计算机视觉中的深度学习10: 神经网络的训练1

悠悠 2022-12-08 14:24 230阅读 0赞

Slides：[百度云][Link 1] 提取码: gs3n

第9课讲的是神经网络的软硬件，感觉比较科普，不做总结。

## 总览 ##

1.  单次设置
    
    1.  激活函数
    2.  数据预处理
    3.  权重初始化
    4.  正则化
2.  动态训练
    
    1.  学习率规划
    2.  large-batch 训练；
    3.  超参数优化
3.  训练后
    
    1.  模型融合
    2.  迁移学习

今天第一讲讲解的是第一点，第二讲将介绍第二点和第三点。

## 激活函数 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center]

之前也介绍了激活函数是什么，不同的激活函数在训练上，在效果上，在解决问题的方面都各有侧重。下面一一来介绍。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 1]

### Sigmoid ###

非常常用的激活函数，在很多线性分类的machine learning模型中也会有用到。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 2]  
 σ ( x ) = 1 1 + e − x \\sigma(x) = \{1\\over 1+e^\{-x\}\} σ(x)=1\+e−x1

*  将函数值限制在\[0, 1\]之间
 *  由于它们可以很好地模拟神经元的饱和“触发率”，因此在历史上很受欢迎
 *  通常被用于表示概率，很适合用于表示boolean
 *  也是一种非常不错的非线性关系的表达

缺点

*  饱和的神经元将使得梯度下降效果糟糕
    
     *  我们可以看到在接近 ± ∞ ±\\infin ±∞的时候，梯度是0，这也使得sigmoid难以训练
     *  这种影响甚至会通过链式法则传递到之前的神经元中，导致整个网络的灾难性慢收敛
     *  这是这个函数被弃用的最最最主要原因，其他缺点都是可以接受的
 *  sigmoid函数的输出中心不是0
    
     *  在神经元输入全为正的情况下，在计算梯度的时候，w中的每一维都会同为正数。这也导致了训练收敛缓慢。
     *  ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 3]虽然在低维处理上面，没什么问题，但是当w是高维的时候，会受到很大的影响。
 *  Exp()的计算开销大

### Tanh ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 4]  
此函数的函数值范围为\[-1, 1\]，解决了sigmoid函数中心不在0的缺点。

但是还是继承了sigmoid最坏的缺点，在两端的梯度几乎为0.

### ReLu ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 5]  
 f ( x ) = m a x ( 0 , x ) f(x)=max(0, x) f(x)=max(0,x)

*  不会在远端让梯度为0
 *  计算上非常高效
 *  收敛比sigmoid、tanh快多了

缺点

*  不以0为中心
 *  当x<0时，梯度的情况令人担忧
    
     *  甚至情况比sigmoid还糟糕，因为当x<0时，它完全不会收敛。
     *  有时候，我们在初始化ReLu神经元的bias的时候，我们不会设置为0，而是0.01
    
    ### Leaky ReLU ###
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 6]  
    继承了ReLu的优点，并且在x<0的时候，梯度不会变成0

扩展开后

f ( x ) = m a x ( α x , x ) f(x)=max(\\alpha x, x) f(x)=max(αx,x)

其中 α \\alpha α是backprop的一个超参数。

### Exponential Linear Unit ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 7]

*  继承了ReLu的所有优点
    
     *  除了Exp()的计算消耗比较大
 *  均值输出接近0
    
     *  这点我有点没明白
 *  相比于Leaky ReLu，在x<0的表现，能更加robust，对noise不敏感

### Scaled Exponential Linear Unit (SELU) ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 8]

*  ELU的扩展版本，在深度网络中表现更好
 *  能够自我归一化，使得不需要在训练的时候进行BatchNorm
 *  此处给出的 α \\alpha α和 λ \\lambda λ是经过试验测试以及数学论证，得出来效果最好的两个值。

### 总结 ###

*  无脑使用ReLu，中正平和，不会有太多问题
 *  使用ReLu的其他变形，但是基本不会有太多影响，可能是最后0.1%的优化
 *  不要使用sigmoid和tanh

PS： 为什么使用的都是单调函数，而不是类似于sin，cos这样的函数，是因为对于一个y，如果存在多个x值，会使得信息有所混乱，导致NN不容易学习特征。

## 数据预处理 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 9]

1.  为什么想要将数据中心变成0
    
    1.  比如，在之前提到的sigmoid中，如果数据集全是正的，或者全是负的，会导致W的gradient的方向是同一个符号的。这个问题就可以通过修正数据集的中心来解决。
2.  归一化的好处。
    
    1.  降低noise的影响
    2.  将数据缩小到一个合理的范围，使得W更好收敛。

这几个操作，都是在图片识别中相当常用的方式。对于其他种类的问题，都有一些特殊的数据预处理方法。

还有接下里两种PCA和whitening。

前者是主成分分析，降维的常用算法。  
后者是白化，将数据集的特征之间相关性降低；使得所有特征具有相同的方差。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 10]

## 权重初始化 ##

### 全0 ###

Q: 如果一个神经网络，将weight和bias全都初始化为0，这是一个好的方式吗？

A：当然不行，这样所有的输出也会是0（假设激活函数是以0为中心的），然后所有的梯度将会是一样。

### 较小的随机数 ###

用正态分布，中心为0，std=0.01.

W = 0.01 * np.random.randn(Din, Dout)

对于一个小型的神经网络，这是一个非常不错的初始化方法。  
对于更深的神经网络，这就不是一个很好的方式了。

#### 问题1 ####

假设有6层神经网络，都用上述方式去初始化W。

我们可以明显感觉到随着层数的增加，因为W的累乘，output也会越来越小。

再考虑考虑梯度的变化。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 11]  
我们可以看到因为W逐渐减小，梯度也越发向0集中。如果一个神经网络非常深，那么结果就是output全是0，没有任何梯度，也没法学习。

#### 问题2 ####

那么我们用一个稍微大一些的std去初始化呢？

比如，`std=0.05`

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 12]  
梯度的分布如上  
我们可以看到，梯度往-1和1聚集，那么local gradient就会变成0。

### Xavier Initialization ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 13]  
将正则分别的std设置为`1/sqrt(Din)`，从而使得每一个输入输出都能有恰好的大小。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 14]  
对于卷积层而言，Din是kernel\_size ^ 2 \* input\_channels

#### 原理 ####

这样，输入和输出的方差是一样的  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 15]  
因此保证了gradient分布地均匀

### 激活函数是ReLu的情况呢？ ###

之前我们都是使用tanh作为激活函数，那么使用ReLu呢？  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 16]  
我们发现，梯度再一次聚集了，他们聚集在0处，再一次使得训练难以进行。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 17]

### Kaiming / MSRA Initialization ###

进行修正，std = sqrt(2 / Din)

结果如下  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 18]  
**之所以要这么修正，正是我们想要保持输入输出的variance一致。**

### Residual Networks ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 19]  
对于这个结构，如果我们使用MSRA，我们能够得出Var(F(x)) = Var(x)。  
但是我们的实际输出是Var(F(x)+x) > Var(x)，经过每一个Block，variance都会增长。

解决办法，对第一个conv使用MSRA，对于第二个conv赋值为0.  
那么这个时候，Var(F(x)+x) = Var(x)

## 正则化 ##

其实怎么判断overfit，是一个需要经验的工作。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 20]

### 在Loss函数后面增加一项 ###

![在这里插入图片描述][20200920115223857.jpg_pic_center]  
常用的几种

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 21]

### Dropout ###

在向前传播的过程中，随机将一些神经元的输出设置为0

这个概率是一个超参数，0.5是一个比较常用的  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 22]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 23]

dropout的作用是

1.  强制网络具有冗余表示形式
    
    1.  即，舍弃了一部分神经元也能提取出相似的特征
2.  防止特征的共适性  
    1.即，两个特征不一定要一同出现才能让机器做出判断

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 24]

### 另一种解释 ###

Dropout是一种多模型（共享参数）的融合。  
每一个二元的取舍都是一个新的模型。

对于一个4096个单元的全连接层，会有 2 4096 2^\{4096\} 24096 ~ 1 0 1233 10^\{1233\} 101233种可能性

### 测试中的dropout ###

#### 随机将输出舍弃 ####

这并不是一个明智的决定。

因为我们可以用数据公式论证一下，这样的行为和在training中的dropout产生的输出期望，并不一样。

![在这里插入图片描述][2020092012082532.jpg_pic_center]

这种东西，复杂且难以估量。并不是一个理论上非常优秀的结果。

#### 输出乘以dropout概率 ####

测试的时候  
 E \[ a \] = w 1 x + w 2 y E\[a\]=w\_1x+w\_2y E\[a\]=w1x\+w2y  
训练的时候  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 25]  
我们发现，在测试的时候，并不需要dropout  
我们只需要在输出的时候，乘以dropout的概率，即可

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 26]

### DropConnect ###

和一般的Dropout不同的是，它是，神经元之间的连接是随机的

这样在测试的时候，我们只需要将所有的东西连上即可。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 27]

### Fractional Pooling ###

使用随机的pooling区域。

测试的时候，取各个sample size pooling结果的平均值

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 28]

### Stochastic Depth ###

随机跳过一些ResBlock

测试的时候，使用全网络  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 29]

### Stochastic Depth ###

遮盖（随机将一部分像素设置为0）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 30]  
在小的数据集上表现优秀，在大的数据集上更加少见。

### 混合 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 31]

## 数据扩充 ##

通常而言，训练集肯定是越多越好，但是有时候训练集并不是很足够，我们就需要一些别的方式来扩充数据。

这是我之前写的博文的例子，[用卷积神经网络检测脸部关键点的教程（二）卷积神经网络训练和数据扩充][Link 2]

#### Horizontal Flips ####

翻转

最为常用最为简单的方式，在我之前写的博文里也是使用这种方式  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 32]

#### Random Crops and Scales ####

随机选取截取图片中的一部分

1.  将样本的大小进行规整
2.  增加训练样本个数

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 33]  
在测试的时候，也随机选出5个截取  
得到答案后，进行平均，选出最后终的答案。

### Color Jitter ###

对对比度和亮度进行随机变化

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 34]

### 更多 ###

1.  对每一个像素进行PCA算法处理
2.  对每一个像素都进行移动

甚至其他图片操作，旋转，拉伸等等

[Link 1]: https://pan.baidu.com/s/1sXKQ0AnT-eRa6lEawAKKXA
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/b0b1d1d8471d45fabdd6f2078016adf3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221123/b5dc865f4d324a8db8a2f193b6791974.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221123/672c559ce7e74d7f8a5e38617371022c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221123/3b9e7ec806ba411dbc8718d2028299a7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221123/f39a7339b5ba48b1877ee34b0f673d7c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221123/3db8d9a50bcb4651b20c2d4b7056db69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221123/0bd6160a9ba84549bf8b07cc9bab0930.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221123/107c28257ef04cb8b281368ea318d519.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20221123/bba32ac283a241a5941ecb863447bdb0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20221123/d1d454306e6c4ab7ba58f1cb6b2945ed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20221123/3c82ea4a4b81488bad63455cfed57f11.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20221123/4844a6b62a444243a06378b0338cf0be.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20221123/443065b22e1e45d7afbbaa5d12cd5e89.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 13]: /images/20221123/5894b7366b94457bb46c4ad450606c33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 14]: /images/20221123/60d0e8565ffc47e9a2ea3e1d90e6d297.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 15]: /images/20221123/3e46d4bca70b4717aef4139fda31ac57.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 16]: /images/20221123/a7daa52a9f9a47dcb587913a33595edb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 17]: /images/20221123/4c7319822a574bb5af6f0886af599bec.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 18]: /images/20221123/4d4e1bf7e06542a396a3069b6b4063d6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 19]: /images/20221123/0ac14278451a438c81e3578fc4e3e46b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 20]: /images/20221123/9877f77070164dba9b5cf58774cdce13.png
[20200920115223857.jpg_pic_center]: /images/20221123/fd5c8eda9705418f990a711349cb27a1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 21]: /images/20221123/637b4d3f2898445399bb8fc7be92496e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 22]: /images/20221123/3ebd88d7d00e4461b3d168548c014be0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 23]: /images/20221123/3973d04729cd433dbef397fbd7c47c46.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 24]: /images/20221123/59bf576f93a945a6971a1e99deebc6fb.png
[2020092012082532.jpg_pic_center]: /images/20221123/38cc7b1b731f4cdcb7398961a4f995df.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 25]: /images/20221123/ce5fdd06858241d0bc2a190b22b8511a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 26]: /images/20221123/9c34d9c12e1d4be1a7ea55199b7a3787.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 27]: /images/20221123/17e1e672c53849b8945c9126aa7c16a5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 28]: /images/20221123/e5056cec566f4852ab4f14c76a9c7e6a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 29]: /images/20221123/671bc7486de0440f8e24b11e118ac478.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 30]: /images/20221123/a9fb2b651857412aa18973bbe130a4bf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 31]: /images/20221123/cd420e66414b4240849b551a4660b759.png
[Link 2]: https://blog.csdn.net/u013007900/article/details/53647918
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 32]: /images/20221123/89efa79d100f413f92ed919033f0474e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 33]: /images/20221123/0345618195404a1bbed059683a756253.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMwMDc5MDA_size_16_color_FFFFFF_t_70_pic_center 34]: /images/20221123/d54803ab97594756a0d13d302bdc353e.png