使用CNN卷积神经网络进行情感分析

悠悠 2021-11-02 02:46 469阅读 0赞

说先看一下这个图，它大体介绍了CNN的自然语言处理流程：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70][]

1.首先每个单词对应一行，d=5表示分了5个维度，一般是分128维，300维之类的，这里为了方便，用d=5。

这样的话矩阵就是7\*5

2.然后第一步进行卷积的操作，分别使用了四行的卷积核两个，三行的卷积核两个，两行的卷积核两个。然后分别对7\*5的矩阵进行卷积，对于7\*5的话，4\*5放上去可以向下移动4次，所以产生了4\*1矩阵(feature map)，3\*5的则可以移动5次，所以得到5\*1的矩阵，同理，2\*5的得到6\*1的矩阵。

3.然后第二步进行池化操作，图中使用的是max pooling，是最大值池化，所以前面产生的两个4\*1的feature map分别取最大的元素，组成一个2\*1的矩阵。同理前面产生的5\*1、6\*1的矩阵也要执行该操作。最终6个feature map产生了3个池化之后的矩阵

4.然后再把3个池化后的矩阵拼接起来形成6\*1的feature vector。

5.然后这是一个全连接层，假如我们需要分两个类，则对这6个神经元进行分类，产生两个神经元作为输出。

下面是代码实现，

第一步，各种超参数设定

import tensorflow as tf
    import numpy as np
    import os
    import time
    import datetime
    import data_helpers
    from text_cnn import TextCNN
    from tensorflow.contrib import learn
    import pickle
    
    # Parameters
    # ==================================================
    
    # Data loading params
    #validation数据集占比  0.1 百分之十
    tf.flags.DEFINE_float("dev_sample_percentage", .1, "Percentage of the training data to use for validation")
    #正样本  电影正面评论
    tf.flags.DEFINE_string("positive_data_file", "./data/rt-polaritydata/rt-polarity.pos", "Data source for the positive data.")
    #负样本  电影负面评论
    tf.flags.DEFINE_string("negative_data_file", "./data/rt-polaritydata/rt-polarity.neg", "Data source for the negative data.")
    
    # Model Hyperparameters
    #词向量长度
    tf.flags.DEFINE_integer("embedding_dim", 128, "Dimensionality of character embedding (default: 128)")
    #卷积核大小  使用3 4 5行的卷积核，列肯定是128列
    tf.flags.DEFINE_string("filter_sizes", "3,4,5", "Comma-separated filter sizes (default: '3,4,5')")
    #每一种卷积核的个数
    tf.flags.DEFINE_integer("num_filters", 64, "Number of filters per filter size (default: 128)")
    #dropout参数
    tf.flags.DEFINE_float("dropout_keep_prob", 0.5, "Dropout keep probability (default: 0.5)")
    #l2正则化参数
    tf.flags.DEFINE_float("l2_reg_lambda", 0.0005, "L2 regularization lambda (default: 0.0)")
    
    # Training parameters
    #批次大小，就是每个批次有多少行的数据
    tf.flags.DEFINE_integer("batch_size", 64, "Batch Size (default: 64)")
    #迭代周期
    tf.flags.DEFINE_integer("num_epochs", 6, "Number of training epochs (default: 200)")
    #多少step测试一次 每运算多少次做一个测试
    tf.flags.DEFINE_integer("evaluate_every", 100, "Evaluate model on dev set after this many steps (default: 100)")
    #每多少次保存一次模型
    tf.flags.DEFINE_integer("checkpoint_every", 100, "Save model after this many steps (default: 100)")
    #最多保存5个模型，如果满了，每新增一个就删除一个，只保留最新的5个模型
    tf.flags.DEFINE_integer("num_checkpoints", 5, "Number of checkpoints to store (default: 5)")
    # Misc Parameters
    #tensorflow会自动选择一个存在并且支持的设备上来运行operation
    tf.flags.DEFINE_boolean("allow_soft_placement", True, "Allow device soft device placement")
    #获取你的operations核Tensor被指派到哪个设备上运行
    tf.flags.DEFINE_boolean("log_device_placement", False, "Log placement of ops on devices")
    #flags解析
    FLAGS = tf.flags.FLAGS
    FLAGS._parse_flags()
    #打印所有参数
    print("\nParameters:")
    for attr, value in sorted(FLAGS.__flags.items()):
        print("{}={}".format(attr.upper(), value))
    print("")

注释讲的很清楚了，这里不过多描述

第二步

# Data Preparation
    # ==================================================
    
    # Load data
    print("Loading data...")
    #把正样本和负样本传入
    x_text, y = data_helpers.load_data_and_labels(FLAGS.positive_data_file, FLAGS.negative_data_file)
    
    # Build vocabulary
    #一行数据最多的词汇数 因为我们要保证句子的尺寸是一样的，即长度是一样的。
    max_document_length = max([len(x.split(" ")) for x in x_text])
    #词典
    vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length)
    # 其中VocabularyProcessor（max_document_length,min_frequency=0,vocabulary=None, tokenizer_fn=None)的构造函数中有4个参数
    # max_document_length是文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充
    # min_frequency词频的最小值，出现次数>最小词频 的词才会被收录到词表中
    # vocabulary CategoricalVocabulary 对象，不太清楚使用方法
    # tokenizer_fn tokenizer function，讲句子或给定文本格式 token化得函数，可以理解为分词函数
    #把原来的句子进行特殊处理，单词赋予编号
    x = np.array(list(vocab_processor.fit_transform(x_text)))
    # 如果长度低于56自动补0
    # x:[
    # [4719 59 182 34 190 804 0 0 0 0
    # 0 0 0 0 0……]
    # [129 ……]
    # ]
    
    print("x_shape:", x.shape)
    print("y_shape:", y.shape)
    # Randomly shuffle data
    #对数据进行打乱的操作
    np.random.seed(10)
    shuffle_indices = np.random.permutation(np.arange(len(y)))
    x_shuffled = x[shuffle_indices]
    y_shuffled = y[shuffle_indices]
    
    # Split train/test set
    # TODO: This is very crude, should use cross-validation
    #切分 数据集分为两部分 90%训练  10验证
    dev_sample_index = -1 * int(FLAGS.dev_sample_percentage * float(len(y)))
    x_train, x_dev = x_shuffled[:dev_sample_index], x_shuffled[dev_sample_index:]
    y_train, y_dev = y_shuffled[:dev_sample_index], y_shuffled[dev_sample_index:]
    
    
    print("Vocabulary Size: {:d}".format(len(vocab_processor.vocabulary_)))
    print("Train/Dev split: {:d}/{:d}".format(len(y_train), len(y_dev)))
    print("x:",x_train[0:5])
    print("y:",y_train[0:5])

这里调用了data\_helpers.py里的写好的一个函数来引入正样本和负样本，我们看一下这个函数是怎么写的

def load_data_and_labels(positive_data_file, negative_data_file):
        """
        Loads MR polarity data from files, splits the data into words and generates labels.
        Returns split sentences and labels.
        """
        # Load data from files
        positive_examples = list(open(positive_data_file, "r", encoding='utf-8').readlines())
        #去掉头尾的空格  形状['I like english','how are you',……]
        positive_examples = [s.strip() for s in positive_examples]
        negative_examples = list(open(negative_data_file, "r", encoding='utf-8').readlines())
        negative_examples = [s.strip() for s in negative_examples]
        # Split by words
        #合并
        x_text = positive_examples + negative_examples
        #句子预处理
        #['句子','句子','']
        x_text = [clean_str(sent) for sent in x_text]
        # Generate labels
        #生成labels，因为就分两个类，正面评论，负面评论
        positive_labels = [[0, 1] for _ in positive_examples]#形状[[0,1],[0,1],……]
        negative_labels = [[1, 0] for _ in negative_examples]#形状[[1,0],[1,0],……]
        y = np.concatenate([positive_labels, negative_labels], 0)#[[0,1],[0,1],……,[1,0],[1,0]]
        return [x_text, y]

额，都是简单的基本操作，这些东西我觉着自己看看就行，注释里也写的很清楚了，我们的目标就是得到句子以及对应的标签

这个函数返回的就是我们处理好的数据，格式：\[\['句子',……\],\[\[0,1\],\[0,1\],……,\[1,0\],\[1,0\],……\]

然后计算所有句子中，单词数最多是几，方便padding操作。然后就是定义词典以及进行padding补零操作，这里用到了learn.preprocessing.VocabularyProcessor函数，很强。

然后将数据集进行切分，9比1。

最后就是训练喽~

# Training
    # ==================================================
    
    with tf.Graph().as_default():
        session_conf = tf.ConfigProto(
            allow_soft_placement=FLAGS.allow_soft_placement,
            log_device_placement=FLAGS.log_device_placement)
        sess = tf.Session(config=session_conf)
        with sess.as_default():
            cnn = TextCNN(
                sequence_length=x_train.shape[1],#sequence_length:最长词汇数
                num_classes=y_train.shape[1],#num_classes:分类数
                vocab_size=len(vocab_processor.vocabulary_),#vocab_size:总词汇数
                embedding_size=FLAGS.embedding_dim,#embedding_size:词向量长度
                filter_sizes=list(map(int, FLAGS.filter_sizes.split(","))),#filter_sizes:卷积核的尺寸3 4 5
                num_filters=FLAGS.num_filters,#num_filters：卷积核的数量
                l2_reg_lambda=FLAGS.l2_reg_lambda)#l2_reg_lambda_l2正则化系数
    
            # Define Training procedure
            #其实就是统计当前训练的步数
            global_step = tf.Variable(0, name="global_step", trainable=False)
            #优化器
            optimizer = tf.train.AdamOptimizer(1e-3)
            #计算梯度 ——minimize()的第一部分
            grads_and_vars = optimizer.compute_gradients(cnn.loss)
            #将计算出来的梯度应用到变量上，是函数minimize()的第二部分
            #返回一个应用指定的梯度的操作operation,对global_step做自增操作
            ##综上所述，上面三行代码，就相当于global_step = tf.Variable(0, name="global_step", trainable=False).minimize(cnn.loss)
            train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step)
    
            # Keep track of gradient values and sparsity (optional)
            #保存变量的梯度值
            grad_summaries = []
            for g, v in grads_and_vars:#g是梯度，v是变量
                if g is not None:
                    grad_hist_summary = tf.summary.histogram("{}/grad/hist".format(v.name), g)
                    sparsity_summary = tf.summary.scalar("{}/grad/sparsity".format(v.name), tf.nn.zero_fraction(g))
                    grad_summaries.append(grad_hist_summary)
                    grad_summaries.append(sparsity_summary)
            grad_summaries_merged = tf.summary.merge(grad_summaries)
    
            # Output directory for models and summaries
            #定义输出路径
            timestamp = str(int(time.time()))
            out_dir = os.path.abspath(os.path.join(os.path.curdir, "runs", timestamp))
            print("Writing to {}\n".format(out_dir))
    
            # Summaries for loss and accuracy
            #记录一下loss值和准确率的值
            loss_summary = tf.summary.scalar("loss", cnn.loss)
            acc_summary = tf.summary.scalar("accuracy", cnn.accuracy)
    
            # Train Summaries
            #训练部分
            #merge一下
            train_summary_op = tf.summary.merge([loss_summary, acc_summary, grad_summaries_merged])
            #路径定义
            train_summary_dir = os.path.join(out_dir, "summaries", "train")
            #写入
            train_summary_writer = tf.summary.FileWriter(train_summary_dir, sess.graph)
    
            # Dev summaries
            #测试部分
            dev_summary_op = tf.summary.merge([loss_summary, acc_summary])
            dev_summary_dir = os.path.join(out_dir, "summaries", "dev")
            dev_summary_writer = tf.summary.FileWriter(dev_summary_dir, sess.graph)
    
            # Checkpoint directory. Tensorflow assumes this directory already exists so we need to create it
            #保存模型的路径
            checkpoint_dir = os.path.abspath(os.path.join(out_dir, "checkpoints"))
            checkpoint_prefix = os.path.join(checkpoint_dir, "model")
            if not os.path.exists(checkpoint_dir):
                os.makedirs(checkpoint_dir)
            #保存模型，最多保存5个
            saver = tf.train.Saver(tf.global_variables(), max_to_keep=FLAGS.num_checkpoints)
    
            # Write vocabulary
            vocab_processor.save(os.path.join(out_dir, "vocab"))
    
            # Initialize all variables
            sess.run(tf.global_variables_initializer())
    
            def train_step(x_batch, y_batch):
                """
                A single training step
                """
                feed_dict = {
                    cnn.input_x: x_batch,
                    cnn.input_y: y_batch,
                    cnn.dropout_keep_prob: FLAGS.dropout_keep_prob
                }
                _, step, summaries, loss, accuracy = sess.run(
                    [train_op, global_step, train_summary_op, cnn.loss, cnn.accuracy],
                    feed_dict)
                time_str = datetime.datetime.now().isoformat()
                print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))
                train_summary_writer.add_summary(summaries, step)
    
            def dev_step(x_batch, y_batch, writer=None):
                """
                Evaluates model on a dev set
                """
                feed_dict = {
                    cnn.input_x: x_batch,
                    cnn.input_y: y_batch,
                    cnn.dropout_keep_prob: 1.0
                }
                step, summaries, loss, accuracy = sess.run(
                    [global_step, dev_summary_op, cnn.loss, cnn.accuracy],
                    feed_dict)
                time_str = datetime.datetime.now().isoformat()
                print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy))
                if writer:
                    writer.add_summary(summaries, step)
    
            # Generate batches
            batches = data_helpers.batch_iter(
                list(zip(x_train, y_train)), FLAGS.batch_size, FLAGS.num_epochs)
            # Training loop. For each batch...
            for batch in batches:
                x_batch, y_batch = zip(*batch)
                train_step(x_batch, y_batch)
                current_step = tf.train.global_step(sess, global_step)
                #测试
                if current_step % FLAGS.evaluate_every == 0:
                    print("\nEvaluation:")
                    dev_step(x_dev, y_dev, writer=dev_summary_writer)
                    print("")
                #保存模型
                if current_step % FLAGS.checkpoint_every == 0:
                    path = saver.save(sess, checkpoint_prefix, global_step=current_step)
                    print("Saved model checkpoint to {}\n".format(path))

创建一个会话，然后我们看一下TextCNN干了嘛，

text\_cnn.py

import tensorflow as tf
    import numpy as np
    
    
    class TextCNN(object):
        """
        A CNN for text classification.
        Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
        """
        #sequence_length:最长词汇数
        #num_classes:分类数
        #vocab_size:总词汇数
        #embedding_size:词向量长度
        #filter_sizes:卷积核的尺寸3 4 5
        #num_filters：卷积核的数量
        #l2_reg_lambda_l2正则化系数
        def __init__(
          self, sequence_length, num_classes, vocab_size,
          embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):
    
            # Placeholders for input, output and dropout
            self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
            self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
            #dropout系数
            self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")
    
            # Keeping track of l2 regularization loss (optional)
            l2_loss = tf.constant(0.0)
    
            # Embedding layer
            with tf.device('/cpu:0'), tf.name_scope("embedding"):
                #vocab_size词典大小
                self.W = tf.Variable(
                    tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
                    name="W")
                #[batch_size,sequeue_length,embedding_size]
                self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
                #添加一个维度，[batch_size,sequence_length,embedding_size,1]有点类似于图片哦~
                self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)
    
            # Create a convolution + maxpool layer for each filter size
            pooled_outputs = []
            #三种不同尺寸的卷积，所以用了一个循环
            for i, filter_size in enumerate(filter_sizes):
                with tf.name_scope("conv-maxpool-%s" % filter_size):
                    # Convolution Layer
                    filter_shape = [filter_size, embedding_size, 1, num_filters]
                    #下面是卷积的参数
                    W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
                    b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
                    #卷积操作
                    conv = tf.nn.conv2d(
                        self.embedded_chars_expanded,#需要卷积的矩阵
                        W,#权值
                        strides=[1, 1, 1, 1],#步长
                        padding="VALID",
                        name="conv")
                    # Apply nonlinearity
                    #激活函数
                    h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
                    # Maxpooling over the outputs
                    #池化
                    pooled = tf.nn.max_pool(
                        h,
                        ksize=[1, sequence_length - filter_size + 1, 1, 1],
                        strides=[1, 1, 1, 1],
                        padding='VALID',
                        name="pool")
                    pooled_outputs.append(pooled)
    
            # Combine all the pooled features
            #卷积核的数量*卷积核的尺寸种类
            num_filters_total = num_filters * len(filter_sizes)
            #三个池化层的输出拼接起来
            self.h_pool = tf.concat(pooled_outputs, 3)
            #转化为一维的向量
            self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])
    
            # Add dropout
            with tf.name_scope("dropout"):
                self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)
    
            # Final (unnormalized) scores and predictions
            #全连接层
            with tf.name_scope("output"):
                W = tf.get_variable(
                    "W",
                    shape=[num_filters_total, num_classes],#[64*3,2]
                    initializer=tf.contrib.layers.xavier_initializer())
                b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
                #l2正则化
                l2_loss += tf.nn.l2_loss(W)
                l2_loss += tf.nn.l2_loss(b)
                self.scores = tf.nn.softmax(tf.nn.xw_plus_b(self.h_drop, W, b, name="scores"))
                #最终预测值
                self.predictions = tf.argmax(self.scores, 1, name="predictions")
    
            # Calculate mean cross-entropy loss
            with tf.name_scope("loss"):
                losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
                self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
    
            # Accuracy
            with tf.name_scope("accuracy"):
                correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
                self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

在这个类的对象初始化的过程中，我们传入了几个超参数，分别是最长词汇数，分类数，总词汇数，词向量长度，卷积核尺寸，卷积核数量，l2正则化系数。

然后设置了几个占位符，然后重点嵌入层来了

with tf.device('/cpu:0'), tf.name_scope("embedding"):
                #vocab_size词典大小
                self.W = tf.Variable(
                    tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
                    name="W")
                #[batch_size,sequeue_length,embedding_size]
                self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
                #添加一个维度，[batch_size,sequence_length,embedding_size,1]有点类似于图片哦~
                self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

W就是所有词的词向量矩阵，然后embedded\_chars是输入句子所对应的的词向量矩阵，返回的就是\[batch\_size，sequence\_length,embedding\_size\]，然后手动为其添加了一个维度。

然后又是一个重点：卷积池化层。

我们先看一下tf.nn.conv2d函数

def conv2d(x,W):
        #2d是二维的意思
        #x是一个tensor，形状是[batch,in_height,in_width,in_channels]NHWC关系，分别是批次大小(本例batch_size=100)，图片高度，图片宽度，通道数(黑白照片是1，彩色是3)
        #w是一个滤波器，tensor，形状是[filter_height,filter_width,in_channels,out_channels]，滤波器长，宽，输入和输出通道数
        #步长参数，strides[0]=strides[3]=1,strides[1]代表x方向的步长，strides[2]代表y方向的步长
        #padding:一个字符串，要么是'SAME'要么是'VALID'，对应两种卷积方法，前者补零,后者不会超出平面外部
     ———————————————— 
    版权声明：本文为CSDN博主「CtrlZ1」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
    原文链接：https://blog.csdn.net/qq_41076797/article/details/99212303

我们看tf.nn.conv2d执行卷积，输入需要卷积的矩阵self.embedded\_chars\_expanded，要求它的格式是\[batch\_size,in\_height,in\_width,in\_channels\],这就是为什么要加一个维度的原因，这里和照片有点相似，其实这个in\_height和in\_width很耐人寻味，前一个是传入的句子的最大长度，后面是对应的句子中每个词的词向量维度，从矩阵来看正好是高和宽。w是一个\[卷积核尺寸,词向量长度，1，卷积核个数\]的矩阵，步长是1,1，padding方案是valid，即不进行补零，那样的话矩阵大小会发生变化。根据w，我们知道卷积窗口大小是卷积核尺寸\*词向量长度，由于输入矩阵宽度也是词向量长度，所以只能向下卷积，所以卷积之后的矩阵格式为\[bath\_size，in\_height-卷积核尺寸+1，1，num\_filter\]即\[64,最长句子单词数-2,1,64\]。然后由于卷积核的个数，有多少个卷积核，返回多少个这种矩阵(feature map)。

然后进行激活函数。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 1][]

不用过多解释了吧。 返回依然是\[bath\_size，in\_height-卷积核尺寸+1，1，num\_filter\]=\[bath\_size，sequence\_length -3or4or5+1，1，64\]即\[64,最长句子单词数-2or3or4,1,64\]

然后进行池化操作，池化窗口尺寸是（sequence\_length - filter\_size + 1）\*1，和我们返回的矩阵是一样的，这样的话池化之后返回的矩阵就是\[batch\_size,1,1,64\]

然后把三次池化后的输出拼接起来，转化为一维向量\[batch\_size,64\*3\]，然后dropout，然后又是重要的一层，全连接层：

#全连接层
            with tf.name_scope("output"):
                W = tf.get_variable(
                    "W",
                    shape=[num_filters_total, num_classes],#[64*3,2]
                    initializer=tf.contrib.layers.xavier_initializer())
                b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
                #l2正则化
                l2_loss += tf.nn.l2_loss(W)
                l2_loss += tf.nn.l2_loss(b)
                self.scores = tf.nn.softmax(tf.nn.xw_plus_b(self.h_drop, W, b, name="scores"))
                #最终预测值
                self.predictions = tf.argmax(self.scores, 1, name="predictions")
    
            # Calculate mean cross-entropy loss
            with tf.name_scope("loss"):
                losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
                self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
    
            # Accuracy
            with tf.name_scope("accuracy"):
                correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
                self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

经过softmax之后返回的scores是一个\[batch\_size，2\]的矩阵，和真实值input\_y比较可以得到损失值losses，然后我们分别计算平均损失值和准确率。到此就结束了。

再回头看就很简单了，什么优化器啊，什么计算梯度啊，什么保存模型啊，等等就没啥可说的了，都是常规操作。

对了，附上代码链接~![20190818143119550.png][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70]: /images/20211102/6c7dfcbc19c44f5d97212567af501acf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 1]: /images/20211102/e9e74aa597884859b840be14c680a392.png
[20190818143119550.png]: /images/20211102/fa0832088af849299b47c40d209001f7.png