农作物病虫害识别实战：ResNet迁移学习与训练部署详解

简介：图像分类是计算机视觉领域的基础任务，其核心是利用卷积神经网络自动提取图像特征并完成类别判别。在深度学习实践中，深层网络常面临梯度消失和退化问题，ResNet通过残差连接让网络深度与性能兼得。针对农业植保场景，农作物叶片病害识别具有细粒度、小样本的特点，传统CNN难以胜任，而基于ImageNet预训练权重的迁移学习能有效提升小数据集上的识别精度。结合数据增强策略与PyTorch工程化训练流程，可构建一套从数据处理、模型训练到预测部署的完整视觉识别系统。本文围绕农作物病虫害识别项目，详解ResNet模型选型、迁移学习调参、训练验证策略及常见问题排查，为相关毕业设计与工程落地提供参考。

1. 这个项目是干什么的：不只是交作业的农业视觉识别

如果你是计算机、人工智能、软件工程专业的学生，大概率在某个阶段需要完成人工智能大作业或者毕业设计。翻遍各大资源站，视觉分类方向的项目是最多的，但真正能跑通、能讲清原理、能写进论文里的，反而没有想象中好找。这个基于深度学习的农作物病虫害识别项目，就是那种典型的“看起来简单，实际上该有的都有了”的完整工程。

项目核心做的事情并不复杂：输入一张农作物叶片图片，模型输出它属于哪一类。以水稻、玉米、小麦这类主粮作物为主，每一类下细分健康叶片和不同病害类型，比如稻瘟病、玉米大斑病、小麦条锈病等。病害识别这件事在农业植保领域是刚需，传统做法靠农技人员肉眼判断，效率低、主观性强，而深度学习图像分类正好能把这件事做成一个可以自动化的工具。

从代码工程的角度看，这个项目覆盖了一条完整的视觉分类流水线：数据读取与增强、模型构建与训练、权重保存与加载、单张图片预测、批量预测，甚至还有简单的Web可视化界面（不同版本源码包结构会有差异，但训练和预测两个核心模块是标配）。这意味着你拿到手的不是一个孤零零的模型文件，而是一套能跑、能改、能换数据集复用的完整代码库。

对于正在做人工智能大作业的人来说，这个项目的价值在于它兼具两个特点：一是技术栈主流，Python加PyTorch（部分版本用TensorFlow/Keras，但逻辑一致），深度学习用的是经典的卷积神经网络，不是玩具代码；二是改造成本低，换一套自己的数据集，改几行分类类别参数，就能变成果蔬识别、杂草识别、垃圾图片分类等其他项目，可复用性很强。

当然，我也要泼一盆冷水。网上流传的源码包质量参差不齐，有的训练脚本缺依赖、有的数据集没放全、有的代码缩进都是乱的。所以在展开讲解这个项目怎么用之前，我会把整个项目的文件结构、核心代码逻辑、训练推理流程、常见报错全部拆开讲清楚，你能判断手头这份源码是否完整，也知道每一步在做什么、为什么这样做。

2. 模型结构选型：为什么用ResNet而不是自己搭CNN

这个项目里最核心的模型部分，不同版本源码采用的网络结构可能不同，但主流版本基本以ResNet系列为主。理解这个选择，比只会在命令行敲python train.py重要得多。

2.1 从零搭CNN的问题出在哪

很多教程一开始会让你自己堆卷积层，比如Conv2d -> BN -> ReLU -> MaxPooling这样叠几层。对于MNIST手写数字这种简单任务，自搭CNN完全够用。但农作物病虫害识别不一样，不同病害的叶片纹理差异非常细微，比如稻瘟病和胡麻叶斑病，两者都是叶片上长斑点，只是斑点形状、颜色、分布密度有差异。这种细粒度分类（Fine-grained Classification）任务对特征提取能力要求很高，自己堆的几层卷积根本学不到这么细节的特征。

如果强行加深网络层数，比如手动加到20层、30层，又会遇到一个经典问题：梯度消失。反向传播时梯度在多层之间连乘，越往前传越小，浅层网络的权重几乎得不到有效更新，结果就是网络层数增加了，但准确率反而下降，甚至不收敛。这就是论文里常说的退化问题（Degradation Problem）。

2.2 ResNet的残差结构解决了什么

ResNet的核心创新是残差学习，用一句话说就是：不是直接让网络去拟合目标映射，而是让网络去拟合残差。

# 残差块核心思想示意 def forward(self, x): residual = x # 恒等映射，走捷径 out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) out += residual # 加上输入本身 out = self.relu(out) return out

这个过程可以类比为一个带"逃生通道"的流程：即使中间的卷积层学不到任何有用的东西，信息还能通过旁边的捷径直接传到后面，梯度也能顺畅地传回前面。所以ResNet可以轻松做到50层、101层甚至更深，而不会出现退化问题。

在这个项目里，较深的ResNet50是平衡性能和训练成本的选择。ResNet18太浅，提取细粒度特征的能力偏弱；ResNet101参数多、训练慢，在单块普通GPU上要等很久；ResNet50正好处于甜点位。如果你手里的源码用的是ResNet50，这是最合理的配置。

2.3 迁移学习：站在预训练模型的肩膀上

源码中通常还有一个关键操作——使用ImageNet预训练权重进行迁移学习，而不是从头随机初始化训练。

# 迁移学习典型写法 import torchvision.models as models # 加载预训练模型，pretrained=True表示下载在ImageNet上训练好的权重 model = models.resnet50(pretrained=True) # 修改最后一层全连接，输出类别数改为自己的病害类别数 num_classes = len(class_names) model.fc = torch.nn.Linear(model.fc.in_features, num_classes)

冻结部分层（冻结backbone、只训练fc层）适合数据量极少的场景，但这个项目建议的做法是：不冻结全部卷积层，而是采用分层微调策略。前几层学习的是通用特征（边缘、颜色、纹理），对绝大多数图像任务都有效，不需要大改；后几层学习的是任务特定特征，需要重点训练。实际操作中，通常把学习率设置成分组不同的，backbone用较小的学习率，新增的fc层用10倍学习率。

这样做的效果是：训练收敛更快，最终准确率更高。农作物病虫害数据集通常只有几千到几万张图，和ImageNet的千万级数据量完全不是一个量级，从零训练深度模型几乎不可能达到高精度，迁移学习是这类小数据集视觉任务的事实标准做法。

3. 数据集处理：原始图片到模型输入的完整链路

训练图像分类模型，数据的组织方式直接决定代码能不能跑通。拿到源码包以后，第一步不是急着训练，而是先检查数据集目录结构是否正确。

3.1 标准目录组织和标签编码

这个项目的数据集目录通常长这样：

data/ ├── train/ │ ├── rice_blast/ │ │ ├── 001.jpg │ │ ├── 002.jpg │ │ └── ... │ ├── rice_brown_spot/ │ ├── corn_leaf_blight/ │ └── ... ├── val/ │ ├── rice_blast/ │ └── ... └── test/ └── ...

ImageFolder是PyTorch中处理这种目录结构最方便的工具，它会自动按子文件夹名称生成类别标签，并按字母顺序排序。需要注意：假如训练集有10类，验证集和测试集也必须保证完全相同的子文件夹名，否则标签顺序会对不上，模型预测结果就是乱的。

from torchvision import datasets, transforms train_dataset = datasets.ImageFolder( root='data/train', transform=train_transforms ) # 类别名和索引映射 print(train_dataset.class_to_idx) # 输出示例：{'corn_leaf_blight': 0, 'corn_rust': 1, 'rice_blast': 2, ...}

3.2 数据增强策略：怎么让几千张图发挥出几万张的效果

农作物病害图片的采集工况比较特殊：田间拍摄时光照条件不稳定、叶片姿态多样、背景杂乱，不同地块的土壤颜色也会影响模型表现。如果不做数据增强，模型很容易过拟合，在训练集上准确率99%，到验证集只有85%。

这个项目里一套合理的训练增强策略包括：

train_transforms = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.8, 1.0)), # 随机裁剪缩放 transforms.RandomHorizontalFlip(p=0.5), # 随机水平翻转 transforms.RandomRotation(15), # 随机旋转15度以内 transforms.ColorJitter(brightness=0.3, contrast=0.3, # 颜色扰动 saturation=0.3, hue=0.1), transforms.ToTensor(), # 转张量 transforms.Normalize(mean=[0.485, 0.456, 0.406], # 标准化 std=[0.229, 0.224, 0.225]) ])

每个操作背后都有实际意义。RandomResizedCrop模拟了不同距离拍摄叶片的效果，让模型学会关注叶片本身而不是固定位置；ColorJitter模拟了早晚不同光照条件，因为实际场景中不可能保证每张照片的亮度饱和度都一致；RandomRotation针对田间叶片倾斜角度不固定的情况。

验证集和测试集不能做随机增强，只需要resize到224，转张量，然后做同样的标准化。这里很容易犯的一个错误是训练和验证用了不同的预处理逻辑，导致验证结果失真。

另外提醒一点：预处理中使用的mean和std是ImageNet数据集的统计值[0.485, 0.456, 0.406]和[0.229, 0.224, 0.225]。由于项目使用了ImageNet预训练权重，这个标准化参数必须保持一致，不能自己随便改，否则输入数据分布和预训练权重期望的分布不匹配，模型效果会大打折扣。

3.3 DataLoader的workers和shuffle细节

from torch.utils.data import DataLoader train_loader = DataLoader( train_dataset, batch_size=32, shuffle=True, # 训练集必须打乱顺序 num_workers=4, # 数据加载线程数 pin_memory=True # 加速GPU传输 ) val_loader = DataLoader( val_dataset, batch_size=32, shuffle=False, # 验证集不需要打乱 num_workers=4, pin_memory=True )

训练集shuffle=True很重要。如果不打乱，每个batch内的图片都来自同一个类别，模型会学到"连续多张图是同一类"这种虚假规律，影响收敛效果。num_workers在Windows系统上如果设置过大偶尔会报错，一般建议设置成4或8，超过了CPU核心数反而会变慢。pin_memory=True能把数据直接锁在页锁定内存里，减少了CPU到GPU的拷贝时间，训练速度会有可感知的提升。

4. 训练核心流程：参数、损失函数和验证策略

数据准备完成，接下来进入最核心的训练环节。理解训练脚本每一行在做什么，才能在你自己的数据集上灵活调整。

4.1 损失函数和优化器配置

这是一个多分类问题，输出层使用nn.CrossEntropyLoss是标准做法。这个损失函数内部其实做了两件事：先对模型输出做Softmax归一化成概率分布，再计算交叉熵损失。所以在写模型的时候，最后一层不需要额外加Softmax激活函数，直接在fc层输出原始logits就好，损失函数里会处理。

import torch.optim as optim criterion = nn.CrossEntropyLoss() # 分组设置不同学习率 optimizer = optim.SGD([ {'params': model.conv1.parameters(), 'lr': 0.0001}, {'params': model.bn1.parameters(), 'lr': 0.0001}, {'params': model.layer1.parameters(), 'lr': 0.0001}, {'params': model.layer2.parameters(), 'lr': 0.0001}, {'params': model.layer3.parameters(), 'lr': 0.0001}, {'params': model.layer4.parameters(), 'lr': 0.0001}, {'params': model.fc.parameters(), 'lr': 0.001}, # 新层用大学习率 ], momentum=0.9, weight_decay=1e-4)

优化器这里用SGD而不是Adam，可能和很多教程的推荐不一样。SGD加动量虽然在收敛速度上不如Adam，但最终泛化能力通常更好，在图像分类任务上这是个被反复验证的经验。如果你图省事用Adam，学习率建议从1e-4起步，效果也可以接受，但SGD配合余弦退火学习率调度通常能到更高的准确率。

学习率调度器方面，源码里常见的有两种：StepLR每30个epoch把学习率乘以0.1，以及CosineAnnealingLR让学习率按余弦曲线平滑下降。我个人更偏向余弦退火，因为它前期训练快、后期收敛稳，不容易出现StepLR那种学习率突变导致loss震荡的问题。

4.2 训练循环和验证循环的标准写法

def train_one_epoch(model, train_loader, criterion, optimizer, device): model.train() running_loss = 0.0 correct = 0 total = 0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() epoch_loss = running_loss / total epoch_acc = correct / total return epoch_loss, epoch_acc def validate(model, val_loader, criterion, device): model.eval() running_loss = 0.0 correct = 0 total = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) loss = criterion(outputs, labels) running_loss += loss.item() * inputs.size(0) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() epoch_loss = running_loss / total epoch_acc = correct / total return epoch_loss, epoch_acc

两个函数最大的区别在于model.train()和model.eval()的切换，以及是否使用torch.no_grad()。train()模式下BatchNorm层会使用当前batch的均值方差来归一化，Dropout层随机丢弃神经元；eval()模式下BatchNorm改用训练阶段统计好的全局均值方差，Dropout层完全不生效。如果忘了把模型切到eval()模式就去跑验证，对于有Dropout层的模型，预测结果会很不可控。

4.3 模型保存：epoch和checkpoint都不如best模型重要

训练过程中每个epoch结束都会做验证，这时最需要做的一件事是：如果当前验证集准确率比历史最高更好，就保存当前模型权重。而不是等到训练全部结束后再手动挑。后面做预测、做界面、部署，全部都用这个"最佳模型"，而不是最后一个epoch的模型。

best_acc = 0.0 for epoch in range(num_epochs): train_loss, train_acc = train_one_epoch(...) val_loss, val_acc = validate(...) print(f"Epoch {epoch+1}/{num_epochs}, " f"Train Loss: {train_loss:.4f}, Train Acc: {train_acc:.4f}, " f"Val Loss: {val_loss:.4f}, Val Acc: {val_acc:.4f}") # 只在验证集准确率提升时保存 if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), 'best_model.pth') print(f" -> 保存最佳模型，验证准确率: {val_acc:.4f}")

另外，最好把所有训练日志保存到文本文件里，用简单的重定向python train.py > training_log.txt或者代码里用logging模块记录。训练曲线是你判断模型是否过拟合、学习率是否合理的关键证据，写论文或者答辩的时候也需要贴训练曲线图。

4.4 过拟合判断：训练过程中你到底在看什么

不要只盯着最终准确率，训练过程的信息量更大。理想情况下，训练集和验证集loss应该同步下降并趋于平稳。如果看到如下信号，需要及时调整：

• 训练loss持续下降，但验证loss先降后升，说明模型开始过拟合，应该增加数据增强强度或提前停止训练。
• 训练acc和验证acc差距超过10个百分点，说明模型对训练集记忆过深，常见原因是数据量不足或增强不够。
• 验证acc在某个点后基本不涨，但还有波动，说明学习率太低，可以从这个点附近做一次微调。

我在超参数调优阶段的基本策略是：先用默认配置跑20个epoch看整体趋势，确认模型在正常收敛后，再调整学习率和数据增强。一次性把所有超参数都改了，出了问题根本定位不到是哪一项导致的。

5. 预测和部署：模型训练好后怎么用起来

训练完成不等于项目结束。实际上，对大部分交作业、做毕设的人来说，预测脚本和可视化界面才是让项目显得完整的关键。

5.1 单张图片预测的完整流程

import torch from PIL import Image from torchvision import transforms def predict_image(image_path, model, class_names, device): # 同样的预处理流程，注意和训练保持一致 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) image = Image.open(image_path).convert('RGB') input_tensor = transform(image).unsqueeze(0) # 增加batch维度 input_tensor = input_tensor.to(device) model.eval() with torch.no_grad(): outputs = model(input_tensor) probabilities = torch.softmax(outputs, dim=1) top_prob, top_class = torch.max(probabilities, dim=1) # 返回预测标签和置信度 predicted_label = class_names[top_class.item()] confidence = top_prob.item() return predicted_label, confidence

这里有个特别容易踩的坑：预测时的预处理必须和训练时一致。训练时用了RandomResizedCrop(224)做数据增强，预测时就只能用一个固定的Resize((224, 224))，不能把随机操作也带上。很多网上的教程预处理代码写得不一致，导致训练好好的模型，预测时准确率暴跌，就是因为输入分布变了。

另外注意PIL.Image.open打开的图片本来是RGB三通道，但如果图片本身是灰度图或者有损压缩图，读出来可能是单通道或者带alpha通道的PNG，convert('RGB')能强制统一成三通道，避免Tensor维度不匹配的报错。

5.2 预测结果与置信度的使用建议

输出置信度很有用，不只是为了展示好看。实际使用中，当置信度低于0.5时，很可能输入图片不是任何训练类别的叶片（比如拍了张背景杂乱的照片），或者是训练数据里没见过的病害。在生产环境里可以在预测脚本加一个阈值过滤：

if confidence < 0.5: print(f"置信度仅{confidence:.2f}，图片可能不属于已知类别，请人工复核") else: print(f"识别结果: {predicted_label}，置信度: {confidence:.2f}")

这种处理方式很符合现实中植保应用的落地逻辑：模型自动识别的结果如果过于不确定，不应该直接输出给用户，而是应该提示人工复核，避免误诊造成实际损失。

5.3 批量预测：处理一个文件夹里的所有图片

批量预测脚本其实就是在单张预测外面加一层循环：

import os from pathlib import Path def predict_folder(folder_path, model, class_names, device): results = [] image_extensions = ['.jpg', '.jpeg', '.png', '.bmp'] for img_path in sorted(Path(folder_path).glob('*')): if img_path.suffix.lower() not in image_extensions: continue label, conf = predict_image(str(img_path), model, class_names, device) results.append((img_path.name, label, conf)) print(f"{img_path.name} -> {label} ({conf:.2f})") return results

批量预测最容易出问题的是遇到损坏图片或非标准编码的图片，PIL读取时可能抛出异常。稳妥的做法是加上try-except：

try: label, conf = predict_image(str(img_path), model, class_names, device) except Exception as e: print(f"{img_path.name} 读取或预测失败: {e}") continue

这样才是一份放到生产环境里也不会跑几小时就崩的代码。

6. 环境配置与常见问题排查：拿到源码后最容易卡住的环节

绝大多数学员拿到这个项目源码后，卡住的地方不是模型代码本身，而是环境搭建和运行报错。下面把常见问题按出现频率排个序，附上排查思路。

6.1 环境版本搭配建议

这个项目对库版本有硬性要求，尤其PyTorch和CUDA的搭配必须匹配。推荐一套比较稳的组合：

安装PyTorch时最推荐用官方命令生成器，它会根据你的操作系统和CUDA版本自动生成安装命令，比自己手动pip容易出问题。如果你没有独立显卡或者驱动装不好，CPU版本也能跑，只是训练时间会慢一个数量级，建议先跑通代码流程再考虑GPU加速。

6.2 亲测最常见的四个报错及解决

报错一：数据集目录找不到或者路径不存在

FileNotFoundError: [Errno 2] No such file or directory: 'data/train'

这类问题的根源几乎都是工作目录不对。源码包解压后，你打开了Python脚本开始运行，但脚本里的相对路径data/train是相对于项目根目录的，不是相对于脚本所在目录的。如果你直接在图片浏览器或者文件管理器的预览窗口运行脚本，工作目录可能根本不对。解决方法是：打开命令行，cd进入项目根目录（和data文件夹、train.py同级），再运行python train.py。或者干脆在代码开头把所有路径改成绝对路径，一劳永逸。

报错二：CUDA out of memory

RuntimeError: CUDA out of memory.

显存不足，优先把batch_size从32改成16或8。如果还是不行，检查一下是否同时跑着多个训练任务。有一种隐蔽情况是：上一次训练进程没有正常结束，显存一直没释放，用nvidia-smi命令可以查看到显存占用情况，找到残留进程后杀掉再重新训练。

报错三：图片读取时KeyError或者Cannot identify image file

这类问题通常发生在批量预测环节，说明文件夹里混入了损坏图片或者根本就不是图片的文件。按前面说的在预测代码里加try-except跳过就好。如果想要更彻底地排查，可以写一个小脚本扫描整个数据集，把所有无法读取的文件列出来然后人工处理。

报错四：模型结构不匹配

RuntimeError: Error(s) in loading state_dict for ResNet: Missing key(s) in state_dict: "fc.weight", "fc.bias".

这个问题几乎都是因为改动了模型结构之后，直接加载了原来预训练权重。如果你在resnet50基础上去掉了某个层或者改了fc层输出维度，就不能再加载原始的state_dict。应该像前面代码那样，只在加载预训练权重后再替换fc层，顺序不能反。

6.3 预测结果全是同一类：八成是忘记切eval模式

这个坑发生频率极高，而且不容易发现。模型预测时如果没写model.eval()，BatchNorm层仍然使用当前batch的统计信息，对单张图片输入来说，这个统计值非常不准确，会导致输出分布产生偏移，预测结果会倾向于集中到某一个类。症状就是不管输入什么图，输出都指向同一个类别，而且置信度还不低。

排查方法很简单：在预测函数里检查是不是写了model.eval()，确认在no_grad()之前调用。还有一种类似情况的根源是训练时保存的是最后一个epoch的模型，而最后一个epoch恰好在验证集上表现很差，导致预测阶段效果崩坏。按前面说的用验证准确率最高的模型，能避免这个隐患。

7. 从交作业到真项目：还能怎么把代码改造成自己的

很多读者会问：这个项目拿到手，怎么改造成自己独一无二的东西？这里分享三条可行的扩展路径，难度从低到高。

7.1 换成自己的数据集

这是最简单的改造方式。核心只有两步：把新类别图片按目录结构放好，改成对应的num_classes。以果蔬识别为例，数据目录从data/train/rice_blast改成data/train/apple_fresh，模型定义处从num_classes = 10改成num_classes = 6，其他代码逻辑完全不用动。但要注意：数据集质量直接影响最终效果，如果每个类别只有二三十张图，建议先用torchvision看图工具检查一下图片内容是否准确，有没有混入杂图，否则再怎么调参准确率也上不去。

7.2 换一个更轻量的模型

如果你的部署环境是树莓派、手机端或者其他计算资源受限的设备，把ResNet50换成MobileNetV3或EfficientNet-Lite是合理的做法。代码改动非常小：

import torchvision.models as models # 把ResNet50换成MobileNetV3-Large model = models.mobilenet_v3_large(pretrained=True) model.classifier[3] = torch.nn.Linear(model.classifier[3].in_features, num_classes)

同样的数据集下，MobileNet的参数量大概是ResNet50的十分之一，推理速度快好几倍，精度损失通常在三到五个百分点以内。实际产品落地时，这个精度换速度的权衡往往完全值得。

7.3 从准确率到能落地的完整界面

部分源码包自带HTML前端界面，通过Flask或Streamlit启动一个网页服务，浏览器里上传图片就能看到识别结果。如果你手里的源码没有界面，也可以自己补一个Streamlit版本，代码量很小：

import streamlit as st st.title("农作物病虫害识别系统") uploaded_file = st.file_uploader("上传叶片图片", type=["jpg", "png", "jpeg"]) if uploaded_file is not None: image = Image.open(uploaded_file).convert("RGB") st.image(image, caption="待识别图片", use_column_width=True) label, confidence = predict_image(uploaded_file, model, class_names, device) st.write(f"识别结果: {label}") st.write(f"置信度: {confidence:.2f}")

有了界面之后，这个项目的完整度会提升一个档次。不仅自己使用方便，答辩演示时效果也要好得多——评委不需要看命令行窗口，直接看网页交互就行。

7.4 代码是否完整的最低判断标准

既然是从网上下载的源码包，动手改之前先确认这份源码是否完整。最稳妥的检查方式是顺着这个清单过一遍：

• train.py能正常运行并且开始迭代
• 训练结束后生成best_model.pth权重文件
• predict.py能加载权重并输出结果
• 数据集目录存在且每个类别图片数量均衡

如果其中任何一步卡住，先根据报错日志定位是代码问题、路径问题还是环境问题，逐项排查。记住一点：开源项目哪怕代码写得再好，环境配置和数据集准备这一步也得自己做，把这一步走通了，后面的工作就顺了。

本文还有配套的精品资源，点击获取