企业官网建设流程全解析

简介：面向小程序端的猫狗表情识别工程，基于Python与PyTorch构建，内含完整图片数据集与训练、部署代码，适合有基础深度学习知识、想实现前后端识别应用的开发者和学生。工程覆盖数据集预处理（短边补灰边、旋转扩增）、训练集/验证集文本生成、模型训练、Flask服务端以及小程序前端展示页面，可直观理解从数据准备到服务上线的完整流程。压缩包共492个文件，以468张jpg图片数据集为主，配合3个Python脚本、6个json配置、小程序相关js/wxml/wxss文件以及环境依赖txt，包体仅30.88MB，便于快速下载与运行。目前已吸引156人学习，对于希望复现一个小型深度学习识别项目或作为毕业设计/课程作业参考的读者，是一份轻量且结构清晰的实用素材。

1. 猫狗表情识别不是猫狗分类：这个压缩包到底解决什么问题

看到这个标题的读者，十有八九是想拿猫狗表情识别做一个练手项目或毕业设计。别急着解压那份 zip，先想清楚一个问题：它最终要给谁用。如果只是本地跑一个 predict.py，那标题前半段“小程序版”就多余了；既然压缩包里带了图片数据集和微信小程序端，说明这是一条完整链路：小程序负责拍照和展示，Python 深度学习模型在服务端做推理。

猫狗表情识别比猫狗分类难一个量级。狗的耳朵形态、嘴部结构差异远大于人脸的微笑和愤怒，模型非常容易把“张嘴”当“开心”，把“飞机耳”当“害怕”，这跟做人脸情绪识别完全是两套思路。这套项目适合两类人：想系统走一遍深度学习实战全流程的学生，以及需要一个手机端产品原型的开发者。本文就按数据组织、模型训练、后端接口、小程序对接的顺序把这条链路拆开，包括我踩过的坑和调参经验。

2. 架构怎么拆：微信小程序做前端，Python 后端扛推理

很多初学者拿到这个压缩包，第一个念头是把模型塞进手机里跑。如果你是纯本地实验，那没问题；但一旦涉及微信小程序，这条路基本走不通，下面先说清楚为什么，再给出一套可落地的架构分工。

2.1 为什么不在微信小程序里直接跑深度学习模型

微信小程序的包体积限制是硬约束。主包不能超过 2MB，整个小程序总包一般限制在 20MB 以内，一个 MobileNetV3 的 ONNX 模型文件就要 15MB 左右，ResNet18 更是直接奔着 45MB 去，光模型就把包撑爆了，还不算框架运行时。这是第一道坎。

其次是推理性能。小程序的运行环境是 WebView 加 JSCore，普通的 JS 引擎跑图像预处理都吃力，更别说跑卷积运算。就算用 TensorFlow.js 或 ONNX Runtime Web 勉强推理，用户的手机性能差异极大，中低端安卓机上一张 224x224 的图可能要等两三秒，体验很难接受。

第三个问题是模型更新。深度学习模型大概率要迭代，你今天部署 v1，明天发现猫的“生气”样本不够，要重新训练。模型在服务端，你只需要替换一个文件；模型在客户端，你得发版、过审、等用户更新，周期以天计。所以这个压缩包最合理的架构就是：微信小程序端只做图片采集、压缩、展示和请求，Python 后端负责加载模型、跑推理、返回结构化结果。

数据流一句话就能说清：小程序把图片压缩后转成 base64 字符串，POST 到 Python 后端的/predict接口，后端解码、预处理、送入模型，再返回“类别 + 置信度”的 JSON。第 4 章会给完整代码。

2.2 后端框架选型：Flask 够用，FastAPI 更舒服

这个压缩包的 Python 后端部分，最常带的往往是 Flask 版本，原因是它依赖最少、源码最容易看懂，对刚开始接触深度学习落地的读者最友好。Flask 的 wsgi 模型是同步的，一个请求占一个 worker 线程，对于个人项目、毕设演示、内部工具来说完全够用。

我自己的习惯是：如果只是把模型包成接口给小程序调，用 Flask；如果还想加批量预测、流式返回、自动生成 Swagger 文档，那优先 FastAPI。FastAPI 的异步机制在处理并发时更有优势，但代价是引入 pydantic 和 uvicorn，心智负担高一点。

# 常见做法：先建虚拟环境，再装依赖 python -m venv venv source venv/bin/activate # Windows 上是 venv\Scripts\activate pip install flask torch torchvision pillow

装依赖这一步很多人踩坑。PyTorch 的 CPU 版和 GPU 版安装方式不同，如果你只是部署一个识别服务，CPU 版足够；如果你要训练模型，才需要装 CUDA 版。建议到官网按操作系统和 CUDA 版本复制安装命令，不要直接用pip install torch，那会默认装 CPU 版，训练慢到你怀疑人生。

2.3 模型选型：ResNet18 打底，MobileNet 留给手机端

猫狗表情识别是一个典型的图像分类问题，输入一张图片，输出一个类别。这类问题不需要上 Transformer 之类的复杂结构，一个在 ImageNet 上预训练过的 CNN 模型，迁移到猫狗表情数据集上，效果就非常能打。

这个项目里标签组合很关键。最常见的标签设计是四类：

注意这里把“猫狗分类”和“表情分类”合并成了一个四分类问题，而不是先做猫狗二分类再做表情二分类。原因很简单：数据集是配套的，四类标签直接对应四个目录，用 ImageFolder 就能加载，训练路径最短。如果你拿到的是猫、狗、表情分开标注的数据集，才需要改成先检测再分类的两段式方案。

模型方面，第 3 章的训练代码我会用 ResNet18，它在 torchvision 里有预训练权重，模型文件约 45MB，放在服务器上没有任何压力。如果你想让模型更轻量，把训练代码里的resnet18换成mobilenet_v3_small，其他部分不用改，权重文件立刻降到 10MB 左右。这个替换成本极低，建议在两台机器上都试一下，对比准确率和推理耗时的差距。

3. 用自带图片数据集训练 CNN：目录结构、数据增强与迁移学习参数

训练是整套系统里最“玄学”的环节，很多读者拿到压缩包直接跑训练脚本，发现 val_acc 卡在 70% 上不去，然后开始怀疑数据有问题。其实大部分情况是目录结构没理解对、增强参数没调、迁移学习的冻结策略不对。这一章把这些事情依次说透。

3.1 数据集的目录结构：先搞清楚标签是什么

解压图片数据集之后，第一件事不是看图片长什么样，而是看目录结构。这套项目常见的数据组织方式是 ImageFolder 格式，也就是每个类别一个目录，目录名就是标签。

# 期望的目录结构（以项目实际解压结果为准） data/ ├── train/ │ ├── cat_happy/ │ ├── cat_angry/ │ ├── dog_happy/ │ └── dog_angry/ └── valid/ ├── cat_happy/ ├── cat_angry/ ├── dog_happy/ └── dog_angry/

如果压缩包里解压出来只有一个总目录，没有划分 train 和 valid，你需要自己按比例切分。我一般写一个split.py，把每个类别的图片随机取 85% 放进 train，15% 放进 valid。这个操作千万别省，动手深度学习的第一步就是建立数据集的信任——不划分验证集，你根本不知道模型训练到什么程度算好，后面的一切调参都是对着空气打拳。

验证集划分还有一个容易忽略的点：同一个来源的相似图片可能被分到 train 和 valid 两边，导致验证集准确率虚高。这个压缩包的图片大多来自互联网爬取，同一视频抽帧的连续帧很可能重复出现，建议划分时用文件名前缀或图片哈希做个简单的去重，能减少一部分“假高分”。

3.2 数据增强的 transforms：表情识别对局部特征更敏感

猫狗表情识别的难点在于，表情差异往往体现在嘴部、耳朵、眼睛这些局部区域，而猫狗的品种差异会带来巨大的整体外观变化。如果只做简单的 Resize，模型很容易学会“识别品种”而不是“识别表情”，因为品种特征比表情特征更容易学。

# dataset.py from torch.utils.data import DataLoader from torchvision import datasets, transforms # 训练集增强：尺度、翻转、旋转、颜色抖动 train_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 验证集只做 Resize 和标准化，不做随机增强 valid_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) train_dataset = datasets.ImageFolder("data/train", transform=train_transforms) valid_dataset = datasets.ImageFolder("data/valid", transform=valid_transforms) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4) valid_loader = DataLoader(valid_dataset, batch_size=32, shuffle=False, num_workers=4)

RandomRotation 我建议只给 10 到 15 度。猫狗照片大多是水平视角，旋转角度太大，会把地面、天花板拍进来，反而让模型学到不真实的角度特征。ColorJitter 的亮度对比度扰动也是同理：给 0.2 是模拟手机在不同光线下的成像差异，给到 0.5 以上，图片颜色严重失真，模型学到的颜色分布和真实场景脱节。

Resize 到 224x224 是 ResNet 系列的标准输入，这个值不要随便改。改小了模型的分辨率不够，表情细节丢失；改大了会增加显存占用，而且 ImageNet 预训练权重是在 224 分辨率上学习的，迁移时硬用 384 分辨率，效果往往不升反降。

3.3 迁移学习训练：冻结与解冻的四个必调参数

训练部分直接上代码。这里用 PyTorch 加载 ImageNet 预训练的 ResNet18，把最后一层换成 4 分类输出，并冻结前三个 block，只训练最后一个 block 和全连接层。这是迁移学习的标准做法。

# train.py 核心片段 import torch import torch.nn as nn import torchvision.models as models # 加载 ImageNet 预训练权重 model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) num_classes = len(train_dataset.classes) # 4 model.fc = nn.Linear(model.fc.in_features, num_classes) # 冻结前三个 block，只训练 layer4 和 fc for name, param in model.named_parameters(): if "layer4" not in name and "fc" not in name: param.requires_grad = False criterion = nn.CrossEntropyLoss() # 只把 requires_grad=True 的参数传给优化器 optimizer = torch.optim.Adam( filter(lambda p: p.requires_grad, model.parameters()), lr=1e-4, ) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.5)

这里重点说四个参数。第一个是lr=1e-4：迁移学习微调时，预训练权重已经很接近最优解，学习率太大一步就把学好的特征冲没了，1e-4 是我试过最稳的起点。第二个是step_size=5, gamma=0.5：每 5 个 epoch 学习率减半，让训练后期在小步长下精细收敛。第三个是batch_size=32：对 224x224 的 ResNet18，8GB 显存能跑 32，16GB 显存可以试 64，再大收益有限。第四个是冻结策略：这里冻结到layer4之前，如果你的数据集很小（几百张），可以冻结更多层；数据集够大（几千张），可以只冻结layer3之前，让更多层参与微调。

训练 epoch 数我一般设置在 25 到 30 之间，每 5 个 epoch 在验证集上算一次准确率，保存验证集准确率最高的权重为best_model.pth。注意保存时用torch.save(model.state_dict(), "best_model.pth")，别整个 model 直接存，后者在加载时和类定义耦合紧密，换个文件名或目录就报错。

3.4 训练完别急着部署：先看损失曲线的形态

训练脚本跑完，如果验证集准确率到了 88% 以上，可以进入部署阶段。如果卡在 80% 以下，先别调模型结构，回去看两个东西。

第一个是训练集和验证集的准确率差距。如果训练集 95%、验证集 75%，这是典型的过拟合，对应的做法是增强数据增强的强度、加入 Dropout、或者把模型换成参数量更小的 MobileNetV3。第二个是 loss 曲线是不是“锯齿状”剧烈震荡，这说明学习率太大，把初始学习率从 1e-4 降到 3e-5，震荡通常会缓解。

我在实操中遇到过 loss 一直在 1.3 左右死活不降的情况，反复检查才发现数据增强里加了RandomGrayscale(p=0.5)，一半图变成灰度，颜色特征被严重破坏。这类翻车很隐蔽，排查时先逐步注释增强项，把增强强度降到零，确认模型能过拟合训练集，再一项项加回来。

4. 把模型接到小程序：Flask 接口与 wx.request 的完整链路

模型训练完毕，剩下的工作就是把模型从“训练产物”变成“可被小程序调用的服务”。这一章给出一套能直接跑通的最小实现，涉及后端接口、小程序端请求、以及真机调试时的域名配置。

4.1 后端推理接口：接收 base64，返回类别和置信度

推理接口的核心就三件事：接收图片数据、预处理、返回结构化结果。这里选择 base64 字符串而不是 multipart 文件上传，原因有两个：小程序端读取本地文件转 base64 非常方便，不需要引入上传组件；后端解析 base64 不需要处理临时文件，减少磁盘 IO 和清理逻辑。

# app.py import base64 import io import torch from flask import Flask, request, jsonify from PIL import Image from torchvision import transforms app = Flask(__name__) # 加载训练好的权重，模型结构要和训练时保持一致 model = models.resnet18(weights=None) model.fc = nn.Linear(model.fc.in_features, 4) model.load_state_dict(torch.load("best_model.pth", map_location="cpu")) model.eval() classes = ["cat_angry", "cat_happy", "dog_angry", "dog_happy"] # 注意：推理时的预处理不能包含随机增强 infer_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) @app.route("/predict", methods=["POST"]) def predict(): data = request.get_json() if not data or "image" not in data: return jsonify({"error": "missing image"}), 400 try: img_bytes = base64.b64decode(data["image"]) img = Image.open(io.BytesIO(img_bytes)).convert("RGB") except Exception: return jsonify({"error": "invalid image"}), 400 tensor = infer_transforms(img).unsqueeze(0) with torch.no_grad(): logits = model(tensor) prob = torch.softmax(logits, dim=1) idx = torch.argmax(prob, dim=1).item() return jsonify({ "label": classes[idx], "confidence": round(float(prob[0][idx]), 4), }) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)

代码里有两处细节值得注意。第一处是img.convert("RGB")：很多手机拍出来的图片可能是带透明通道的 PNG，PIL 读进来是四通道，直接送进模型会报通道数不匹配，convert 统一成三通道是从根源上规避这个错误。第二处是model.eval()：PyTorch 的 BatchNorm 和 Dropout 在训练和推理时行为不同，不调用 eval 模式，预测结果会有随机性，同一个输入两次输出不一样。

confidence用round限制到 4 位小数，是为了让返回的 JSON 更干净，也给前端一个明确的数据格式。输出的 label 我建议用英文标识，因为小程序端可以根据这个字符串做中文本地化，减少前后端耦合。

4.2 小程序端请求：chooseMedia、压缩、转 base64

小程序端的调用链路是：用户选图或拍照 → 压缩 → 读文件转 base64 → wx.request POST → 渲染结果。这里给出核心的 JS 代码。

// pages/index/index.js Page({ data: { resultText: '', confidence: 0, previewPath: '', }, async onChooseImage() { const res = await wx.chooseMedia({ count: 1, mediaType: ['image'], sizeType: ['compressed'], }); const filePath = res.tempFiles[0].tempFilePath; this.setData({ previewPath: filePath }); const base64 = this.fileToBase64(filePath); this.predict(base64); }, fileToBase64(filePath) { const fs = wx.getFileSystemManager(); const buffer = fs.readFileSync(filePath); return wx.arrayBufferToBase64(buffer); }, predict(base64) { wx.showLoading({ title: '识别中' }); wx.request({ url: 'http://127.0.0.1:5000/predict', method: 'POST', header: { 'Content-Type': 'application/json' }, data: { image: base64 }, success: (resp) => { if (resp.statusCode === 200) { this.setData({ resultText: resp.data.label, confidence: resp.data.confidence, }); } else { wx.showToast({ title: '识别失败', icon: 'none' }); } }, fail: () => wx.showToast({ title: '网络错误', icon: 'none' }), complete: () => wx.hideLoading(), }); }, });

wx.chooseMedia是当前推荐的选图接口，它替代了老旧的wx.chooseImage，支持拍照和相册二选一，返回的tempFiles数组里每个元素带tempFilePath临时路径。sizeType: ['compressed']是关键参数，让微信先做一次有损压缩，虽然只是压缩到 720p 级别，但能让后端的解码和推理压力小一个档次。

fileToBase64里用了wx.getFileSystemManager().readFileSync同步读取，配合wx.arrayBufferToBase64转成字符串。这里有个小坑：大图转出来的 base64 字符串可能有几百 KB，微信小程序的wx.request对请求体大小有限制，超过 1MB 会被直接拒绝。所以小程序端压缩是必选动作，不是可选优化。

4.3 域名与真机调试：开发工具和线上环境的三点差异

这是初学者翻车率最高的区域，单独拿出来说。在微信开发者工具里，默认情况下wx.request只能请求合法域名，但开发模式下有一个开关可以绕过这个限制。

提示：在开发者工具的“详情 → 本地设置”中勾选“不校验合法域名、web-view（业务域名）、TLS 版本以及 HTTPS 证书”，开发阶段才能请求http://127.0.0.1:5000这样的本地地址。这个开关只在开发工具有效，真机预览上依然会拦截。

真机上的情况更严苛。手机访问电脑上的后端服务，需要电脑和手机在同一局域网，后端启动时app.run(host="0.0.0.0")让它监听所有网卡，然后手机请求电脑的局域网 IP，比如http://192.168.1.100:5000/predict。但真机预览模式下，微信对“不校验域名”的约束依然生效，非 https 域名大概率被拦。

所以正式上线时有两件事必须做：一是把后端部署到一台有公网 IP 的服务器上，配置 HTTPS 证书；二是在微信小程序管理后台的“开发管理 → 服务器域名”中添加你的 HTTPS 域名到 request 合法域名列表。注意这里有个前提——域名备案，且必须用 443 端口，不能自定义端口。如果你只是本地演示，卡在局域网阶段就够了；如果要做给外人看，服务器加备案是绕不开的。

5. 训练到上手机的避坑清单：现象、原因、解决办法

这一章是血泪经验的汇总。以下五类问题我在不同项目里反复见到，覆盖了数据、训练、部署三个阶段。

5.1 训练 acc 虚高，一上真实照片就翻车

现象：验证集准确率 92%，用小程序的摄像头对着自家猫狗拍，识别结果完全离谱。

原因：验证集图片和训练集图片来自同一个数据源，光线、角度、清晰度高度相似。真实照片的光线条件和手机压缩画质是训练集里没有的分布。这是最常见的模型过拟合变体——模型记住了数据源的风格，而不是表情的本质。

解决：划分验证集时不要用随机抽样，尽量按图片来源分组，确保验证集来源不和训练集重叠。更简单的方法是留出 20 张真实拍摄的照片，训练结束后单独做一个 sanity check。这一步不能省，它相当于部署前最后一道质检。

5.2 训练时 loss 降到 0.3 以下，但 val_acc 连续 10 个 epoch 不涨

现象：训练集 loss 一路走低，验证集准确率却停在 75% 左右。

原因：模型进入过拟合区间，训练集学得太好，泛化能力没有跟上来。在表情识别这个场景里，最常见的原因是数据增强太弱，模型很快就“背”下了训练集里的图片分布。

解决：先把训练集和验证集准确率的差距记下来。差距大于 15%，说明过拟合严重。把RandomRotation从 10 度调到 20 度，加上RandomResizedCrop模拟不同构图的图片，再把ColorJitter的饱和度扰动从 0.2 提到 0.3。增强强度每调整一次，重新训练一轮，观察差距是否缩小。

5.3 加载模型报“Missing key(s) in state_dict”

现象：后端启动时报错，提示加载 best_model.pth 时缺少 key 或参数尺寸不匹配。

原因：训练时用torch.save(model.state_dict(), ...)保存，但加载前用torch.load直接读取整个对象，或者用 TensorFlow 的方式去读 PyTorch 权重。另一个常见原因是训练时改过num_classes，加载时忘记同步修改model.fc的输出维度。

解决：严格复用 4.1 节的加载方式——先构建模型结构，再load_state_dict。如果模型结构和训练时有任何改动，比如把 ResNet18 换成了 ResNet34，权重就作废了，必须重新训练。这个坑的排查思路是打印 state_dict 的 key 列表，和模型结构的 key 列表逐项比对。

5.4 小程序真机请求报“404”或“request:fail”

现象：开发者工具里一切正常，真机上请求直接失败，报错信息是request:fail或者提示域名不在合法列表。

原因：开发者工具勾选了“不校验合法域名”，掩盖了真实问题。真机上微信强制校验收到的每一项请求。另外，后端没有监听所有网卡时，host="127.0.0.1"只能在同一台机器上访问，手机自然连不上。

解决：用app.run(host="0.0.0.0", port=5000)启动后端，确保手机和电脑在同一局域网。用http://局域网IP:5000而不是127.0.0.1测试。真机联调时，如果依然失败，在小程序后台临时把 IP 加到 request 合法域名，或者退回到开发者工具模拟器继续调试。注意：将局域网 IP 加入合法域名只在开发阶段可行，微信审核时不会接受 IP 地址，线上务必使用备案过的 HTTPS 域名。

5.5 服务端响应慢：一张图要两秒

现象：后端接口返回时间在 1.5 到 2 秒，小程序端体验很差，误以为服务卡死。

原因：模型推理本身耗时是一部分，更多时间浪费在图片解码和预处理上。PIL 打开大图、Resize(224, 224)对特别大的图做插值，再加上 PyTorch 的 CPU 推理，每一环都在累积耗时。

解决：把推理前的图片压缩放在小程序端，限制在后端再检查一遍。Image.open之后先做一次img.thumbnail((512, 512))，减少后续 Resize 的插值计算量。如果服务器有 GPU，把模型to("cuda")推理耗时能降到 50ms 级别；没有 GPU 就转 ONNX Runtime 加载，多数机器上比 PyTorch 原生 CPU 推理快 20% 到 40%。

6. 用混淆矩阵验收模型：找出最容易混的两类表情

很多读者训练完只看一个 val_acc 就收工了，这是不够的。val_acc 是一个平均值，它不会告诉你模型到底在哪些类别上犯糊涂。猫狗表情识别里最典型的混淆是“狗开心”和“狗生气”——两种表情都可能张开嘴、露出牙齿，单一图片上人都不一定能快速判断，模型混淆它们再正常不过。

建议训练完做一次完整测试集评估，直接输出混淆矩阵：

# evaluate.py import torch import matplotlib.pyplot as plt from sklearn.metrics import ConfusionMatrixDisplay, confusion_matrix y_true, y_pred = [], [] with torch.no_grad(): for images, labels in valid_loader: outputs = model(images) preds = torch.argmax(outputs, dim=1) y_true.extend(labels.tolist()) y_pred.extend(preds.tolist()) cm = confusion_matrix(y_true, y_pred) disp = ConfusionMatrixDisplay( confusion_matrix=cm, display_labels=valid_loader.dataset.classes ) disp.plot(cmap="Blues") plt.savefig("confusion_matrix.png", dpi=150)

拿到混淆矩阵后，看两个数值。第一个是“对角线占比”，也就是每个类别的召回率，如果dog_happy的召回率只有 60%，说明这个类别的特征没有学全。第二个是“最大混淆项”，找到矩阵里最大的非对角线数值，比如dog_angry被预测成dog_happy的比例高达 25%，那你要么去补充“生气的狗”样本，要么接受这个边界情况并渲染给用户。

针对混淆率高的类别对，我一般会做两件事。一是收集更多这两个类别的样本，尤其是中间态样本，比如“张嘴但不一定生气”的照片，让决策边界更清晰。二是在后端加置信度阈值，当最高概率低于某个值（比如 0.75）时，返回“不确定，请换一张更清晰的照片”，这比硬给一个错误标签更体面。这个阈值不要拍脑袋定，用验证集上不同阈值的精确率召回率曲线去选。

我的习惯是每调整一次数据或模型结构，就把混淆矩阵存档成 PNG，并记录下来对应的类别名和阈值，一段时间后回看，能清楚看到哪次改动真正解决了问题。这套方案做下来，即使只依赖压缩包自带的图片集，也能把四类表情的准确率稳定在 85% 以上的水平。希望帮到你。

本文还有配套的精品资源，点击获取