人工智能导论

左手的ㄟ右手 2022-12-28 01:32 87阅读 0赞

本文大纲：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center]

### 文章目录 ###

*  人工智能分类以及应用
 *   *  人工智能分类
     *  人工智能研究方向、分支
     *  机器学习：一种实现人工智能的方法
     *   *  什么是机器学习？
         *  机器学习五大流派
         *  神经网络 & 机器学习 & 深度学习
         *  五大流派的交融与发展
         *  机器学习算法
 *  专家系统
 *  知识
 *   *  状态空间法
 *  搜索
 *  确定性推理&不确定性推理

# 人工智能分类以及应用 #

## 人工智能分类 ##

我们目前将人工智能分为强人工智能和弱人工智能，弱人工智能也被称为应用型人工智能。

*  强人工智能：  
    强人工智能应该就是我们经常在科幻电影动画小说里所想象出的那种人工智能。  
    用我们的对人工智能的定义来讲，强人工智能就是能够执行“通用任务”（Generalized Mission）的人工智能：它能够进行想人类一样有的学习、推理和认知解决问题， 而且不是在特定领域中的问题。按照大众逻辑的想象，它就是真正的人工智能。但是我们现今科技还没有创造出强人工智能。  
    对于强人工智能最有科学依据的判定，莫过于最著名的计算机科学奠基人图灵为名的“图灵测试”。  
    在图灵测试中问题很简单：让一个人面对两个对象对话，其中一个对象是人工智能，一个对象是人类；如果这个人不能成功的分辨出谁是机器，那么就说明这个人工智能通过了“图灵测试”。
 *  弱人工智能/应用型人工智能  
    相对与弱人工智能我们对于人工智能的定义就广泛的多了。可以说目前市场上我们所见到的人工智能，或者说能够帮助我们解决特定领域的一些问题的人工智能，都可以说是弱人工智能。也就是我们下文主要介绍的人工智能都是弱人工智能。我们前经常所说的人工智能大家默认就是弱人工智能。

## 人工智能研究方向、分支 ##

下面这张图是目前人工智能的主要研究方向，大家初次看见这张图可能有点懵，无需紧张，我全文都会围绕它展开讲解目前主流的人工智能研究方向和分支。而我们能够看到在图中machine learning（机器学习）后面被展开，而其它都没有被展开，这是因为目前主流人工智能都是基于机器学习研究方向，但是机器学习和人工智能并不能划等号。我们这片文章下面也会着重来讲机器学习。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center 1]

## 机器学习：一种实现人工智能的方法 ##

提到人工智能很多人直接误认为就是机器学习，而根据我们上面人工智能研究方向来看，机器学习只是人工智能一个研究方向。人工智能并不是一个新鲜的概念，而近几年人工智能突然大火只是因为大数据为人工智能赋能，而机器学习需要大数据的支撑。下面我们来看看机器学习到底是什么？

### 什么是机器学习？ ###

*  我们搬来百度解释  
    机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。  
    机器学习有下面几种定义：  
    （1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在**经验学习中改善具体算法的性能**。  
    （2）机器学习是对能通过**经验自动改进**的计算机算法的研究。  
    （3）机器学习是用**数据或以往的经验**，以此优化计算机程序的性能标准。

从上面百度中我们能够清晰看到总是提到经验、数据。而我们机器学习最主要就是需要大量的数据去“喂”机器。

*  机器学习基本模型  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70]
 *  机器学习工作原理  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center 2]
 *  机器学习分类  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 1]  
    机器学习分有很多类，并不能把机器学习和神经网络或者深度学习划等号。神经网络是一种实现机器学习方法，而深度学习也叫深度机器学习，他是神经网络加深层数加多后成为深度学习。大家也无需将彻底划分，大概了解很多研究以及项目化牵扯到很多领域融合。
 *  监督学习&无监督学习  
    在机器学习领域，有两种主要类型的任务：监督式和无监督式。这两种类型的主要区别在于，监督式学习是使用基础事实完成的，或者换句话说，我们事先知道样本的输出值应该是多少。因此，监督学习的目标是学习一个函数，该函数在给定样本数据和期望输出的情况下，最接近于数据中可观察到的输入和输出之间的关系。另一方面，无监督学习没有标注输出，因此其目标是推断一组数据点中存在的自然结构。

### 机器学习五大流派 ###

①符号主义：使用符号、规则和逻辑来表征知识和进行逻辑推理，最喜欢的算法是：规则和决策树

②贝叶斯派：获取发生的可能性来进行概率推理，最喜欢的算法是：朴素贝叶斯或马尔可夫

③联结主义：使用概率矩阵和加权神经元来动态地识别和归纳模式，最喜欢的算法是：神经网络

④进化主义：生成变化，然后为特定目标获取其中最优的，最喜欢的算法是：遗传算法

⑤Analogizer：根据约束条件来优化函数（尽可能走到更高，但同时不要离开道路），最喜欢的算法是：支持向量机

### 神经网络 & 机器学习 & 深度学习 ###

![在这里插入图片描述][20201218201715527.png_pic_center]  
神经网络、机器学习、深度学习这几个名词经常同时提起，但是却不是一个概念。神经网络是一种算法，而机器学习是一种实现人工智能的方式，也可以使用非神经网络方法。而深度学习很多基于多层深度神经网络算法。  
深度学习：  
深度学习 相较而言，深度学习是一个比较新的概念，严格地说是2006年提出的。深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将\*\*“深度学习”称之为“改良版的神经网络”算法\*\*。深度学习又分为卷积神经网络（Convolutional neural networks，简称CNN）和深度置信网（Deep Belief Nets，简称DBN）。其主要的思想就是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元即可。所以看起来的处理方式有点像下图（想深入了解的同学可以自行google）。  
深度学习是把神经网络层数增加。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center 3]

### 五大流派的交融与发展 ###

虽然我们前面说了把机器学习分为五大流派，但是在现实研究中，很多研究并不是只是专一与一个流派的研究，而是互相交融取长补短，结合来做出产品。  
1980 年代

主导流派：符号主义

架构：服务器或大型机

主导理论：知识工程

基本决策逻辑：决策支持系统，实用性有限

1990 年代到 2000 年

主导流派：贝叶斯

架构：小型服务器集群

主导理论：概率论

分类：可扩展的比较或对比，对许多任务都足够好了

2010 年代早期到中期

主导流派：联结主义

架构：大型服务器农场

主导理论：神经科学和概率

识别：更加精准的图像和声音识别、翻译、情绪分析等  
3. 这些流派有望合作，并将各自的方法融合到一起

2010 年代末期

主导流派：联结主义+符号主义

架构：许多云

主导理论：记忆神经网络、大规模集成、基于知识的推理

简单的问答：范围狭窄的、领域特定的知识共享

2020 年代+

主导流派：联结主义+符号主义+贝叶斯+……

架构：云计算和雾计算

主导理论：感知的时候有网络，推理和工作的时候有规则

简单感知、推理和行动：有限制的自动化或人机交互

### 机器学习算法 ###

你应该使用哪种机器学习算法？这在很大程度上依赖于可用数据的性质和数量以及每一个特定用例中你的训练目标。不要使用最复杂的算法，除非其结果值得付出昂贵的开销和资源。这里给出了一些最常见的算法，按使用简单程度排序。

1.  决策树（Decision Tree）：在进行逐步应答过程中，典型的决策树分析会使用分层变量或决策节点，例如，可将一个给定用户分类成信用可靠或不可靠。

优点：擅长对人、地点、事物的一系列不同特征、品质、特性进行评估

场景举例：基于规则的信用评估、赛马结果预测

扩展阅读：《教程 | 从头开始：用Python实现决策树算法》、《想了解概率图模型？你要先理解图论的基本定义与形式》  
2. 支持向量机（Support Vector Machine）：基于超平面（hyperplane），支持向量机可以对数据群进行分类。

优点：支持向量机擅长在变量 X 与其它变量之间进行二元分类操作，无论其关系是否是线性的

场景举例：新闻分类、手写识别。

扩展阅读：《干货 | 详解支持向量机（附学习资源）》

1.  回归（Regression）：回归可以勾画出因变量与一个或多个因变量之间的状态关系。在这个例子中，将垃圾邮件和非垃圾邮件进行了区分。

优点：回归可用于识别变量之间的连续关系，即便这个关系不是非常明显

场景举例：路面交通流量分析、邮件过滤  
4. 朴素贝叶斯分类（Naive Bayes Classification）：朴素贝叶斯分类器用于计算可能条件的分支概率。每个独立的特征都是「朴素」或条件独立的，因此它们不会影响别的对象。 例如，在一个装有共 5 个黄色和红色小球的罐子里，连续拿到两个黄色小球的概率是多少？从图中最上方分支可见，前后抓取两个黄色小球的概率为 1/10。朴素贝叶斯分类器可以计算多个特征的联合条件概率。

优点：对于在小数据集上有显著特征的相关对象，朴素贝叶斯方法可对其进行快速分类

场景举例：情感分析、消费者分类  
5. 隐马尔可夫模型（Hidden Markov model）： 显马尔可夫过程是完全确定性的——一个给定的状态经常会伴随另一个状态。交通信号灯就是一个例子。相反，隐马尔可夫模型通过分析可见数据来计算隐藏状态的发生。随后，借助隐藏状态分析，隐马尔可夫模型可以估计可能的未来观察模式。在本例中，高或低气压的概率（这是隐藏状态）可用于预测晴天、雨天、多云天的概率。

优点：容许数据的变化性，适用于识别（recognition）和预测操作

场景举例：面部表情分析、气象预测  
6. 随机森林（Random forest）：随机森林算法通过使用多个带有随机选取的数据子集的树（tree）改善了决策树的精确性。本例在基因表达层面上考察了大量与乳腺癌复发相关的基因，并计算出复发风险。

优点：随机森林方法被证明对大规模数据集和存在大量且有时不相关特征的项（item）来说很有用

场景举例：用户流失分析、风险评估

扩展阅读：《教程 | 从头开始：用 Python 实现随机森林算法》  
7. 循环神经网络（Recurrent neural network）：在任意神经网络中，每个神经元都通过 1 个或多个隐藏层来将很多输入转换成单个输出。循环神经网络（RNN）会将值进一步逐层传递，让逐层学习成为可能。换句话说，RNN 存在某种形式的记忆，允许先前的输出去影响后面的输入。

优点：循环神经网络在存在大量有序信息时具有预测能力

场景举例：图像分类与字幕添加、政治情感分析  
8. 长短期记忆（Long short-term memory，LSTM）与门控循环单元神经网络（gated recurrent unit nerual network）：早期的 RNN 形式是会存在损耗的。尽管这些早期循环神经网络只允许留存少量的早期信息，新近的长短期记忆（LSTM）与门控循环单元（GRU）神经网络都有长期与短期的记忆。换句话说，这些新近的 RNN 拥有更好的控制记忆的能力，允许保留早先的值或是当有必要处理很多系列步骤时重置这些值，这避免了「梯度衰减」或逐层传递的值的最终 degradation。LSTM 与 GRU 网络使得我们可以使用被称为「门（gate）」的记忆模块或结构来控制记忆，这种门可以在合适的时候传递或重置值。

优点：长短期记忆和门控循环单元神经网络具备与其它循环神经网络一样的优点，但因为它们有更好的记忆能力，所以更常被使用

场景举例：自然语言处理、翻译

1.  卷积神经网络（convolutional neural network）：卷积是指来自后续层的权重的融合，可用于标记输出层。

优点：当存在非常大型的数据集、大量特征和复杂的分类任务时，卷积神经网络是非常有用的

场景举例：图像识别、文本转语音、药物发现

# 专家系统 #

专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

为什么将专家系统单独抽出来说呢，因为我们专家系统和机器学习并不是一回事，或者也可以说是一回事。是人工智能的另外一种实现方式。它牵扯到推理，确定性推理以及不确定性推理。  
先说说专家系统和后两者的区别，专家系统是人去“读”数据，“理解”数据，继而“抽象”出数据中的规则，进行建模。整个模型从材料到设计到施工都靠人力堆砌。 而后两者是模型在假设空间内，靠模型自身迭代寻找最优解，人只需要提供材料（特征）和结构（模型选择），最后施工由模型自身迭代完成；后两者区别在于一个靠启发式算法求解，一个靠凸优化理论求解。  
![在这里插入图片描述][20201218202722759.png_pic_center]  
但是现在也有基于机器学习的专家系统，主要是通过大数据得到海量的知识。

# 知识 #

知识是符合文明方向的，人类对物质世界以及精神世界探索的结果总和。知识，至今也没有一个统一而明确的界定。但知识的价值判断标准在于实用性，以能否让人类创造新物质，得到力量和权力等等为考量。有一个经典的定义来自于柏拉图：一条陈述能称得上是知识必须满足三个条件，它一定是被验证过的，正确的，而且是被人们相信的，这也是科学与非科学的区分标准。由此看来，知识属于文化，而文化是感性与知识上的升华，这就是知识与文化之间的关系。

而我们在前面人工智能中，机器学习需要知识，专家系统需要知识，那么我们知识怎样表示是需要探讨的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 2]

## 状态空间法 ##

*  定义：  
    基于解答空间的问题表示和求解方法，**以状态和算符为基础**表示和求解问题。
 *  三要素：  
    状态、算符、状态空间  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 3]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 4]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 5]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 6]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 7]

# 搜索 #

从问题的表达到问题的求解，有一个搜索的过程，这就是我们需要学习搜索目的。而我们搜索有很多种方法。这里只做介绍。例如：图搜索，盲目搜索，启发式搜索。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 8]

# 确定性推理&不确定性推理 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 9]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 10]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 11]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/fc915831d8c94518a5321bfcfe9fb2e4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20201218174011744.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20201218180753896.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20201218181406340.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201218201930697.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[20201218201715527.png_pic_center]: https://img-blog.csdnimg.cn/20201218201715527.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20201218200428828.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70#pic_center
[20201218202722759.png_pic_center]: https://img-blog.csdnimg.cn/20201218202722759.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20201216215614856.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20201216222652832.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20201216223025377.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20201216223135363.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20201216223145452.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20201216223201654.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20201218203448176.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/2020121820363056.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20201218203541877.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20201218203607170.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyNDExMjE0,size_16,color_FFFFFF,t_70