x^\{n\})) σ(f(xn))应该尽量接近1，而当output=-1时， σ ( f ( x n ) ) \\sigma (f(x^\{n\})) σ(f(xn))又应该接近于0，因为其本质还是Square loss，只不过把输出映射到了01之间，因此，我们可以定义 l ( f ( x n , y n ^ ) ) : l(f(x^\{n\},y\\hat\{n\})): l(f(xn,yn^)):  
    ![在这里插入图片描述][20200703175441677.gif_pic_center]  
    同样画出图像:![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 6]  
    从目前来看，该损失函数好像挺合理的，但仔细一想又是不对的。该函数的渐近线是y=1，越往左loss是越大的，但是其斜率是越来越小的。在Gradient Descent中，如果一个位置的loss太大那么它应该更加快速的下降以找到最优解，但是上述函数不符合要求，loss越大下降反而越慢，**属于典型的“没有回报，不想努力。”**
 *  Sigmoid+Cross entropy  
    在逻辑回归中我们最终选择了交叉熵的形式，这里定义 l ( f ( x n , y n ^ ) ) : l(f(x^\{n\},y\\hat\{n\})): l(f(xn,yn^)):  
    ![在这里插入图片描述][20200703180602505.gif_pic_center]  
    画出图像：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 7]  
    可以看出，从左到右符合下降的趋势，并且相较与Sigmoid+Square loss，Sigmoid+Cross entropy的loss越大，其梯度越大，**情况符合“有回报有努力。”**
 *  Hinge loss  
     l ( f ( x n , y n ^ ) ) l(f(x^\{n\},y\\hat\{n\})) l(f(xn,yn^))定义为：  
    ![在这里插入图片描述][20200703185449559.gif_pic_center]  
    **从表达式可以看出，当 y n ^ = 1 y\\hat\{n\}=1 yn^=1时， f ( x n ) > 1 f(x^\{n\})>1 f(xn)>1则loss=0；当 y n ^ = − 1 y\\hat\{n\}=-1 yn^=−1时， f ( x n ) < − 1 f(x^\{n\})<-1 f(xn)<−1则loss=0。**  
    同样画出图像：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 8]  
    比较Hinge loss和Sigmoid+Cross entropy，比如说我们把黑点从1移动到2，可以发现Sigmoid+Cross entropy其实是可以做得更好的，而Hinge loss只要是 y n ^ f ( x ) y\\hat\{n\}f(x) yn^f(x)大于它的阈值，无论怎么调整loss都不会变。**但是当我们有outlier也就是异常值的时候，Hinge loss会给出比Cross entropy更好的结果。**

## 3.4 欠拟合与过拟合 ##

*  所谓过拟合，是指模型学习能力过于强大，把训练样本中某些不太具有一般性的特征都学到了。例如判断一个人是否是好人，训练样本中所有好人都或多或少做过一些坏事，模型学到了这一特征，把这一模型运用到了实际预测中去，这明显是有失偏颇的，因为一个人是否是好人理论上跟一个人是否做过坏事是不相关的。
 *  所谓欠拟合，是指模型学习能力低下，连训练集中的数据都不能很好的拟合，比如说我要预测一个人是否是坏人，模型只考虑到了他是否做过坏事，这明显是考虑不全的，做过坏事不一定就是坏人，那么显然这种情况就是欠拟合。

## 3.5评价指标–分类问题 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 9]  
准确率很好理解，你有10个样本，分类正确五个那么正确率就是1/2，同样错误率也是1/2。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 10]  
上面引入了真正例（TP）、假负例（FN）、假正例（FP）、真负（TN）例四个定义。

*  True Positive ：预测为正，实际也为正
 *  False Positive ：预测为正，实际为负
 *  False Negative ：预测与负、实际为正
 *  True Negative 预测为负、实际也为负
 *  **上面图片中的类别C表示正**

由此引出查准率和查全率两个概念：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 11]

# 4.深入阅读 #

顶会：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 12]  
顶刊：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 13]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70]: /images/20230209/d56c1af58adb471f85e17d7f4dd620cf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200720184548402.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[linear_model]: https://blog.csdn.net/Cyril_KI/article/details/106962567
[linear_model_Ridge Regression]: https://blog.csdn.net/Cyril_KI/article/details/106969315
[Probabilistic Generative Model_Naive Bayes]: https://blog.csdn.net/Cyril_KI/article/details/106980329
[logistics regression]: https://blog.csdn.net/Cyril_KI/article/details/106984794
[SVM_Hinge Loss_Kernel Trick]: https://blog.csdn.net/Cyril_KI/article/details/107095672
[Link 1]: https://blog.csdn.net/Cyril_KI/article/details/107162316
[Ensemble]: https://blog.csdn.net/Cyril_KI/article/details/107179283
[KNN]: https://blog.csdn.net/Cyril_KI/article/details/107302163
[Backpropagation_----Gradient Descent]: https://blog.csdn.net/Cyril_KI/article/details/107030538
[Deep Learning_Tips_RELU_Maxout_Adam_Dropout]: https://blog.csdn.net/Cyril_KI/article/details/107226200
[K_means]: https://blog.csdn.net/Cyril_KI/article/details/107144785
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/2020072021283438.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/2020072021493587.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[20200702230040224.gif_pic_center]: https://img-blog.csdnimg.cn/20200702230040224.gif#pic_center
[20200702231102193.gif_pic_center]: https://img-blog.csdnimg.cn/20200702231102193.gif#pic_center
[20200702231308527.gif_pic_center]: https://img-blog.csdnimg.cn/20200702231308527.gif#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI2ODkyNA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200702232112301.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzI2ODkyNA==,size_16,color_FFFFFF,t_70
[20200703174121131.gif_pic_center]: https://img-blog.csdnimg.cn/20200703174121131.gif#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20200703174334146.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20200627182851416.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[20200703175441677.gif_pic_center]: https://img-blog.csdnimg.cn/20200703175441677.gif#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20200703175620708.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[20200703180602505.gif_pic_center]: https://img-blog.csdnimg.cn/20200703180602505.gif#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20200703180725102.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[20200703185449559.gif_pic_center]: https://img-blog.csdnimg.cn/20200703185449559.gif#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20200703191119601.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/2020072022064871.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20200720221141918.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20200720222124846.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20200720220352134.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ_size_16_color_FFFFFF_t_70 13]: https://img-blog.csdnimg.cn/20200720220429355.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0N5cmlsX0tJ,size_16,color_FFFFFF,t_70