基于Chinese-CLIP构建中文图文检索系统：从原理到工程实践

简介图文检索是计算机视觉与自然语言处理交叉领域的关键技术其核心原理在于通过多模态模型将图像和文本映射到统一的语义空间进而计算其相似度。对比学习是实现这一目标的主流方法它通过拉近正样本对、推开负样本对来学习通用表征。这项技术的工程价值在于能够构建“以文搜图”、“以图搜图”等实用系统广泛应用于电商搜索、内容审核、智能相册等场景。本文聚焦于中文环境下的图文检索针对原始CLIP模型对中文语义理解不足的痛点详细介绍了如何利用专为中文优化的Chinese-CLIP模型结合Vision TransformerViT进行特征提取并整合Faiss向量数据库与Flask/Gradio框架从零搭建一个完整、高效且可演示的中文图文检索系统涵盖了环境配置、离线索引构建、在线服务部署及效果优化等全流程实战细节。1. 项目概述与核心价值最近在带几个学生做计算机视觉相关的课程设计发现很多同学对“图文检索”这个方向既感兴趣又觉得无从下手。大家可能都听说过CLIP这个由OpenAI提出的多模态模型它通过对比学习将图像和文本映射到同一个语义空间从而实现跨模态的检索和理解。但对于中文场景直接使用原始的CLIP模型往往会遇到“水土不服”的问题比如对中文语义理解不深、对中文特有文化元素识别不佳等。这正是“Chinese-CLIP”项目要解决的核心痛点。这个课程设计项目就是基于Python利用Chinese-CLIP构建一个实用的中文图文检索系统。它不仅仅是一个简单的模型调用Demo更是一个涵盖了数据准备、模型部署、前后端交互、效果评估的完整工程实践。对于计算机视觉、自然语言处理或者多模态方向的同学来说这个项目具有很高的学习价值。你不仅能深入理解对比学习Contrastive Learning和Vision TransformerViT在多模态任务中的应用还能亲手搭建一个具备实用价值的系统。从技术栈上看它涉及Python深度学习框架如PyTorch、图像处理、文本处理、向量数据库或相似度计算、以及简单的Web服务开发是一个综合性很强的练手项目。最终产出的系统你可以想象成一个简化版的“以图搜图”或“以文搜图”引擎比如你输入“一只在沙发上睡觉的橘猫”系统能从你的图库中找出最匹配的图片。接下来我会把这个项目拆解成清晰的模块并分享在实现过程中容易踩坑的细节和我的调试心得。2. 系统核心架构与设计思路拆解2.1 为什么选择Chinese-CLIP在开始动手之前我们需要明确技术选型。多模态图文匹配有很多模型比如早期的VSE以及后来的UNITER、Oscar等。选择Chinese-CLIP主要基于以下几点考量原生中文优化Chinese-CLIP针对中文文本进行了大规模的预训练其文本编码器对中文词汇、短语和语义的理解远超直接使用英文CLIP模型加翻译的方案。这对于检索精度至关重要。模型效率与精度平衡CLIP系列模型因其简洁的对比学习框架和强大的泛化能力而闻名。Chinese-CLIP提供了多种规模的预训练模型如ViT-B/16,ViT-L/14,RN50等我们可以根据课程设计的硬件条件比如是否能用GPU、显存大小灵活选择。对于课程设计ViT-B/16通常是一个不错的起点。活跃的社区与易用性项目开源文档相对齐全提供了预训练模型和简单的推理脚本降低了我们的启动门槛。注意虽然Chinese-CLIP是针对中文的但其图像编码器部分是通用的。这意味着它在处理包含大量英文文本或特定文化符号的图像时可能仍存在局限性。在构建自己的图库时需要对此有心理预期。2.2 整体系统工作流程设计一个完整的图文检索系统其核心流程可以概括为“离线建库”和“在线检索”两个阶段。我们的系统架构也将围绕这两个阶段展开。离线阶段Indexing图像预处理收集或准备一批待检索的图像数据集。对每张图像进行预处理如调整大小、归一化等以符合Chinese-CLIP图像编码器的输入要求。特征提取使用Chinese-CLIP的图像编码器通常是Vision Transformer对预处理后的图像进行前向传播得到每张图像的高维特征向量例如512维或768维。这个向量就是图像在共享语义空间中的“坐标”。特征存储将所有图像的特征向量以及对应的图像路径或ID存储起来构建一个“特征库”。为了提高检索速度我们通常不会直接进行线性扫描而是使用专门的向量检索工具例如FaissFacebook开源的向量相似性搜索库或Milvus等向量数据库。对于课程设计级别的数据量几千到几万张图片使用Faiss在内存中构建索引就足够了。在线阶段Retrieval查询输入用户输入一段文本描述Query Text。查询编码使用Chinese-CLIP的文本编码器对输入的文本进行编码得到文本特征向量。注意这里的文本也需要经过模型对应的tokenizer进行处理。相似度计算将文本特征向量与离线阶段构建的整个图像特征库进行相似度计算。最常用的方法是计算余弦相似度Cosine Similarity因为它只关注向量的方向而非长度非常适合对比学习产生的特征。结果排序与返回根据相似度得分对所有图像进行降序排序返回Top-K个最相关的图像及其路径或直接显示图片。基于这个流程我们的项目代码结构可以这样组织chinese-clip-retrieval/ ├── configs/ # 配置文件存放模型路径、数据路径等参数 ├── src/ │ ├── feature_extractor.py # 图像/文本特征提取模块 │ ├── index_builder.py # 离线构建特征索引Faiss │ ├── retriever.py # 在线检索核心逻辑 │ └── utils/ # 工具函数图像预处理、日志等 ├── data/ │ ├── images/ # 存放待检索的图片 │ └── index/ # 存放生成的Faiss索引文件和特征映射表 ├── app.py # 简单的Web服务入口如用Flask/Gradio ├── requirements.txt # 项目依赖 └── README.md # 项目说明文档3. 环境搭建与核心依赖解析3.1 Python环境与关键库安装我强烈建议使用conda或venv创建一个独立的Python环境避免包版本冲突。以下是核心的依赖库及其作用# 创建并激活环境 (以conda为例) conda create -n clip-retrieval python3.8 conda activate clip-retrieval # 安装PyTorch (请根据你的CUDA版本到官网选择对应命令) # 例如对于CUDA 11.3 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu113 # 安装Chinese-CLIP及其依赖 pip install cn_clip # 安装向量检索库和Web框架 pip install faiss-cpu # 如果无GPU使用cpu版本。有GPU可安装faiss-gpu pip install flask gradio # Flask用于构建APIGradio可以快速构建UI pip install Pillow requests tqdm关键依赖说明cn_clip: 核心库提供了Chinese-CLIP的模型加载、推理接口。faiss-cpu/faiss-gpu: 用于高效进行海量向量相似性搜索。课程设计数据量小faiss-cpu完全够用且安装更简单。gradio: 强烈推荐它可以用极简的代码构建出交互式的Web界面非常适合演示和调试。你只需要写一个检索函数Gradio就能帮你生成一个带输入框和图片展示的页面。Pillow: 图像处理必备。3.2 Chinese-CLIP模型下载与加载Chinese-CLIP的模型可以通过其官方提供的链接下载或者使用他们封装好的工具。在代码中我们这样加载模型和处理器import cn_clip.clip as clip from cn_clip.clip import load_from_name, available_models # 查看可用的模型 print(Available models:, available_models()) # 输出可能包含: [ViT-B-16, ViT-L-14, ViT-L-14-336, ViT-H-14, RN50] # 加载指定模型和设备 device cuda if torch.cuda.is_available() else cpu model, preprocess load_from_name(ViT-B-16, devicedevice, download_root./models) model.eval() # 设置为评估模式 # preprocess 是一个torchvision的transform组合用于图像预处理这里有几个实操心得模型选择ViT-B-16是速度和精度比较均衡的选择。如果你的图片细节很重要比如包含小字可以考虑ViT-L-14-336输入分辨率336x336但计算量会增大。下载路径download_root参数指定模型缓存目录。第一次运行时会自动下载模型文件约几百MB到几GB请确保网络通畅和磁盘空间充足。设备管理务必检查device。如果误将大模型放在CPU上推理速度会慢得无法忍受。可以用torch.cuda.is_available()进行检查。4. 离线索引构建从图片到向量数据库这是系统的基石离线索引的质量直接决定检索效果。4.1 图像预处理与特征提取批量处理我们需要遍历所有图片提取特征。这里要特别注意处理大批量图片时的内存和效率问题。import os from PIL import Image import torch from tqdm import tqdm import numpy as np def extract_image_features(image_folder, model, preprocess, device, batch_size32): 批量提取图像特征 Args: image_folder: 图片文件夹路径 model: 加载好的Chinese-CLIP模型 preprocess: 图像预处理函数 device: 计算设备 batch_size: 批处理大小根据显存调整 Returns: features_list: 特征向量列表 [num_images, feature_dim] image_paths: 对应的图片路径列表 image_paths [] for root, dirs, files in os.walk(image_folder): for file in files: if file.lower().endswith((.png, .jpg, .jpeg, .bmp, .gif)): image_paths.append(os.path.join(root, file)) features_list [] # 使用批处理提高效率 for i in tqdm(range(0, len(image_paths), batch_size), descExtracting features): batch_paths image_paths[i:ibatch_size] batch_images [] valid_indices [] # 加载并预处理一个批次的图片 for idx, img_path in enumerate(batch_paths): try: image Image.open(img_path).convert(RGB) image_tensor preprocess(image) # 应用transform batch_images.append(image_tensor) valid_indices.append(idx) except Exception as e: print(fError loading {img_path}: {e}) continue if not batch_images: continue # 堆叠张量并推理 image_batch torch.stack(batch_images).to(device) with torch.no_grad(): # 非常重要禁用梯度计算节省内存和计算 image_features model.encode_image(image_batch) image_features / image_features.norm(dim-1, keepdimTrue) # 归一化方便后续计算余弦相似度 features_list.append(image_features.cpu().numpy()) # 合并所有批次特征 all_features np.vstack(features_list) if features_list else np.array([]) # 只返回成功处理的图片路径 final_image_paths [image_paths[i] for i in range(len(image_paths)) if any(i in range(j, jlen(batch)) for j, batch in enumerate([list(range(k, min(kbatch_size, len(image_paths)))) for k in range(0, len(image_paths), batch_size)]))] # 简化处理实际需更严谨的映射 # 更健壮的做法是记录每个成功处理的图片路径 return all_features, final_image_paths关键点解析批处理Batch Processing单张处理效率极低。将多张图片堆叠成一个[Batch, Channel, Height, Width]的张量一次性送入模型能极大利用GPU的并行计算能力。错误处理图库中难免有损坏或格式奇怪的图片。用try...except包裹加载逻辑避免单个坏图导致整个程序崩溃。特征归一化image_features / image_features.norm(dim-1, keepdimTrue)这一步将特征向量转化为单位向量。这样向量点积就等于余弦相似度简化了后续计算。with torch.no_grad()在推理非训练阶段必须使用这个上下文管理器。它可以阻止PyTorch跟踪计算图大幅减少内存消耗并提升速度。4.2 使用Faiss构建高效向量索引得到所有图像的归一化特征向量后我们需要构建索引。对于余弦相似度我们通常使用IndexFlatIP内积索引因为归一化后的内积等价于余弦相似度。import faiss import pickle def build_faiss_index(features, index_save_path./data/index/image_index.faiss): 使用Faiss构建向量索引 Args: features: 归一化后的图像特征形状为 [N, D] index_save_path: 索引保存路径 Returns: index: 构建好的Faiss索引 dimension features.shape[1] # 特征维度例如512 index faiss.IndexFlatIP(dimension) # 内积索引适用于余弦相似度 # 确保特征数据类型为float32这是Faiss的标准要求 features features.astype(float32) index.add(features) # 保存索引到文件 faiss.write_index(index, index_save_path) print(fIndex built and saved to {index_save_path}. Total vectors: {index.ntotal}) return index # 假设我们已经有了 all_features 和 image_paths # index build_faiss_index(all_features) # 同时需要把 image_paths 列表保存下来建立向量ID到图片路径的映射 # with open(./data/index/image_paths.pkl, wb) as f: # pickle.dump(image_paths, f)Faiss索引选择进阶IndexFlatIP是最简单、最精确的索引因为它会计算查询向量与库中所有向量的内积暴力搜索。当图片数量在10万量级以下时速度是可以接受的。如果图库非常大百万级以上就需要考虑近似最近邻搜索Approximate Nearest Neighbor, ANN索引如IndexIVFFlat或IndexHNSW。它们通过牺牲少量精度来换取查询速度的成倍提升。对于课程设计IndexFlatIP足矣。5. 在线检索服务实现与核心逻辑离线索引准备好后就可以搭建在线服务了。我们将实现一个基于Flask的API和一个基于Gradio的UI。5.1 文本特征提取与检索函数首先封装文本编码和检索的核心函数。def encode_text(text, model, device): 将文本编码为特征向量 # Chinese-CLIP的文本需要特殊处理这里使用其自带的tokenizer # 注意cn_clip的load_from_name返回的preprocess只针对图像文本需单独处理 # 我们需要使用模型自带的tokenizer from cn_clip.clip import tokenize with torch.no_grad(): text_tokens tokenize([text]).to(device) # tokenize接收一个列表 text_features model.encode_text(text_tokens) text_features / text_features.norm(dim-1, keepdimTrue) return text_features.cpu().numpy() def search_by_text(query_text, model, index, image_paths, device, top_k5): 根据文本进行检索 Args: query_text: 查询文本 model: Chinese-CLIP模型 index: Faiss索引 image_paths: 图片路径列表与索引顺序对应 device: 计算设备 top_k: 返回最相似的前K个结果 Returns: results: 列表每个元素是(图片路径, 相似度得分) # 1. 编码查询文本 query_vector encode_text(query_text, model, device) # 2. 在索引中搜索 # Faiss搜索要求输入是float32的二维数组 query_vector query_vector.astype(float32) distances, indices index.search(query_vector, top_k) # distances是相似度得分内积indices是索引ID # 3. 组装结果 results [] for i in range(top_k): idx indices[0][i] score distances[0][i] if idx len(image_paths): # 确保索引有效 results.append((image_paths[idx], float(score))) return results注意事项文本Tokenization中文的CLIP使用特定的分词器如BERT tokenizer必须使用模型配套的tokenize函数而不是简单的空格分割。cn_clip.clip.tokenize已经帮我们做好了这件事。输入维度index.search要求查询向量是二维的形状为[1, D]即使只查询一条文本。得分解释由于我们使用了归一化特征distances返回的值范围在[-1, 1]之间越接近1表示越相似。通常大于0.2的结果就可以认为有一定相关性大于0.5则相关性很强但这严重依赖于具体数据和模型。5.2 使用Flask构建RESTful API为了提供灵活的接口我们可以用Flask构建一个简单的API服务。from flask import Flask, request, jsonify import json app Flask(__name__) # 全局加载模型、索引和路径映射在实际应用中要考虑并发和重载 # 这里假设已经加载好 # model, preprocess load_from_name(...) # index faiss.read_index(...) # with open(image_paths.pkl, rb) as f: # image_paths pickle.load(f) app.route(/search, methods[POST]) def search_api(): data request.get_json() query_text data.get(text, ) top_k data.get(top_k, 5) if not query_text: return jsonify({error: Missing query text}), 400 try: results search_by_text(query_text, model, index, image_paths, device, top_k) # 将结果格式化为可JSON序列化的形式 formatted_results [] for path, score in results: # 可以将图片转换为base64编码这里只返回路径和得分 formatted_results.append({ image_path: path, score: score }) return jsonify({query: query_text, results: formatted_results}) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: # 在实际部署时不要使用debugTrue app.run(host0.0.0.0, port5000, debugFalse)这个API提供了一个/search端点接收JSON格式的请求如{text: 一只可爱的猫, top_k: 10}并返回JSON格式的检索结果。前端页面可以通过调用这个API来获取数据并展示图片。5.3 使用Gradio快速构建交互式UI对于课程设计演示或快速原型Gradio是更佳选择它几乎不需要写前端代码。import gradio as gr def gradio_search(query_text, top_k_slider): 供Gradio界面调用的函数 results search_by_text(query_text, model, index, image_paths, device, top_ktop_k_slider) # Gradio的Gallery组件需要返回一个列表列表元素是(图片路径或numpy数组, 标题) gallery_list [] for img_path, score in results: # 标题可以显示相似度得分 gallery_list.append((img_path, fScore: {score:.3f})) return gallery_list # 构建界面 with gr.Blocks(title中文图文检索系统) as demo: gr.Markdown(# ️ 基于Chinese-CLIP的图文检索系统) with gr.Row(): with gr.Column(scale4): text_input gr.Textbox(label请输入描述文本, placeholder例如一只在草地上奔跑的金毛犬, lines2) top_k_slider gr.Slider(minimum1, maximum20, value5, step1, label返回结果数量 (Top-K)) search_btn gr.Button(开始检索, variantprimary) with gr.Column(scale6): gallery_output gr.Gallery(label检索结果, columns5, rows2, height600) # 绑定事件 search_btn.click(fngradio_search, inputs[text_input, top_k_slider], outputsgallery_output) # 也可以绑定回车键 text_input.submit(fngradio_search, inputs[text_input, top_k_slider], outputsgallery_output) # 启动应用 demo.launch(server_name0.0.0.0, server_port7860, shareFalse) # shareTrue可生成临时公网链接运行这段代码会自动在浏览器中打开一个本地网页提供一个简洁美观的交互界面。你只需要输入文本调整返回结果数量点击按钮结果图片就会以画廊形式展示出来非常直观。6. 项目优化与效果提升实战技巧一个能跑通的系统只是开始要让检索效果更好、更实用还需要做一些优化工作。6.1 数据预处理与清洗策略模型再强也怕“脏数据”。你的图库质量直接决定检索上限。图像去重图库中可能存在大量重复或高度相似的图片如不同尺寸、不同水印的同一张图。这会导致检索结果被重复内容占据。可以使用感知哈希pHash或基于特征向量的相似度进行粗略去重。过滤低质图片过于模糊、分辨率极低、或者主要内容为文字的截图如表情包文字CLIP模型可能无法有效编码其视觉语义。可以考虑在构建索引前用简单的规则如图像尺寸、清晰度或一个轻量级分类模型过滤掉部分低质图片。类别平衡如果你的图库是某个垂直领域如动物、风景那没问题。但如果是通用图库要尽量避免某一类图片如“猫”数量过多否则检索结果会严重偏向该类。可以在采样构建索引时进行平衡。6.2 检索结果重排序与后处理直接使用余弦相似度排序有时不够理想可以引入后处理策略。多样性重排Diversification返回的Top-K结果可能都是极其相似的图片。例如搜索“狗”返回的5张图可能都是同一只金毛的不同角度。可以采用MMRMaximal Marginal Relevance等算法在保证相关性的同时增加结果的多样性。元信息过滤如果你的图片附带标签、拍摄时间、来源等元信息可以在初次向量检索后结合这些元信息进行过滤或加权排序。例如用户搜索“最新的手机”你可以给拍摄时间较近的图片更高的权重。多模态查询融合系统可以支持“以图搜图”或“图文混合搜”。对于以图搜图流程类似用图像编码器提取查询图片的特征然后与图库特征进行比对。对于混合查询如一张图加一段补充文本一种简单策略是分别计算查询图片和图库的相似度、查询文本和图库的相似度然后将两个得分进行加权融合。6.3 性能优化与工程化考量当数据量增长时以下几点尤为重要索引更新IndexFlatIP是静态索引新增图片需要重建整个索引成本高。对于需要频繁增删的图库可以考虑使用支持动态增删的Faiss索引类型如IndexIDMap包装IndexFlatIP或者使用专门的向量数据库如Milvus、Qdrant。特征缓存图像特征提取是计算密集型操作。对于不变的图库特征只需提取一次并持久化保存如存为.npy文件。每次启动服务时直接加载特征和索引而不是重新提取。服务部署对于生产环境Flask自带的开发服务器性能不足。可以考虑使用gunicorn多进程或uvicorn异步配合gevent来部署Flask应用或者将模型服务与Web服务分离使用更高效的推理框架如TorchServe、Triton Inference Server。7. 常见问题排查与调试心得实录在实现过程中你几乎一定会遇到下面这些问题。这里我把我的排查经验分享给你。7.1 模型加载或推理相关错误问题1CUDA out of memory(GPU内存溢出)现象在特征提取或推理时程序崩溃提示显存不足。原因批处理大小batch_size设置过大或者模型本身太大。解决首要方法是减小batch_size。可以从64、32、16、8依次尝试。使用torch.cuda.empty_cache()在循环中适时清空缓存。如果使用ViT-L或ViT-H等大模型考虑换用ViT-B。在编码时使用with torch.no_grad()确保不保存计算图。问题2文本编码结果异常所有相似度都极低或极高现象无论输入什么文本检索出来的图片得分都差不多或者得分非常低如接近0。原因文本tokenization不正确或者没有对文本特征进行归一化。排查检查是否使用了模型对应的tokenize函数而不是通用的分词器。打印出text_features在归一化前后的范数norm。归一化前范数可能很大归一化后应为1或非常接近1。如果归一化后范数远小于1说明编码过程可能有问题。用一个非常具体的文本如“一张红色苹果的图片”和一张明确的对应图片测试其相似度得分。理想情况下应该很高0.7。7.2 检索效果不理想问题3检索结果完全不相关现象输入“汽车”返回的却是风景或人像。原因图库问题图库里可能根本没有“汽车”类别的图片。这是数据问题。模型局限性Chinese-CLIP在预训练时可能对某些领域如非常专业的医学影像、古生物覆盖不足。文本歧义“苹果”可能指水果也可能指公司。模型可能倾向于更常见的语义。解决首先检查图库内容。尝试更具体、更详细的查询文本。例如用“一辆在公路上行驶的白色SUV汽车”代替“汽车”。考虑对模型进行微调Fine-tuning。如果你的应用领域非常垂直如电商商品收集一些图片文本配对数据在Chinese-CLIP基础上进行微调能显著提升在该领域的表现。但这需要额外的数据和训练成本。问题4检索速度慢现象查询一次需要好几秒甚至更久。原因图库特征未加载到内存每次查询都从磁盘读取。使用了未优化的Faiss索引如IndexFlatIP且数据量过大10万。Web服务框架性能瓶颈。解决确保索引index和路径列表image_paths在服务启动时一次性加载到内存。对于大数据量将IndexFlatIP替换为IndexIVFFlat。构建IndexIVFFlat需要训练步骤但查询速度快一个数量级。dimension features.shape[1] nlist 100 # 聚类中心数量通常取 sqrt(N) 左右 quantizer faiss.IndexFlatIP(dimension) index faiss.IndexIVFFlat(quantizer, dimension, nlist, faiss.METRIC_INNER_PRODUCT) index.train(features) # 训练索引 index.add(features) index.nprobe 10 # 搜索时探查的聚类中心数平衡速度和精度对于Web服务使用生产级服务器如gunicorn并启用多worker。7.3 工程与部署问题问题5Faiss索引与特征映射不一致现象检索返回的索引IDindices无法在image_paths列表中找到对应图片导致程序报错或返回错误图片。原因构建索引后又对图库进行了增删但只更新了索引或只更新了路径列表导致两者不匹配。解决建立严格的流程。每次重新构建索引后必须将对应的image_paths列表序列化保存并且两者必须配对使用。可以为每张图片生成一个唯一ID如MD5并将{id: path}的映射和[id1, id2, ...]的顺序列表都保存下来确保万无一失。问题6Gradio界面无法显示图片现象Gradio Gallery组件只显示文件名或占位符不显示图片。原因gr.Gallery期望的输入是图片文件的路径列表字符串或numpy数组格式的图片数据。如果路径是相对路径Gradio可能找不到。解决确保返回给Gallery的路径是绝对路径或者能被Gradio服务访问到的有效路径。一个更稳妥的方法是使用PIL打开图片并转换为numpy数组返回。from PIL import Image import numpy as np def gradio_search(query_text, top_k_slider): results search_by_text(...) gallery_list [] for img_path, score in results: try: img Image.open(img_path).convert(RGB) img_np np.array(img) # 转换为numpy数组 gallery_list.append((img_np, fScore: {score:.3f})) except: gallery_list.append((None, Image load failed)) return gallery_list这个基于Chinese-CLIP的图文检索系统项目从理论到实践覆盖了多模态AI应用的完整链路。它不仅是完成课程设计的优秀选题更是一个能写进简历、体现实操能力的项目。最难能可贵的是你可以基于这个框架轻松地替换其他多模态模型如BLIP、ALBEF或扩展到其他模态如视频检索探索空间非常大。在实际动手时多关注数据质量、流程的健壮性以及异常处理这些才是工程能力的体现。本文还有配套的精品资源点击获取