（二）机器学习---K近邻算法（KNN）

r囧r小猫 2022-12-26 15:21 223阅读 0赞

### 目录 ###

*   *  一：K邻近算法介绍：
     *   *  1：欧拉距离：
         *  2：使用K邻近算法实现分类：
         *  3： sklearn中knn算法的应用：
         *  4：自己写代码模拟KNN算法（了解）：
     *  二：划分数据集：
     *   *  1：自己模拟实现：
         *  2：封装成工具类：
         *  3：使用sklearn中的train\_test\_split：
     *  三：划分精确度：
     *   *  1：自己实现：
         *  2：封装成工具类使用：
         *  3：直接调用sklearn中的accuracy\_score进行划分：
     *  四：超参数：
     *   *  1：超参数概念：
         *  2：代码实现寻找最优K值：
         *  3：K近邻算法的优化：
     *  五：归一化：
     *   *  1：为什么要归一化：
         *  2：归一化的方式？
         *  3：代码实现归一化：
         *  4：sklearn中的归一化：

## 一：K邻近算法介绍： ##

*  1：首先要有原始已知标签的数据。
 *  2：把需要预测的点和所有已知的点计算距离。
 *  3：找到和待遇测点最近的K个点。
 *  4：根据K个点的标签确定待测点的标签。
 *  KNN算法可以做回归问题，也可以做分类问题。
 *  knn算法没有得到模型，它是机器学习中唯一一个不需要训练过程的算法。
 *

### 1：欧拉距离： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]

### 2：使用K邻近算法实现分类： ###

1：准备特征值和标签值：

import numpy as np
    import matplotlib.pyplot as plt
    
    # 1：定义特征值位置
    raw_data_x=[[3.3144558 , 2.33542461],
           [3.75497175, 1.93856648],
           [1.38327539, 3.38724496],
           [3.09203999, 4.47090056],
           [2.58593831, 2.13055653],
           [7.41206251, 4.80305318],
           [5.912852  , 3.72918089],
           [9.21547627, 2.8132231 ],
           [7.36039738, 3.35043406],
           [7.13698009, 0.40130301]]
    
    # 2：定义特征值的属性（0,1是上面标签的类别）
    raw_data_y=[0,0,0,0,0,1,1,1,1,1]
    
    # 3:转换成numpy的多维数组
    X_train = np.array(raw_data_x)
    y_train = np.array(raw_data_y)

2：验证多维数组的方法：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]

3：利用matplotlib绘制图像：

#利用matplotlib绘制图像
    plt.scatter(X_train[y_train==0,0],X_train[y_train==0,1],color='g')
    plt.scatter(X_train[y_train==1,0],X_train[y_train==1,1],color='r')
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]  
4：加入预测点，再次绘制图像：

# 创建预测点数组
    x=np.array([8.093607318,3.365731514])
    plt.scatter(X_train[y_train==0,0],X_train[y_train==0,1],color='g')
    plt.scatter(X_train[y_train==1,0],X_train[y_train==1,1],color='r')
    # 将预测点加入图中
    plt.scatter(x[0],x[1],color='b')
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]  
5：实现距离计算：

from math import sqrt # 开根号的函数
    # 1: 现在X_train二维数组中，取出每个的一维数组
    # 一维数组和一维数组之间可以直接相减 x_train - x 即：[3.3144558 , 2.33542461] - [8.093607318,3.365731514]
    # **2 指的是将差值的一维数组，每个数都平方操作。
    # np.sum(平方后的一维数组)就是一维数组求和
    # sqrt（数）：就是求出的最后的开平方后的和
    
    # 最后拿到的数据是个数组，就是各个点到预测点的距离。
    distances = [sqrt(np.sum((x_train-x)**2)) for x_train in X_train]
    print(distances)
    # 对计算的距离进行排序：根据数值进行排序，返回的是排序后的下标
    nearest = np.argsort(distances)
    # 打印下标
    print(nearest)

![在这里插入图片描述][20201206121154989.png]  
6:定义k值，得出计算结果:

k=6
    
    # 获取距离最近的前k个数据的下标，拿到的是最近的6个数的便签值。
    topK_y = [y_train[i] for i in nearest[:k]]
    
    #统计每个y值出现的次数
    from collections import Counter
    
    # 拿到的是值与数量的字典
    votes = Counter(topK_y)
    print(votes) # Counter({1: 5, 0: 1})
    
    #获取出现次数最多的那个y的取值
    print(votes.most_common(1)) # [(1, 5)],返回一个数组，先按频数排序，如果频率相同，则按照字母排序。
    predict_y = votes.most_common(1)[0][0] # 取出数组的第一个元祖的，元祖第一个位置（key）
    print(predict_y)# 这个就应该是该元素的便签值

### 3： sklearn中knn算法的应用： ###

1：安装sklearn :  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]  
2：使用sklearn进行预测：  
![在这里插入图片描述][20201206130751619.png]

# 1: 导包
    from sklearn.neighbors import KNeighborsClassifier
    
    #2：创建knn算法的分类器实例，选取最近的6个点
    knn_classifier = KNeighborsClassifier(n_neighbors=6)
    
    #拟合训练数据
    knn_classifier.fit(X_train,y_train)
    
    #将样本维度变为二维，因为我训练的维度就是二维的。
    x1 = x.reshape(1, -1)
    
    #利用knn算法进行预测
    y_predict = knn_classifier.predict(x1)
    
    #得出预测结果
    y_predict[0]
    # 输出 1

### 4：自己写代码模拟KNN算法（了解）： ###

1：自己定义一个KNN算法：

import numpy as np
    from math import sqrt
    from collections import Counter
    
    class KNNClassifier:
      def __init__(self, k):
          """初始化kNN分类器"""
          assert k >= 1, "k must be valid"
          self.k = k
          self._X_train = None
          self._y_train = None
    
      def fit(self, X_train, y_train):
          """根据训练数据集X_train和y_train训练kNN分类器"""
          assert X_train.shape[0] == y_train.shape[0], \
              "the size of X_train must be equal to the size of y_train"
          assert self.k <= X_train.shape[0], \
              "the size of X_train must be at least k."
    
          self._X_train = X_train
          self._y_train = y_train
          return self
    
      def predict(self, X_predict):
          """给定待预测数据集X_predict，返回表示X_predict的结果向量"""
          assert self._X_train is not None and self._y_train is not None, \
                  "must fit before predict!"
          assert X_predict.shape[1] == self._X_train.shape[1], \
                  "the feature number of X_predict must be equal to X_train"
    
          y_predict = [self._predict(x) for x in X_predict]
          return np.array(y_predict)
    
      def _predict(self, x):
          """给定单个待预测数据x，返回x的预测结果值"""
          assert x.shape[0] == self._X_train.shape[1], \
              "the feature number of x must be equal to X_train"
    
          distances = [sqrt(np.sum((x_train - x) ** 2))
                       for x_train in self._X_train]
          nearest = np.argsort(distances)
    
          topK_y = [self._y_train[i] for i in nearest[:self.k]]
          votes = Counter(topK_y)
    
          return votes.most_common(1)[0][0]
    
      def __repr__(self):
          return "KNN(k=%d)" % self.k

2：将kNN.py文件放入到和jupyter的代码相同的目录下，在jupyter中利用魔法方法进行代码运行。

#利用魔法方法加载kNN.py文件
    %run knn/kNN.py
    
    #创建实例
    knn_clf = KNNClassifier(k=6)
    #拟合训练集
    knn_clf.fit(X_train,y_train)
    #预测输入样例
    y_predict = knn_clf.predict(x1)
    #得出预测结果
    y_predict[0]

## 二：划分数据集： ##

*  一般要将数据集划分成测试集和训练集。
 *  训练集参与模型训练，测试集不参与模型训练，只用作评估。一般2/8分。

### 1：自己模拟实现： ###

1： 加载数据：

import numpy as np
    import matplotlib.pyplot as plt
    from sklearn import datasets

2： 获取特征值和目标值：

#获取sklearn中的内置数据集
    iris = datasets.load_iris()
    print(iris.data) # 获取特征值（多维数组）
    print(iris.target)# 获取标签值（目标值，一维数组）

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 5]  
3：划分测试集和训练集：

> 思路：1：先求测试集/训练集的长度，根据长度生成随机的一个列表。  
> 2：根据随机比例，和训练集长度，将列表划分成两部分，一部分存储的是训练集的下标，另一部分存储的是测试集的下标。  
> 3：然后根据这个列表，划分测试集和训练集。

X = iris.data
    y = iris.target
    
    # 1:将长度X对应的索引值进行随机排列，返回的是打乱顺序的列表。
    shuffle_indexes = np.random.permutation(len(X))
    
    #2: 定义测试机的比例
    test_ratio = 0.2
    
    #3: 得到测试集对应的数据量
    test_size = int(len(X) * test_ratio)
    
    #4：获取测试集的索引和训练集的索引
    test_indexes = shuffle_indexes[:test_size] # 测试集的索引
    train_indexes = shuffle_indexes[test_size:]# 训练集的索引
    
    #获取训练数据集
    X_train = X[train_indexes]
    y_train = y[train_indexes]
    
    #获取测试数据集
    X_test = X[test_indexes]
    y_test = y[test_indexes]

### 2：封装成工具类： ###

1：C:\\Users\\11737\\knn,在knn文件夹中创建model\_selection.py文件，文件中存入这些内容：

import numpy as np
    
    
    def train_test_split(X, y, test_ratio=0.2, seed=None):
        """将数据 X 和 y 按照test_ratio分割成X_train, X_test, y_train, y_test"""
        assert X.shape[0] == y.shape[0], \
            "the size of X must be equal to the size of y"
        assert 0.0 <= test_ratio <= 1.0, \
            "test_ration must be valid"
    
        if seed:
            np.random.seed(seed)
    
        shuffled_indexes = np.random.permutation(len(X))
    
        test_size = int(len(X) * test_ratio)
        test_indexes = shuffled_indexes[:test_size]
        train_indexes = shuffled_indexes[test_size:]
    
        X_train = X[train_indexes]
        y_train = y[train_indexes]
    
        X_test = X[test_indexes]
        y_test = y[test_indexes]
    
        return X_train, X_test, y_train, y_test

2： C:\\Users\\11737\\knn中新建\_init\_.py文件，使其变为工程目录，以便于后面能够直接导入train\_test\_split方法。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 6]  
3：测试封装后的代码：

import numpy as np
    import matplotlib.pyplot as plt
    from sklearn import datasets
    #获取sklearn中的内置数据集
    iris = datasets.load_iris()
    X = iris.data # 特征值
    y = iris.target # 目标值

from knn.model_selection import train_test_split # 导入自己封装的函数
    
    X_train,X_test,y_train,y_test = train_test_split(X,y)# 分好数据集和测试集
    
    from knn.kNN import KNNClassifier # 导入训练模型
    
    knn_clf = KNNClassifier(k=6) # 创建对象
    
    knn_clf.fit(X_train,y_train) # 训练
    
    y_predict = knn_clf.predict(X_test) # 测试集进行预测

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 7]

### 3：使用sklearn中的train\_test\_split： ###

from sklearn.model_selection import train_test_split
    X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)

## 三：划分精确度： ##

### 1：自己实现： ###

1： 加载数据：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 8]  
2：拿出一个数据测试：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 10]  
3：使用KNN算法进行预测：

from knn.model_selection import train_test_split
    
    X_train,X_test,y_train,y_test = train_test_split(X,y,test_ratio=0.2) # 使用我们自己的对测试集进行划分
    
    from knn.kNN import KNNClassifier
    knn_clf = KNNClassifier(k=6) # 构造模型
    knn_clf.fit(X_train,y_train) # 进行训练
    y_predict = knn_clf.predict(X_test) # 进行预测

sum(y_predict == y_test)/y_test.shape[0] # 计算准确率

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 11]

### 2：封装成工具类使用： ###

1：计算精确度的代码进行封装：  
新建一个文件专门用来计算精确度：C:\\Users\\11737\\knn  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 12]  
2：kNN.py创建一个方法，直接能调用这个方法，得到准确率：

def score(self, X_test, y_test):
            """根据测试数据集 X_test 和 y_test 确定当前模型的准确度"""
    
            y_predict = self.predict(X_test)
            return accuracy_score(y_test, y_predict)

3: 进行测试：

knn_clf.score(X_test,y_test)

### 3：直接调用sklearn中的accuracy\_score进行划分： ###

from sklearn.model_selection import train_test_split
    from sklearn.neighbors import KNeighborsClassifier
    
    #划分数据集
    X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
    
    #训练knn模型
    knn_classifier = KNeighborsClassifier(n_neighbors=6)
    knn_classifier.fit(X_train,y_train)
    
    #预测测试集
    y_predict = knn_classifier.predict(X_test)
    
    #计算准确率
    from sklearn.metrics import accuracy_score
    # 使用accuracy_score
    accuracy_score(y_test,y_predict)

## 四：超参数： ##

### 1：超参数概念： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 13]

### 2：代码实现寻找最优K值： ###

1： 先用一个随机的K测试：

import numpy as np 
    import matplotlib
    import matplotlib.pyplot as plt
    from sklearn import datasets
    
    digits = datasets.load_digits()
    
    X = digits.data
    y = digits.target
    
    from sklearn.model_selection import train_test_split
    from sklearn.neighbors import KNeighborsClassifier
    
    X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
    
    knn_classifier = KNeighborsClassifier(n_neighbors=6)
    knn_classifier.fit(X_train,y_train)
    
    #得到评分数据
    knn_classifier.score(X_test,y_test)

> 得到的准确率是：0.9888888888888889

2：寻找最优K：

best_score = 0.0
    best_k = -1
    for k in range(1,11):
        knn_classifier = KNeighborsClassifier(n_neighbors=k)
        knn_classifier.fit(X_train,y_train)
        score = knn_classifier.score(X_test,y_test)
        print("k={}, score={}".format(k, score))
    
        if score > best_score:
            best_k = k
            best_score = score
    
    print("best_k =",best_k)
    print("best_score =",best_score)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 14]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 15]

### 3：K近邻算法的优化： ###

1： 存在的问题：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 16]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 17]  
2：在sklearn的官方问题中存在此问题的具体实现，参数weights默认为uniform，不考虑距离，如传入distance，则考虑距离。

best_score = 0.0
    best_k = -1
    for method in ["uniform","distance"]:
        for k in range(1,11):
            knn_classifier = KNeighborsClassifier(n_neighbors=k,weights=method)
            knn_classifier.fit(X_train,y_train)
            score = knn_classifier.score(X_test,y_test)
    
            if score > best_score:
                best_k = k
                best_score = score
                best_method = method
    
    print("best_method =",best_method)
    print("best_k =",best_k)
    print("best_score =",best_score)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 18]  
注意第二次的时候，只考虑距离，跟数值就没关系了，即使个数很多，我们也要选择距离近的那个。

## 五：归一化： ##

### 1：为什么要归一化： ###

问题：我们有两个样本，每个样本有两个特征，一个是肿瘤大小，一个是肿瘤的发现时间。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 19]

### 2：归一化的方式？ ###

1：最值归一化：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 20]  
2：均值方差归一化：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 21]

### 3：代码实现归一化： ###

1： 一维数组最值归一化：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 22]  
2：二维数组归一化：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 23]  
3：均值方差归一化：

#随机生成shape为(50,2)数值范围在0-100范围内的二维数组
    X2 = np.random.randint(0,100,(50,2))
    #转换为float类型
    X2 = np.array(X2,dtype=float)
    
    #对两个样本进行均值方差归一化
    X2[:,0] = (X2[:,0]-np.mean(X2[:,0]))/np.std(X2[:,0])
    X2[:,1] = (X2[:,1]-np.mean(X2[:,1]))/np.std(X2[:,1])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 24]

### 4：sklearn中的归一化： ###

1： 数据的准备：

import numpy as np
    from sklearn import datasets
    
    iris = datasets.load_iris()
    X = iris.data
    y = iris.target
    
    # 划分训练集和测试集
    from sklearn.model_selection import train_test_split
    X_train,X_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state=1)

2：进行归一化处理：

# 进行均值方差归一化处理
    from sklearn.preprocessing import StandardScaler
    # 1：创建对象
    ss = StandardScaler()
    # 2：学习均值和方差
    ss.fit(X_train,y_train)
    
    print(ss.mean_)# 内部的均值
    print(ss.scale_) # 内部的方差
    
    #3：转换训练集和测试集
    X_train1 = ss.transform(X_train)
    X_test1 = ss.transform(X_test)

3： 对归一化和没有归一化的进行测试：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 25]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70]: /images/20221120/a985db0225c6481f93a2f1b28642167e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201206114124833.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20201206114308756.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20201206114522285.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[20201206121154989.png]: https://img-blog.csdnimg.cn/20201206121154989.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20201206111543780.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[20201206130751619.png]: https://img-blog.csdnimg.cn/20201206130751619.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20201206193802590.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20201206200052690.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20201206200208716.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/2020120620101684.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20201206201501663.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20201206201519237.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20201206202116147.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20201206202618173.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 13]: https://img-blog.csdnimg.cn/20201206203842815.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 14]: https://img-blog.csdnimg.cn/20201206205056285.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 15]: https://img-blog.csdnimg.cn/20201206205109920.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 16]: https://img-blog.csdnimg.cn/20201206205620601.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 17]: https://img-blog.csdnimg.cn/20201206205830952.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 18]: https://img-blog.csdnimg.cn/20201206210457425.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 19]: https://img-blog.csdnimg.cn/20201206212048176.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 20]: https://img-blog.csdnimg.cn/20201206212522743.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 21]: https://img-blog.csdnimg.cn/2020120621273058.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 22]: https://img-blog.csdnimg.cn/20201206213125595.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 23]: https://img-blog.csdnimg.cn/2020120621363338.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 24]: https://img-blog.csdnimg.cn/20201206214014134.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3_size_16_color_FFFFFF_t_70 25]: https://img-blog.csdnimg.cn/20201207092217520.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzQxNzU3,size_16,color_FFFFFF,t_70