本文还有配套的精品资源，点击获取

简介：fast.ai 是一个由 Jeremy Howard 和 Rachel Thomas 创立的开源项目，旨在简化深度学习的学习和应用。该项目提供的课程专注于实践操作，通过使用 Python 和 PyTorch 框架，让初学者快速理解和应用深度学习的核心概念。课程内容涵盖深度学习基础、卷积神经网络（CNNs）、循环神经网络（RNNs）、PyTorch框架、数据处理、迁移学习、实践项目、分布式训练和模型部署。通过 Jupyter Notebook 的交互式编程环境，学生可以一步步探索每个概念，并通过实际代码练习加深理解。

1. 深度学习基础

1.1 深度学习概述

深度学习是机器学习的一个分支，通过构建多层神经网络，模型能够学习数据中的复杂模式和特征表示。其灵感来源于人脑神经元的结构和功能，尤其在视觉、语音识别、自然语言处理等领域取得了显著的成果。

1.2 人工智能与深度学习的关系

人工智能（AI）是一个广泛的领域，它涵盖了各种各样的技术，包括机器学习、专家系统、自然语言处理等。深度学习作为机器学习的一个子集，在很多需要高精度识别和决策的AI应用中扮演了核心角色。

1.3 神经网络基础

神经网络是一种模仿人脑神经元结构和功能的计算模型，通过大量的节点（神经元）和层连接，能够进行从简单到复杂的非线性转换。其中，深度学习涉及的神经网络至少包含三层以上，因此被称为“深度”神经网络。

深度学习的基础可以概括为：

# 神经网络基础伪代码
class NeuralNetwork:
    def __init__(self, layers):
        self.layers = layers  # 网络结构由多层组成

    def forward(self, inputs):
        # 通过各层传递输入数据，计算输出
        pass

    def backpropagation(self, error):
        # 根据误差反向传播，更新网络权重
        pass

    def train(self, dataset):
        # 训练模型
        pass

通过上述伪代码，我们可以直观地了解神经网络的基本构成：包含初始化层结构、前向传播、误差反向传播以及模型训练方法。

2. 卷积神经网络（CNNs）的理论与实践

2.1 卷积神经网络的原理和结构

2.1.1 卷积神经网络的基本组成

卷积神经网络（CNNs）是深度学习领域中用于图像识别和处理的主流技术之一。它们特别适合处理具有网格状拓扑结构的数据，例如时间序列数据（如音频数据）和图像数据。

一个典型的CNN包含以下几个关键层：

• 卷积层（Convolutional Layer） ：这是CNN的核心，使用一组学习得到的滤波器（或称作卷积核）对输入数据进行卷积操作，提取局部特征。
• 激活层（Activation Layer） ：通常在卷积层之后，用于引入非线性因素，如ReLU（Rectified Linear Unit）激活函数，增加模型的非线性表达能力。
• 池化层（Pooling Layer） ：降低特征图的空间尺寸，减少参数数量和计算量，同时控制过拟合。
• 全连接层（Fully Connected Layer） ：在卷积层和池化层之后，将学习到的局部特征综合起来进行分类或其他任务。
• 输出层（Output Layer） ：通常是全连接层，用于输出最终的预测结果。

2.1.2 卷积层、池化层和全连接层的作用

卷积层 通过使用滤波器扫描输入数据，捕捉到局部的空间关联性，这是图像识别和分类的关键。例如，在处理图像时，卷积层可以识别图像中的边缘、纹理等特征。

池化层 通常紧随卷积层之后，用于降低特征图的空间维度，主要目的是减少计算量、防止过拟合和控制模型复杂度。最大池化（Max Pooling）是常用的一种池化操作，它保留了池化区域内最强的特征。

全连接层 位于网络的末端，用于接收之前层所提取的特征，将这些特征综合起来进行最终的决策。在分类任务中，它将特征映射到类别空间，输出每个类别的概率。

2.2 卷积神经网络的训练技巧

2.2.1 参数初始化和权重更新

在CNN的训练过程中，参数初始化和权重更新是两个重要的步骤。

参数初始化 ：合适的初始化策略可以加速训练过程，防止梯度消失或爆炸。常用的初始化方法有Xavier初始化和He初始化。

权重更新 ：通过梯度下降的方法不断调整网络权重，常用的优化算法包括SGD（随机梯度下降）、Adam、RMSprop等。学习率的设置是关键，过高或过低都会影响收敛速度和最终性能。

2.2.2 正则化、激活函数和损失函数

正则化 ：减少模型过拟合，提高泛化能力。常见的正则化技术包括L1和L2正则化。

激活函数 ：引入非线性，使得CNN能够捕捉复杂的数据特征。ReLU激活函数因为计算效率高且能缓解梯度消失问题，被广泛应用。

损失函数 ：衡量预测结果与真实值的差异，常用的损失函数包括交叉熵损失函数（Cross-Entropy Loss）和均方误差损失函数（MSE Loss）。

2.3 卷积神经网络的应用案例

2.3.1 图像识别和分类

CNN在图像识别和分类任务中表现出色，如经典的LeNet、AlexNet、VGGNet、ResNet等。这些网络结构通过设计不同深度的卷积层、池化层和全连接层，能够提取不同层次的特征，用于识别和分类图像。

2.3.2 物体检测和语义分割

在物体检测领域，R-CNN、Fast R-CNN、Faster R-CNN等网络能够实现对图像中物体的定位和分类。而语义分割任务中，如FCN（Fully Convolutional Network）和U-Net等网络能够对图像中的每个像素进行分类，实现对图像的像素级理解。

代码示例

下面是一个简单的CNN模型实现示例，使用了PyTorch框架：

import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义一个简单的CNN模型
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(128 * 8 * 8, 512)
        self.fc2 = nn.Linear(512, 10)
    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 128 * 8 * 8)  # Flatten the tensor for the fully connected layer
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化模型
model = SimpleCNN()

# 假设输入是一张8x8的灰度图像
input = torch.randn(1, 3, 8, 8)

# 前向传播
output = model(input)
print(output)

在此代码示例中，我们定义了一个 SimpleCNN 类，该类构建了一个具有两个卷积层和两个全连接层的简单CNN模型。之后，我们实例化了这个模型，并创建了一个随机输入张量来模拟一个图像。通过调用 forward 方法，模型对输入数据进行了前向传播，并输出了一个预测结果。

通过运行这个代码，您可以快速了解PyTorch框架下如何实现一个简单的CNN模型，并进行初步的前向传播操作。这为进一步深入研究CNN的工作原理和实际应用提供了坚实的基础。

3. 循环神经网络（RNNs）与LSTM的深入探讨

3.1 循环神经网络（RNNs）的基本概念

3.1.1 RNNs的循环机制和时间步长

循环神经网络（Recurrent Neural Networks, RNNs）是一种专门用于处理序列数据的神经网络架构。它们的独特之处在于能够利用内部的隐藏状态来处理任意长度的序列，这一点对于像自然语言处理（NLP）、时间序列分析、语音识别等任务至关重要。RNNs 的循环机制允许网络在序列的每个时间步长上保持记忆，而这个隐藏状态会根据当前输入以及前一个时间步的隐藏状态进行更新。

RNNs之所以特别，是因为它们的输出不仅取决于当前输入，还受到之前所有输入的影响。时间步长（timesteps）是RNNs处理序列数据的一个重要概念。一个时间步可以被视为网络处理序列中一个单独元素的步骤，而网络的记忆能力意味着每一个时间步的输出都是基于前一个时间步的输出，形成了一种递归关系。

3.1.2 RNNs的梯度消失和梯度爆炸问题

尽管RNNs在理论上是非常强大的，但它们在实际应用中遇到了两个主要的问题：梯度消失和梯度爆炸。这两个问题都与RNNs在时间步长上处理信息的递归性质有关。

梯度消失问题指的是在反向传播过程中，梯度可能变得非常小，导致权重几乎不更新。这种现象在深层网络中尤其明显，使得网络难以学习长期依赖关系。

梯度爆炸问题则是在反向传播时梯度变得异常大，导致权重发生大的更新，甚至可能导致数值不稳定。梯度爆炸通常可以通过梯度裁剪等技术来缓解。

为了克服这些挑战，研究者们开发了改进型的循环神经网络结构，如长短期记忆网络（LSTM）和门控循环单元（GRU），这些结构被设计为可以更有效地捕捉长距离依赖关系。

3.2 长短期记忆网络（LSTM）的原理和优化

3.2.1 LSTM的核心组件和工作原理

LSTM是由Hochreiter和Schmidhuber在1997年提出的一种特殊的RNN架构。LSTM通过引入门控机制解决了传统RNNs的梯度消失和梯度爆炸问题，从而更擅长捕捉长期依赖关系。

LSTM中的核心组件包括：
- 遗忘门（Forget Gate）：决定哪些信息需要从单元状态中丢弃。
- 输入门（Input Gate）：决定哪些新信息需要存储在单元状态中。
- 输出门（Output Gate）：决定下一个隐藏状态的值。

LSTM的工作原理是通过这些门来控制信息的流动，确保网络不会轻易丢弃有用的信息也不会将噪声信息无限累积。

3.2.2 LSTM的变体和性能优化方法

自从LSTM被提出之后，有许多变体被设计出来以优化其性能。其中最著名的变体包括门控循环单元（GRU）和深度循环网络（DCRNN）等。

GRU是一种简化版的LSTM，它将遗忘门和输入门合并成一个单一的更新门，并且合并了单元状态和隐藏状态。GRU的目的是减少LSTM的计算复杂度，同时保持或提升性能。

性能优化方法通常涉及到网络结构的调整、超参数的选择以及训练策略的改进。例如，LSTM模型中隐藏层单元的数量、学习率的设置、不同的优化算法（如Adam、RMSprop等）、批归一化（Batch Normalization）等都是可能的优化点。

在实践中，对LSTM的优化和调整需要结合具体任务的需求以及可获得的数据规模和质量。在某些情况下，直接采用预训练的模型并进行微调（fine-tuning）可能是最高效的策略。

3.3 序列预测和自然语言处理应用

3.3.1 文本生成和机器翻译

序列预测是RNNs和LSTM应用最为广泛的领域之一。在文本生成任务中，LSTM能够基于给定的文本序列生成连贯且有意义的续写文本。LSTM能够学习到文本中的统计依赖关系，并生成符合语言习惯的句子。

机器翻译是另一个重要的自然语言处理任务，它要求模型能够将一种语言的文本翻译成另外一种语言。传统的基于规则的机器翻译和统计机器翻译方法逐渐被神经机器翻译（Neural Machine Translation, NMT）所取代。NMT模型主要采用序列到序列（seq2seq）的架构，通常由编码器-解码器（Encoder-Decoder）结构组成，其中编码器和解码器都是由LSTM或其变体实现的。

在机器翻译任务中，LSTM能够利用其长距离依赖的捕捉能力来记忆源语言文本中重要的信息，并且能够生成流畅的目标语言文本。

3.3.2 语音识别和时间序列分析

在语音识别任务中，LSTM能够将声学信号转换成文本。通过将声波的时序特征输入到LSTM模型中，模型可以学习到声学信号和对应的文字之间的复杂映射关系。

在时间序列分析中，LSTM同样能够发挥出色的效果。时间序列数据通常具有时间依赖性，LSTM可以捕捉到时间跨度内的重要特征并用于未来值的预测。例如，在股票市场分析、天气预测、能源消费预测等领域，LSTM都能够提供较为准确的预测结果。

在时间序列预测中，LSTM的隐藏层能够通过门控机制提取时间步长上的关键信息，这对于捕捉和利用长期依赖关系至关重要。

接下来，本章节将深入探讨如何使用LSTM进行具体任务的实现，以及如何对LSTM模型进行优化以提升性能。

4. PyTorch 框架实践

4.1 PyTorch框架的基本使用

4.1.1 张量操作和自动微分

PyTorch 是一个开源的机器学习库，它广泛应用于计算机视觉和自然语言处理领域。其最大的特点之一是提供了动态计算图（Dynamic Computational Graph），这使得它的灵活性远超静态计算图的框架。在 PyTorch 中，张量（Tensor）是基本的数据结构，其操作与 NumPy 中的数组类似，但提供了 GPU 加速和自动微分功能。

下面的代码展示了一个简单的张量操作实例：

import torch
import torch.nn as nn

# 创建一个张量
t = torch.tensor([1., 2., 3.])

# 张量的属性，比如维度
print("维度:", t.dim())
# 维度: 1

# 张量的形状
print("形状:", t.shape)
# 形状: torch.Size([3])

# 张量的数据类型
print("数据类型:", t.dtype)
# 数据类型: torch.float32

# 常用的操作包括加法、乘法等
t2 = torch.tensor([4., 5., 6.])
print("加法结果:", t + t2)
print("乘法结果:", t * t2)

在机器学习中，我们经常需要对模型进行反向传播（backpropagation），以计算梯度，进而更新模型的权重。PyTorch 提供了 torch.autograd 模块来自动计算梯度，大大简化了模型训练过程。

下面的代码展示了如何使用 PyTorch 的自动微分功能计算一个简单函数的导数：

x = torch.tensor(2.0, requires_grad=True)
y = x ** 2
y.backward()  # 反向传播计算 y 关于 x 的导数
print("梯度:", x.grad)

上述代码将输出梯度为 4.0，这是因为函数 y = x^2 在 x=2 处的导数是 4。

4.1.2 神经网络模块和构建模型

PyTorch 提供了 torch.nn 模块，它包含构建深度学习模型所需的所有组件。这些组件包括层（如全连接层、卷积层）、激活函数、损失函数以及优化器等。

下面我们将通过构建一个简单的多层感知机（MLP）来了解如何使用 PyTorch 构建神经网络：

class SimpleMLP(nn.Module):
    def __init__(self):
        super(SimpleMLP, self).__init__()
        self.fc1 = nn.Linear(in_features=28*28, out_features=128) # 输入层
        self.fc2 = nn.Linear(128, 64)  # 隐藏层
        self.fc3 = nn.Linear(64, 10)  # 输出层

    def forward(self, x):
        x = x.view(-1, 28*28)  # 将图片平铺为一维
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = SimpleMLP()

在这个例子中，我们定义了一个包含两个隐藏层的简单全连接网络。该网络可以用于手写数字分类等任务。 forward 方法定义了前向传播的计算过程，其中 torch.relu 是激活函数，用于增加非线性。

构建模型是深度学习实践的第一步，但我们需要更多的组件来完成整个训练流程，比如损失函数、优化器以及数据加载器。这些内容将在后续章节中详细介绍。

5. 数据处理与管理

数据是深度学习模型训练的基石，其质量直接影响模型的性能和泛化能力。本章将深入探讨数据处理与管理的最佳实践，从数据预处理的重要性讲起，进而分析数据集的管理与使用，最后探索数据增强技术如何提升模型的泛化能力。

5.1 数据预处理的重要性

数据预处理是整个数据处理流程中的第一步，也是至关重要的一步。在这一阶段，我们通过各种技术手段清洗数据、填充缺失值、去除噪声和异常值，以及调整数据的格式使其适合模型进行训练。

5.1.1 数据清洗和增强技术

数据清洗是为了提高数据质量，去除数据中的错误、重复或不一致的部分。常见方法包括缺失值处理、异常值检测和处理，以及数据格式统一。而数据增强是为了通过各种转换方法创造新的训练样本，从而扩大数据集的规模和多样性。

# 数据清洗示例：处理缺失值
import pandas as pd

# 加载数据集
df = pd.read_csv("data.csv")

# 填充缺失值
df.fillna(df.mean(), inplace=True)

# 删除异常值
df = df[(df['feature1'] < upper_limit) & (df['feature1'] > lower_limit)]

上述代码块展示了如何使用Pandas库来清洗数据，其中 fillna() 函数用于填充数值型数据的缺失值，而异常值的处理则通过简单的范围限定实现。

5.1.2 特征工程和维度规约

特征工程是对原始数据进行转换和选择，以提取最有利于模型预测的特征信息。维度规约是通过减少特征数量来简化模型，提高训练效率和预测性能。

# 特征选择示例：使用卡方检验选择特征
from sklearn.feature_selection import SelectKBest, chi2

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 应用卡方检验选择特征
selector = SelectKBest(chi2, k=5)
X_train_new = selector.fit_transform(X_train, y_train)
X_test_new = selector.transform(X_test)

在这个代码示例中，我们使用了scikit-learn库中的 SelectKBest 类，配合卡方检验方法（ chi2 ），对特征进行选择。 k=5 表示我们希望选择的特征数量。

5.2 数据集的管理与使用

管理大型数据集需要高效的数据结构和操作流程。数据集的划分和批处理是确保模型训练高效且稳定的重要步骤。

5.2.1 数据集的划分和批处理

数据集通常需要划分成训练集、验证集和测试集，以评估模型在未知数据上的表现。批处理允许在有限的内存下处理大规模数据集。

# 数据集划分示例：划分训练集、验证集和测试集
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, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.1, random_state=42)

在这个例子中，我们使用了 train_test_split 函数两次，第一次是为了划分训练集和测试集，第二次则是将训练集进一步划分为训练集和验证集。

5.2.2 数据集的可视化和分析

数据可视化是理解数据集特征和分布的重要工具。分析可视化结果可以帮助我们选择正确的预处理方法和模型结构。

# 数据集可视化示例：使用Matplotlib绘制直方图
import matplotlib.pyplot as plt

# 绘制特征直方图
plt.hist(X[:, 0], bins=25, alpha=0.5, label='Feature 1')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram of Feature 1')
plt.legend()
plt.show()

通过上述代码，我们可以利用Matplotlib绘制特征的直方图来观察数据的分布，有助于了解特征的分布特性和可能需要的预处理步骤。

5.3 数据增强和模型泛化能力

数据增强技术和正则化策略是提升模型泛化能力的关键手段。它们能够帮助模型抵抗过拟合，提高对新数据的预测准确性。

5.3.1 常用的数据增强技术

数据增强包括旋转、缩放、裁剪等多种手段，目的是在不改变标签的情况下创造出新的训练样本。

# 数据增强示例：使用ImageDataGenerator进行图片增强
from tensorflow.keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

# 训练模型时使用增强的图片
for X_batch, y_batch in datagen.flow(X_train, y_train, batch_size=32):
    # 在这里训练模型

此代码块演示了如何使用TensorFlow中的 ImageDataGenerator 类来生成经过增强的图片，进而用于模型训练，其中 rotation_range 等参数控制增强的强度和范围。

5.3.2 模型的过拟合和泛化策略

防止模型过拟合的策略有多种，包括但不限于增加数据集大小、使用正则化技术（例如L1/L2正则化）、早停（early stopping）等。

# L2正则化示例：在Keras中添加L2正则化
from tensorflow.keras import models, layers, regularizers

# 添加带有L2正则化的全连接层
model.add(layers.Dense(64, activation='relu', kernel_regularizer=regularizers.l2(0.01)))

上述代码展示了在构建神经网络模型时如何添加L2正则化，其中 0.01 是L2正则化项的系数，用以控制正则化的效果。

在本章中，我们详细探讨了数据预处理、管理以及数据增强对深度学习模型训练的重要性。通过上述章节和代码示例，我们相信读者能够掌握数据处理的技巧，并在实际项目中应用，以提高模型训练的效率和效果。接下来的章节将转向更高级的深度学习主题，如迁移学习与深度学习项目的实战应用。

6. 迁移学习与深度学习项目的实战应用

在深度学习领域，迁移学习是加速模型训练、提升模型性能和减少数据需求的有效方法。通过将已在一个任务上训练好的模型参数应用到另一个相关任务上，可以避免从头开始训练模型的复杂性和时间成本。

6.1 迁移学习的基本概念

迁移学习是一种机器学习方法，它利用在一个领域学习的知识来解决不同但相关的另一个领域的问题。在深度学习中，这通常意味着使用预训练的模型来处理新的任务。

6.1.1 迁移学习的原理和应用领域

迁移学习的原理是基于特征的普适性。在多个任务中，底层特征往往是通用的，而高级特征可能是特定于任务的。通过迁移学习，深度学习模型可以利用底层通用特征，从而加快新任务的学习速度。

应用领域极为广泛，包括但不限于图像识别、自然语言处理、推荐系统等。例如，一个用于图像分类任务的预训练模型可以被迁移到医学影像分析中，通过微调模型来识别特定的疾病标志。

6.1.2 预训练模型的选择和使用

在进行迁移学习时，选择一个合适的预训练模型是关键。通常，选择的模型应该在大型且多样化的数据集上预训练过，如ImageNet对于图像处理任务，或者Word2Vec、GPT等对于文本处理任务。

使用预训练模型通常包括以下步骤：

1. 选择合适的预训练模型架构。
2. 加载预训练模型的权重。
3. 修改模型以适应新任务，如添加额外的层。
4. 微调模型，使用新任务的数据进行训练。
5. 评估模型在新任务上的性能。

6.2 迁移学习的实践技巧

迁移学习的实践涉及到对预训练模型进行微调，同时要注意避免过拟合新任务的数据。

6.2.1 微调策略和冻结层的选择

微调策略包括对不同层次的权重进行不同程度的更新。通常，可以通过设置不同的学习率来冻结或微调模型中的某些层。

• 冻结层：保持某些层的权重不变，通常是模型的前几层，因为它们包含更通用的特征。
• 微调层：设置一个较高的学习率对模型的高层进行微调，以适应新任务。

6.2.2 不同数据集的迁移学习案例

在实际案例中，迁移学习可以应用在各种数据集上，比如：

• 使用在ImageNet上预训练的CNN模型对特定行业（如医疗影像）的图像进行分类。
• 使用在大型语料库上预训练的语言模型（如BERT）来解决特定领域的文本分类问题。

在这些案例中，通过微调，预训练模型能够快速适应新任务，并且在有限的数据情况下仍然达到较高的性能。

6.3 实际深度学习项目的全流程

实施迁移学习策略的深度学习项目流程涉及多个阶段，从规划到部署。

6.3.1 项目规划和数据收集

项目规划阶段需要明确目标和约束条件，包括选择合适的预训练模型、数据收集策略以及确定评估指标。收集数据时，应确保数据的质量和多样性，以最大化迁移学习的效果。

6.3.2 模型训练、验证和测试

在模型训练阶段，将根据预训练模型进行微调，并通过验证集调整超参数。测试集用于评估最终模型的泛化能力。在此过程中，可能需要对数据和模型进行多次迭代优化。

6.3.3 项目部署和监控

模型经过充分测试后，接下来就是部署阶段。在实际生产环境中，模型可能需要经过进一步的优化以适应不同的硬件和性能要求。部署后，监控模型的运行状态和性能，收集反馈，根据需要进行模型更新和维护。

通过迁移学习，深度学习项目可以大大加快开发速度，提高模型性能，减少资源消耗，从而使得深度学习技术更加高效和实用。

本文还有配套的精品资源，点击获取

简介：fast.ai 是一个由 Jeremy Howard 和 Rachel Thomas 创立的开源项目，旨在简化深度学习的学习和应用。该项目提供的课程专注于实践操作，通过使用 Python 和 PyTorch 框架，让初学者快速理解和应用深度学习的核心概念。课程内容涵盖深度学习基础、卷积神经网络（CNNs）、循环神经网络（RNNs）、PyTorch框架、数据处理、迁移学习、实践项目、分布式训练和模型部署。通过 Jupyter Notebook 的交互式编程环境，学生可以一步步探索每个概念，并通过实际代码练习加深理解。

本文还有配套的精品资源，点击获取