多模态大模型技术演进及研究框架

青旅半醒 2023-09-25 18:26 57阅读 0赞

#### 一、多模态预训练概述 ####

**多模态表示包含两个或两个以上事物表现形式**

模态是事物的一种表现形式，多模态通常包含两个或者两个以上的模态形式，是从多个视角出发对事物进行描述。生活中常见多 模态表示，例如传感器的数据不仅仅包含文字、图像，还可以包括与之匹配的温度、深度信息等。使用多模态数据能够使得事物呈现更加立体、全面，多模态研究成为当前研究重要方面，在情感分析、机器翻译、自然语言处理 和生物医药前沿方向取得重大突破。

![06ce1bcd1a52400c9091c48cff2302fa.jpeg][]

**Transformer颠覆传统模型，但限于单模态领域**

2017年Transformer被提出，颠覆了传统的深度学习模型，在机器翻译任务上实现了最好性能。Transformer在大规模语料库上进 行自监督预训练，然后在下游任务进行微调受到人们的关注，许多预训练大模型都是遵守这一范式提出，例如BERT、GPT等。 虽然基于Transformer的大模型都取得了很好的效果，但还是限于单一模态（文本）上，无法将其self-attention中良好的泛化 能力迁移到其他模态（图像、视频等）中。Transformer不能迁移图像领域的主要原因在于输入长度限制，以BERT为例，其输入 数据的长度只能支持512，而对于像素为224\*224的图片来讲，其输入远大于512。

**ViT的出现打通了CV和NLP之间壁垒，推动多模态演进**

ransformer （Self-attention）在文本领域优秀的表现吸引着计算机视觉研究者，许多人开始将Transformer机制引入到计算 机视觉。 Transformer限制在于其输入数据大小，需要考虑输入策略。谷歌借鉴前人的思想，在强大的算力资源加持下，提出ViT模型。ViT模型通过将图片进行切割成一个个patch（原文将一张图片切割成16个patch），对patch进行处理，通过线性映射，变成 Transformer可接受的输入，打通了CV和NLP之间的壁垒。

**ViT中的Patch embedding在提取视觉特征方面效率优势明显**

ViT不仅能够让Transformer能够对图像进行处理，而且ViT图像特征提取策略相较于之前的方式效率更高。

**基于Vision Transformer，Video Transformer模型出现**

1、视频领域基于ViT模型推出各类Video Transformer。视频是一个典型的多模态形式，里面包含图像、声音、文字等。 2、在ViT之前，视频方面的任务，如视频理解等，基本是通过3D卷积网络展开的。借鉴ViT思想，许多Video Transformer被提出 来，其中包括TimeSformer， TimeSformer将每一帧视频抽象成图像，并与其前一帧和后一帧相结合进行运算。与3D卷积神经网 络（CNN）相比，TimeSformer 的训练速度大约是其4倍，而推断所需的计算量不足其十分之一。TimeSformer 的高效让在高空间 分辨率（例如高达 560x560 像素的帧）和长视频（包括高达 96 帧）上训练模型成为可能。

**Transformer权重共享决定其适合多模态**

Transformer存在权重共享，模型内部的某些模块可以共享权重参数。Transformer的权重共享主要是由于其自注意力模块和前向 传播网络都和输入序列长度无关。 这种权重共享理念同样适合用于多模态模型中。例如，图文多模态中，图像训练得到的权重参数可以用于训练文本，结果依然有 效，甚至不用fine-tune。 许多多模态模型都借鉴了Transformer里面的权重共享理念，典型的案例包括VLMo模型，该模型首先在BEiT中使用大规模纯图像 数据预训练视觉网络和自注意力模块，然后冻结视觉网络和自注意力模块，通过对大量纯文本数据进行建模训练语言网络，最后 使用视觉-语言预训练整个模型。

**BEiT模型的出现将生成式预训练从NLP迁移到CV上**

生成式预训练是自监督学习重要方法和训练目标，生成式预训练核心是在没有标签或者人工标注的情况下，学习如何产生数据。 生成式预训练在自然语言处理中取得较大成功。BEiT模型的出现，将生成式预训练从NLP迁移到CV上，就是将BERT中的掩码语言 学习（MLM）方法应用到图像领域。之后的MAE模型也是基于BEiT的工作展开的。如果说ViT将Transformer迁移到CV中，那么BEiT 就是将BERT迁移到CV中。

**多模态模型大一统成趋势**

2022年8月，微软推出BEiT-3模型，引领图像、文本、多模态迈向大一统。 BEiT-3提出了掩码图像建模，将masked data modeling引入到图像预训练任务，将图像和文本同等看待，以统一的方式对图像、 文本、图像-文本对进行建模和学习。实际上，微软在2021年11月就推出了统一模型VLMO，使用混合模态专家（MOME）的方式来 进行不同模态中进行预训练，训练出不同的编码器，用于不同的下游任务。BEiT-3在其基础上简化模型并增大预训练数据量，最 终在多项下游任务上表现亮眼。2023年3月15日，微软旗下OpenAI推出多模态大模型GPT-4。

**多模态广泛存在于机器人、数字人、智能家居等领域**

多模态在交互、感知、内容分发等众多领域都有较为重要的地位。 多模态交互在家庭与办公场景下应用广泛，多模态交互可以进一步提升用户与智能家居设备的交互体验，提升了用户完成相同意 图的效率与成功率。 多模态感知包括车场景和语音助手下的用户意图感知，例如，在驾车场景中，随着多屏主控等智能座舱技术进步，各种智能终端 可以通过多模态交互实现意图识别准确率更高的用户体验。多模态内容分发场景下，虚拟人结合动作、表情、情感、文本等信息，输出给用户。

#### 二、多模态预训练关键要素 ####

**图文需要Tokenization和Embedding**

Token是模型输入的基本单元，Embedding是Token映射后的向量，用于计算。 文字方面早期一般使用Word2Vec进行Tokenization，包括CBOW和skip-gram，虽然Word2Vec计算效率高，但是存在着词汇量不足 的问题，因此子词分词法（subword tokenization）被提出，使用字节对编码 （BPE） 将词分割成更小的单元，该方法已被应 用于BERT等众多Transformer模型中。图像的Tokenization要比文本更加复杂，可以分为基于region，基于grid和基于patch三类方式。基于grid的方式直接使用CNN进 行图像网格信息提取，基于region的方式由预训练的目标检测器进行特征提取，基于patch的方式将图像切割成小块，提取小块 上的线性投影。

**多模态模型中要重视视觉特征**

相较于文本特征而言，多模态模型中视觉特征更为重要。 当前多模态预训练大模型中，不论CLIP、UNITER还是ViLT，在模型构造方面，视觉特征的embedding层数或者复杂度要超过文本 特征，体现出视觉特征更重要，多模态需要从视觉特征中学习到更多知识。 根据METER模型中的数据显示，在视觉特征端进行优化对结果产生的影响要远大于对文本端进行的优化。

**如何设计学习目标是多模态训练的重要一步**

学习目标是多模态预训练非常重要的一步，目前的多模态的预训练学习任务主要包括图文对比（ITC）、掩码语言学习（MLM）、 掩码视觉学习（MVM）、图文匹配（ITM）等。 ITC是通常构造正负样本对，通过对比学习方式，对齐图像和文本； ITM可以看作是一个二分类任务，目标是预测一对图像和文本是否匹配； MLM是让模型学习语言和视觉内容之间的隐式关系，目标是从已知的语言和视觉内容中重建掩码语言标记； 此外还包括掩码物体分类（MOC）、掩码物体回归（MOR）、行为预测（AP）、图文生成（ITG）等。

**不同的多模态预训练学习目标可能带来不一样的结果**

同时使用不同的预训练学习目标可能会增强多模态模型的效果，例如UNITER模型中，使用更多的学习目标效果一般要更好， UNITER使用MLM+ITM+MRC-kl+MRFR+WRA等多个学习目标在在多个细分场景下表现要更好。 使用过多的学习目标可能效果并不好。例如，METER模型中，在MLM和ITM上再加入MIM学习模型，效果比使用单个学习目标要好， 但不如仅仅使用两个学习目标，这一方面可能是学习目标之间的冲突导致的，另外一方面可能是图像中存在噪声，MIM重建图像 噪声的监督学习没有任何意义导致的。

#### 三、主要模型与下游场景 ####

**CLIP：使用对比学习实现图文对齐**

CLIP：2021年由OpenAI提出，利用文本信息监督视觉任务自训练，训练数据集为40亿个“文本-图像”对，采用Transformer模型对 图像的patch序列进行建模，将不同模态的原始数据映射到统一或相似的语义空间，实现不同模态信号间的相互理解，拥有寻找不 同模态数据间关系的能力。

CLIP在zero-shot上表现较好。与CV中常用的先预训练然后微调不同，CLIP可以直接使用prompt进行零样本学习图像分类，即不需 要任何训练数据，就能在某个具体下游任务上实现分类。

**DALL·E2：基于CLIP实现更强大的图文跨模态生成**

DALL·E2：基于CLIP实现文本与图像的联系，基于Diffusion从视觉语义生成图像。 2022年4月由OpenAI提出，在DALL·E1的基础上进行了改进和升级，分辨率从从256x256提升到了1024 x 1024，准确性也得到了较 大提升。除此之外，其还可以实现以下功能：1）根据文本生成图片；2）将图像扩展到画布之外；3）根据文本对图像进行编辑， 实现添加或删除元素；4）给定一张图片生成保持原风格的变体。 DALL·E2模型可以分为两部分。首先是利用CLIP文本编码器将图像描述映射到表示空间 ，其次利用前向扩散从CLIP文本编码映射 到相应的CLIP图像编码，最后通过反向扩散从表示空间映射到图像空间，生成众多可能图像中的一个。 总体来说， DALL·E2实现了功能更齐全的图文跨模态生成，图片的真实性和准确度也较以往的产品有了不错的提升。但是在生成 一些复杂图片的细节方面， DALL·E2仍面临着一些挑战。

**KOSMOS-1：全能型大语言模型**

KOSMOS-1：将多模态特征嵌入到Transformer模型中，基于统一的模型架构实现不同模态的对齐。 2023年3月由微软提出，其可以实现文本学习、文本生成等任务，还能够将文本以外的模态（如视觉图像、语音）嵌入到模型中。 研究证明，在多个下游任务中，该模型具有非常优异的性能，例如在语言理解、视觉问答、多模态对话等。KOSMOS-1模型的参数总 量为16亿。 我们认为，随着技术的不断发展和迭代，跨模态模型处理更多模态问题的能力将不断增强，多模态感知的大融合是迈向通用人工智 能的关键一步。

**GPT-4：支持图像输入的ChatGPT升级版**

2023年3月14日，OpenAI发布GPT-4。GPT-4沿袭了过去GPT路线，在GPT中引入RLHF机制，并且输入窗口更大，更适合处理长文本， GPT-4的上下文长度为8192个token，远高于GPT-3的2048个token。GPT-4文字输入限制提升到了2.5万字，回答准确率姚显著高于前 模型。GPT-4在各类职业/学术考试上表现优秀，与人类相当，比如模拟律师考试，GPT-4取得了前10%的好成绩，而GPT-3.5是倒数 10%。GPT-4训练过程更加稳定，且响应不被允许请求的概率也大幅度降低。

#### 四、未来方向及演进趋势 ####

**多模态模型要更大，模态要更多**

多模态大模型需要更深层次的网络和更大的数据集进行预训练。多模态大模型多基于Transformer架构进行预训练，而 Transformer因其架构特点，未看到过拟合趋势，模型大小、数据集都未有饱和趋势，CLIP等模型也验证了数据量的大小将使得 模型性能提升。以语言模型GPT为例，其从GPT1-3模型大小和预训练数据量均是逐步提升，和语言模型中类似，多模态大模型模 型大小和数据量要逐步提升，例如，谷歌前不久发布的多模态模型PaLM-E，具有5620 亿参数。 现有的多模态预训练大模型通常在视觉和语言两种模态上进行预训练，未来可以获取更多模态进行大规模预训练，包括图像、文 本、音频、时间、热图像等，基于多种模态数据的预训练大模型具有更广阔的应用潜力。

**多模态模型训练要加速**

虽然多模态大模型在多个领域取得了巨大成功，但是多模态模型对算力的要求还是对模型的训练造成了很大的难题，因此对模型 训练加速提出了进一步要求。 DeCLIP在CLIP基础上，通过改进数据处理方式加速模型训练；ViLT通过对使用更加有效率的方式对图像特征进行编码提升后续效 率；此外，训练过程中的并行策略、显存优化、模型稀疏性等均可以提升模型计算效率。

**多模态大模型将走向“真正统一”**

以微软KOSMOS-1为代表，将图像、音频进一步编码成文本格式，统一成文本进行融合，KOSMOS-1 的模型主干是一个基于 Transformer 的因果语言模型，Transformer 解码器用作多模态输入的通用接口，除了文本之外，其他模态也能被嵌入并输入到 该模型中。谷歌发布PaLM-E，使用Uni-Perceiver，打造“通才”，将不同模态的数据编码到统一的表示空间中，并将不同任务 统一为相同的形式。

**多模态预训练将引入更多外部知识**

多模态模型的知识是从预训练数据集得到的，但一些任务，例如视觉问答非常依赖常识信息，这些信息是从特定任务数据集中没 法学习到，因此可以将外部知识引入到模型中，补充模型知识，从而在一些问答任务场景下取得更好的成绩。

MAVEx模型使用当前先进的 VQA 模型生成一组候选答案，再将问题和候选答案解析，以检索外部知识，最后预测每个知识来源对 每个候选答案的可信度，预测最匹配的答案。MAVEx 展示了答案引导知识检索的明显优势，在 OK-VQA 数据集上实现了最先进的 性能。随着多模态模型变大，最终训练出来的模型会越来越好，伴随更多模态的加入，最终多模态大模型会应用在越来越多方面， AI正加速奔向通用AI。

#### 报告节选： ####

![45d38edfa56841c938e1d6266f5094cc.jpeg][]

![5c1cb75f30703c1bb6af2ff09fca1097.jpeg][]

![314f6ed019751791dc37668b59fd8ca2.jpeg][]

![cff7df0e632ba268828791cacc7c0157.jpeg][]

![eb442556be39f15ba411fc07319fb4ba.jpeg][]

![16ed10839e2d0170266d1e5f7ad9c909.jpeg][]

![785f9d3c45a6ae90c9b0032ff3dba730.jpeg][]

![db956fe27d3b656e8a0f03f47ed9985b.jpeg][]

![454c7c4b44726c4a502eb7774a13b90e.jpeg][]

![5c8834f5d4c60cac9aa56688f4ce854d.jpeg][]

![a78924a280b9cd4bcabbe6b043af1e3b.jpeg][]

![c197975890efb47b31c4f4d2d21ad34d.jpeg][]

![fe93b2f3e2cc8e132f4b9d16a11c8a4d.jpeg][]

![07ba2ed2ac4628768a33f8a8bd9c1f71.jpeg][]

![4b74fb8737d7ec6c5d22ec79d72065fb.jpeg][]

![1c2416098c527e221cbeab4602226a75.jpeg][]

![f016a4adc4a87ce1385398a0f2baaf77.jpeg][]

![85a0c22b5bef04f9f1a9eb6dcbb8f6e5.jpeg][]

![728024c3bdea52c72e09efa8ad2b298a.jpeg][]

![36e1b2c68b1b12837aea3b54c279f6d1.jpeg][]

![9b4f84c483add7488d3c9029b319fa04.jpeg][]

![71dbfc4134ad9e3106c0f6c0a6989d2e.jpeg][]

![4d2051feee722303c81aedacfd475e54.jpeg][]

![769834072459c881014f4543d01470c1.jpeg][]

![d33d09f037de5329fd4d8ae577bfea2e.jpeg][]

![755b98257a7949d374e0e84e2ca51784.jpeg][]

![17510ee0cf9851d3acd55477bd75e9d0.jpeg][]

![fec1d48938877c349f8d0d70f7dd8ed4.jpeg][]

![7bd7db0609f4d6871de7a36741d9d9a3.jpeg][]

![68d0c0729c8b8f4efadce05db51277a5.jpeg][]

![48a47bb9c36b19dfec25ab644382e996.jpeg][]

![7e38fc1b6715c82f04878518d29ce82a.jpeg][]

![24ce1a63b234ead7058b27a95fde24e8.jpeg][]

![b2a331e47964b780512028f459b810ee.jpeg][]

![1d7c1a6623aec8743aa9fe4f57429047.jpeg][]

![00a565e09f29dec34697ae69ffeef8e3.jpeg][]

![d45cfb8116130617858e49e767f4e7db.jpeg][]

![8d7a7993e58a2a34d4afdb4da03dffef.jpeg][]

![fc1ff88d8d7f37426b3eaa81cadb0187.jpeg][]

![6266f911c02758c0625881ac976380c9.jpeg][]

![9d88366ebd23dd353d6c0ab2be8f16cd.jpeg][]

![5d56b4df0ed7dd7cdf1a3a4abbdec5c9.jpeg][]

[计算机行业专题报告：多模态大模型技术演进及研究框架][Link 1]

[06ce1bcd1a52400c9091c48cff2302fa.jpeg]: https://img-blog.csdnimg.cn/img_convert/06ce1bcd1a52400c9091c48cff2302fa.jpeg
[45d38edfa56841c938e1d6266f5094cc.jpeg]: https://img-blog.csdnimg.cn/img_convert/45d38edfa56841c938e1d6266f5094cc.jpeg
[5c1cb75f30703c1bb6af2ff09fca1097.jpeg]: https://img-blog.csdnimg.cn/img_convert/5c1cb75f30703c1bb6af2ff09fca1097.jpeg
[314f6ed019751791dc37668b59fd8ca2.jpeg]: https://img-blog.csdnimg.cn/img_convert/314f6ed019751791dc37668b59fd8ca2.jpeg
[cff7df0e632ba268828791cacc7c0157.jpeg]: https://img-blog.csdnimg.cn/img_convert/cff7df0e632ba268828791cacc7c0157.jpeg
[eb442556be39f15ba411fc07319fb4ba.jpeg]: https://img-blog.csdnimg.cn/img_convert/eb442556be39f15ba411fc07319fb4ba.jpeg
[16ed10839e2d0170266d1e5f7ad9c909.jpeg]: https://img-blog.csdnimg.cn/img_convert/16ed10839e2d0170266d1e5f7ad9c909.jpeg
[785f9d3c45a6ae90c9b0032ff3dba730.jpeg]: https://img-blog.csdnimg.cn/img_convert/785f9d3c45a6ae90c9b0032ff3dba730.jpeg
[db956fe27d3b656e8a0f03f47ed9985b.jpeg]: https://img-blog.csdnimg.cn/img_convert/db956fe27d3b656e8a0f03f47ed9985b.jpeg
[454c7c4b44726c4a502eb7774a13b90e.jpeg]: https://img-blog.csdnimg.cn/img_convert/454c7c4b44726c4a502eb7774a13b90e.jpeg
[5c8834f5d4c60cac9aa56688f4ce854d.jpeg]: https://img-blog.csdnimg.cn/img_convert/5c8834f5d4c60cac9aa56688f4ce854d.jpeg
[a78924a280b9cd4bcabbe6b043af1e3b.jpeg]: https://img-blog.csdnimg.cn/img_convert/a78924a280b9cd4bcabbe6b043af1e3b.jpeg
[c197975890efb47b31c4f4d2d21ad34d.jpeg]: https://img-blog.csdnimg.cn/img_convert/c197975890efb47b31c4f4d2d21ad34d.jpeg
[fe93b2f3e2cc8e132f4b9d16a11c8a4d.jpeg]: https://img-blog.csdnimg.cn/img_convert/fe93b2f3e2cc8e132f4b9d16a11c8a4d.jpeg
[07ba2ed2ac4628768a33f8a8bd9c1f71.jpeg]: https://img-blog.csdnimg.cn/img_convert/07ba2ed2ac4628768a33f8a8bd9c1f71.jpeg
[4b74fb8737d7ec6c5d22ec79d72065fb.jpeg]: https://img-blog.csdnimg.cn/img_convert/4b74fb8737d7ec6c5d22ec79d72065fb.jpeg
[1c2416098c527e221cbeab4602226a75.jpeg]: https://img-blog.csdnimg.cn/img_convert/1c2416098c527e221cbeab4602226a75.jpeg
[f016a4adc4a87ce1385398a0f2baaf77.jpeg]: https://img-blog.csdnimg.cn/img_convert/f016a4adc4a87ce1385398a0f2baaf77.jpeg
[85a0c22b5bef04f9f1a9eb6dcbb8f6e5.jpeg]: https://img-blog.csdnimg.cn/img_convert/85a0c22b5bef04f9f1a9eb6dcbb8f6e5.jpeg
[728024c3bdea52c72e09efa8ad2b298a.jpeg]: https://img-blog.csdnimg.cn/img_convert/728024c3bdea52c72e09efa8ad2b298a.jpeg
[36e1b2c68b1b12837aea3b54c279f6d1.jpeg]: https://img-blog.csdnimg.cn/img_convert/36e1b2c68b1b12837aea3b54c279f6d1.jpeg
[9b4f84c483add7488d3c9029b319fa04.jpeg]: https://img-blog.csdnimg.cn/img_convert/9b4f84c483add7488d3c9029b319fa04.jpeg
[71dbfc4134ad9e3106c0f6c0a6989d2e.jpeg]: https://img-blog.csdnimg.cn/img_convert/71dbfc4134ad9e3106c0f6c0a6989d2e.jpeg
[4d2051feee722303c81aedacfd475e54.jpeg]: https://img-blog.csdnimg.cn/img_convert/4d2051feee722303c81aedacfd475e54.jpeg
[769834072459c881014f4543d01470c1.jpeg]: https://img-blog.csdnimg.cn/img_convert/769834072459c881014f4543d01470c1.jpeg
[d33d09f037de5329fd4d8ae577bfea2e.jpeg]: https://img-blog.csdnimg.cn/img_convert/d33d09f037de5329fd4d8ae577bfea2e.jpeg
[755b98257a7949d374e0e84e2ca51784.jpeg]: https://img-blog.csdnimg.cn/img_convert/755b98257a7949d374e0e84e2ca51784.jpeg
[17510ee0cf9851d3acd55477bd75e9d0.jpeg]: https://img-blog.csdnimg.cn/img_convert/17510ee0cf9851d3acd55477bd75e9d0.jpeg
[fec1d48938877c349f8d0d70f7dd8ed4.jpeg]: https://img-blog.csdnimg.cn/img_convert/fec1d48938877c349f8d0d70f7dd8ed4.jpeg
[7bd7db0609f4d6871de7a36741d9d9a3.jpeg]: https://img-blog.csdnimg.cn/img_convert/7bd7db0609f4d6871de7a36741d9d9a3.jpeg
[68d0c0729c8b8f4efadce05db51277a5.jpeg]: https://img-blog.csdnimg.cn/img_convert/68d0c0729c8b8f4efadce05db51277a5.jpeg
[48a47bb9c36b19dfec25ab644382e996.jpeg]: https://img-blog.csdnimg.cn/img_convert/48a47bb9c36b19dfec25ab644382e996.jpeg
[7e38fc1b6715c82f04878518d29ce82a.jpeg]: https://img-blog.csdnimg.cn/img_convert/7e38fc1b6715c82f04878518d29ce82a.jpeg
[24ce1a63b234ead7058b27a95fde24e8.jpeg]: https://img-blog.csdnimg.cn/img_convert/24ce1a63b234ead7058b27a95fde24e8.jpeg
[b2a331e47964b780512028f459b810ee.jpeg]: https://img-blog.csdnimg.cn/img_convert/b2a331e47964b780512028f459b810ee.jpeg
[1d7c1a6623aec8743aa9fe4f57429047.jpeg]: https://img-blog.csdnimg.cn/img_convert/1d7c1a6623aec8743aa9fe4f57429047.jpeg
[00a565e09f29dec34697ae69ffeef8e3.jpeg]: https://img-blog.csdnimg.cn/img_convert/00a565e09f29dec34697ae69ffeef8e3.jpeg
[d45cfb8116130617858e49e767f4e7db.jpeg]: https://img-blog.csdnimg.cn/img_convert/d45cfb8116130617858e49e767f4e7db.jpeg
[8d7a7993e58a2a34d4afdb4da03dffef.jpeg]: https://img-blog.csdnimg.cn/img_convert/8d7a7993e58a2a34d4afdb4da03dffef.jpeg
[fc1ff88d8d7f37426b3eaa81cadb0187.jpeg]: https://img-blog.csdnimg.cn/img_convert/fc1ff88d8d7f37426b3eaa81cadb0187.jpeg
[6266f911c02758c0625881ac976380c9.jpeg]: https://img-blog.csdnimg.cn/img_convert/6266f911c02758c0625881ac976380c9.jpeg
[9d88366ebd23dd353d6c0ab2be8f16cd.jpeg]: https://img-blog.csdnimg.cn/img_convert/9d88366ebd23dd353d6c0ab2be8f16cd.jpeg
[5d56b4df0ed7dd7cdf1a3a4abbdec5c9.jpeg]: https://img-blog.csdnimg.cn/img_convert/5d56b4df0ed7dd7cdf1a3a4abbdec5c9.jpeg
[Link 1]: https://www.baidu.com/s?wd=%E5%A4%9A%E6%A8%A1%E6%80%81%E5%A4%A7%E6%A8%A1%E5%9E%8B&rsv_spt=1&rsv_iqid=0x958366ea00012f39&issp=1&f=8&rsv_bp=1&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_dl=tb&rsv_sug3=19&rsv_sug1=10&rsv_sug7=100&rsv_sug2=0&rsv_btype=i&inputT=4414&rsv_sug4=6348