下载文档原格式
卷积神经网络算法分析及图像处理示例卷积神经网络（Convolutional Neural Network, CNN）是一种广泛应用于图像处理、语音识别等领域的深度神经网络，在计算机视觉中被广泛应用。
它的特殊之处在于，它的网络结构与人类的视觉神经结构有异曲同工之妙，能够有效提取图片中的图像特征。
下面将介绍我们是如何应用卷积神经网络对图像进行处理的，并对算法进行分析。
首先来看卷积神经网络的基本算法思想。
卷积神经网络是由卷积层、池化层、全连接层等基本组件构成的，其中卷积层是卷积神经网络的核心，因为它负责特征提取。
这么说可能还不是很清楚，下面就来详细分析一下卷积神经网络的算法。
卷积神经网络的算法分析主要分为两个方面：卷积层的算法和反向传播算法。
1. 卷积层的算法卷积神经网络的卷积层基本操作是使用固定大小的窗口在输入特征图（inputfeature map）的每个位置上对应进行卷积，然后将这些卷积结果组合成输出特征图（output feature map）。
一个卷积滤波器（卷积核）从输入特征图的左上角开始移动，每次向右移动一个像素，然后再向下移动一个像素。
卷积核内的值与输入特征值相乘之和（即内积）即为卷积结果，而这个卷积结果则成为输出特征值。
在卷积过程中，卷积核通常是可以学习的，也就是说，网络会自适应地训练卷积核以自动提取有用的特征。
这个训练过程是通过反向传播实现的。
2. 反向传播算法反向传播算法是卷积神经网络使用的一种优化算法，用于计算网络的误差梯度，以便对网络进行调整。
反向传播算法主要分为两个步骤：前向传播和反向传播。
前向传播是卷积神经网络中的重要环节，通过这一步骤可以得到每个节点的输出（forward pass）。
它通过不断迭代多次前向传播来计算最终输出。
反向传播是指统计误差并利用误差信息来训练网络（backward pass）。
它通过计算误差的反向传播，逐层更新每个节点的权重来训练网络，完成优化操作。
深度卷积神经网络的原理与应用深度卷积神经网络（Deep Convolutional Neural Network, DCNN）是一种在计算机视觉领域取得巨大成功的深度学习模型。
它通过模拟人脑视觉系统的工作原理，能够对图像进行高效的特征提取和分类。
本文将介绍DCNN的原理、结构和应用，并探讨其在计算机视觉领域的前沿研究。
一、DCNN的原理DCNN的核心思想是模拟人脑视觉系统中的神经元活动。
人脑视觉系统通过多层次的神经元网络对图像进行处理，从低级特征（如边缘、纹理）逐渐提取到高级特征（如形状、物体）。
DCNN也采用了类似的层次结构，通过多层卷积和池化层对图像进行特征提取，再通过全连接层进行分类。
具体来说，DCNN的核心组件是卷积层。
卷积层通过一系列的卷积核对输入图像进行卷积操作，提取图像的局部特征。
每个卷积核对应一个特定的特征，如边缘、纹理等。
卷积操作可以有效地减少参数数量，提高计算效率。
此外，卷积层还通过非线性激活函数（如ReLU）引入非线性，增加模型的表达能力。
为了减小特征图的尺寸，DCNN还引入了池化层。
池化层通过对特征图进行降采样，保留重要的特征同时减小计算量。
常用的池化操作有最大池化和平均池化。
通过多次卷积和池化操作，DCNN可以逐渐提取出图像的高级特征。
二、DCNN的结构DCNN的结构通常由多个卷积层、池化层和全连接层组成。
其中，卷积层和池化层用于特征提取，全连接层用于分类。
除了这些基本组件，DCNN还可以引入一些额外的结构来提高性能。
一种常见的结构是残差连接（Residual Connection）。
残差连接通过跳过卷积层的部分输出，将输入直接与输出相加，从而解决了深层网络训练困难的问题。
这种结构能够有效地减少梯度消失和梯度爆炸，加速网络收敛。
另一种常见的结构是注意力机制（Attention Mechanism）。
注意力机制通过给予不同特征不同的权重，使网络能够更加关注重要的特征。
这种结构在处理复杂场景或多目标识别时能够提升模型的性能。
深度学习中的主要网络结构与原理解析深度学习是一种机器学习方法，通过模拟人脑神经网络的结构和功能，实现对大规模数据的学习和处理。
在深度学习中，网络结构起到了至关重要的作用，不同的网络结构决定了模型的性能和学习能力。
本文将对深度学习中的主要网络结构与原理进行解析。
一、卷积神经网络（CNN）卷积神经网络是深度学习中最重要的网络结构之一，它主要用于图像和语音等二维数据的处理。
CNN的核心思想是通过卷积层、池化层和全连接层等组成，实现对图像特征的提取和分类。
其中，卷积层通过卷积操作提取图像的局部特征，池化层通过降采样操作减少参数数量，全连接层通过多层神经元实现分类任务。
CNN的优点在于能够自动学习图像的特征，减少了手动特征提取的工作量，因此被广泛应用于图像识别、目标检测等领域。
二、循环神经网络（RNN）循环神经网络是一种具有记忆功能的神经网络，主要用于序列数据的处理，如语音识别、自然语言处理等。
RNN的特点在于能够处理变长的输入序列，并通过隐藏层的循环连接实现对历史信息的记忆。
然而，传统的RNN在处理长序列时容易出现梯度消失或梯度爆炸的问题，限制了其在实际应用中的效果。
为了解决这个问题，研究者提出了长短期记忆网络（LSTM）和门控循环单元（GRU）等变种结构，有效地解决了梯度问题，提升了RNN在序列数据处理中的表现。
三、生成对抗网络（GAN）生成对抗网络是一种通过对抗训练的方式生成新的数据样本的网络结构。
GAN 由生成器和判别器两个部分组成，生成器通过学习真实数据的分布，生成与之相似的新样本，判别器则通过判断样本的真实性来提供反馈。
通过不断迭代训练，生成器和判别器的性能逐渐提升，最终生成器能够生成逼真的新样本。
GAN的应用非常广泛，如图像生成、图像修复、图像风格转换等。
四、自编码器（Autoencoder）自编码器是一种无监督学习的神经网络结构，主要用于数据的降维和特征提取。
自编码器由编码器和解码器两部分组成，编码器将输入数据映射到低维的隐藏层表示，解码器则将隐藏层表示重构为原始数据。
深度学习技术中的卷积神经网络结构和特点解析卷积神经网络（Convolutional Neural Network，CNN）是当今深度学习技术中最重要的模型之一。
它被广泛应用于计算机视觉、自然语言处理、语音识别等领域。
本文将解析卷积神经网络的结构和特点，帮助读者更好地理解和运用这一强大的深度学习工具。
一、卷积神经网络的结构卷积神经网络由多层神经网络组成，每一层由多个神经元组成。
其中，最重要的几层是卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）。
1. 卷积层：卷积层是卷积神经网络的核心层之一。
它通过使用一组可学习的滤波器（或称为卷积核）对输入数据进行卷积操作，并生成特征图（Feature Map）。
卷积操作通过在输入数据中滑动卷积核，并在每个位置上执行点乘运算，得到对应位置的特征。
卷积层的特点在于共享权重。
这意味着在同一层的不同位置使用的卷积核是相同的，因此卷积层的参数量大大减少，使得网络更加简化。
2. 池化层：池化层用于对卷积层的特征进行降维和抽象。
它通过固定大小的滑动窗口在特征图上进行采样，并将采样结果汇聚为一个值。
常见的池化方法有最大池化和平均池化。
池化层能够减少参数数量，降低过拟合的风险，同时也增强特征的不变性和鲁棒性，使得网络对于输入数据的微小变化具有更好的鲁棒性。
3. 全连接层：全连接层是卷积神经网络的最后一层，也是输出层。
它将前面的隐藏层与最终的分类器相连，将特征转化为概率或标签。
全连接层的每个神经元与前一层中的所有神经元都有连接关系。
全连接层的作用是将抽取到的特征与实际标签进行匹配，从而进行最终的分类判断。
二、卷积神经网络的特点1. 局部感知性：卷积神经网络通过卷积操作对输入数据进行特征提取，并利用池化操作定位和提取最显著的特征。
这种局部感知性使得网络对于局部信息具有更好的提取和理解能力。
【机器学习基础】卷积神经⽹络（CNN）基础最近⼏天陆续补充了⼀些“线性回归”部分内容，这节继续机器学习基础部分，这节主要对CNN的基础进⾏整理，仅限于基础原理的了解，更复杂的内容和实践放在以后再进⾏总结。
卷积神经⽹络的基本原理 前⾯对全连接神经⽹络和深度学习进⾏了简要的介绍，这⼀节主要对卷积神经⽹络的基本原理进⾏学习和总结。
所谓卷积，就是通过⼀种数学变换的⽅式来对特征进⾏提取，通常⽤于图⽚识别中。
既然全连接的神经⽹络可以⽤于图⽚识别，那么为什么还要⽤卷积神经⽹络呢？（1）⾸先来看下⾯⼀张图⽚： 在这个图⽚当中，鸟嘴是⼀个很明显的特征，当我们做图像识别时，当识别到有“鸟嘴”这样的特征时，可以具有很⾼的确定性认为图⽚是⼀个鸟类。
那么，在提取特征的过程中，有时就没有必要去看完整张图⽚，只需要⼀⼩部分就能识别出⼀定具有代表的特征。
因此，使⽤卷积就可以使某⼀个特定的神经元（在这⾥，这个神经元可能就是⽤来识别“鸟嘴”的）仅仅处理带有该特征的部分图⽚就可以了，⽽不必去看整张图⽚。
那么这样就会使得这个神经元具有更少的参数（因为不⽤再跟图⽚的每⼀维输⼊都连接起来）。
（2）再来看下⾯⼀组图⽚：上⾯两张图⽚都是鸟类，⽽不同的是，两只鸟的“鸟嘴”的位置不同，但在普通的神经⽹络中，需要有两个神经元，⼀个去识别左上⾓的“鸟嘴”，另⼀个去识别中间的“鸟嘴”： 但其实这两个“鸟嘴”的形状是⼀样的，这样相当于上⾯两个神经元是在做同⼀件事情。
⽽在卷积神经⽹络中，这两个神经元可以共⽤⼀套参数，⽤来做同⼀件事情。
（3）对样本进⾏⼦采样，往往不会影响图⽚的识别。
如下⾯⼀张图： 假设把⼀张图⽚当做⼀个矩阵的话，取矩阵的奇数⾏和奇数列，可看做是对图⽚的⼀种缩放，⽽这种缩放往往不会影响识别效果。
卷积神经⽹络中就可以对图⽚进⾏缩放，是图⽚变⼩，从⽽减少模型的参数。
卷积神经⽹络的基本结构如图所⽰： 从右到左，输⼊⼀张图⽚→卷积层→max pooling（池化层）→卷积层→max pooling（池化层）→......→展开→全连接神经⽹络→输出。
十种深度学习算法要点及代码解析一、卷积神经网络（CNN）1.1算法原理：卷积神经网络（CNN）是一种深度神经网络，通过一系列卷积层和池化层实现特征提取和信息处理，可以有效的处理图像、语音、文字等多种复杂数据，相比传统的神经网络，其特征更加准确、泛化能力更强，训练更快；1.2基本结构：CNN通常由输入层、卷积层、激活层、池化层、全连接层（FC）组成；1.3应用场景：CNN应用最广泛的场景是机器视觉，对图像进行分类、识别和特征提取，特别是在人脸识别、图像分类等领域；（1）构建卷积神经网络先导入必要的库：from keras.models import Sequential #导入序列模型from yers import Conv2D, MaxPooling2D #导入卷积层和池化层from yers import Activation, Dropout, Flatten, Dense #导入激活函数、Dropout层、Flatten层、全连接层#构建模型#实例化一个Sequential模型model = Sequential#第1层卷积model.add(Conv2D(32, (3, 3), input_shape = (32, 32, 3))) model.add(Activation('relu'))#第2层卷积model.add(Conv2D(32, (3, 3)))model.add(Activation('relu'))#第3层池化model.add(MaxPooling2D(pool_size = (2, 2)))#第4层Dropoutmodel.add(Dropout(0.25))#第5层Flatten层model.add(Flatten()#第6层全连接model.add(Dense(128))model.add(Activation('relu'))#第7层Dropout层model.add(Dropout(0.5))#第8层全连接model.add(Dense(10))model.add(Activation('softmax'))。
基于卷积神经网络的深度学习模型随着人工智能技术的不断发展和深入探索，深度学习已经成为了人工智能领域的重要分支。
基于深度学习的卷积神经网络（Convolutional Neural Network，CNN）已经被广泛应用于图像识别、语音处理、自然语言处理等领域，取得了显著的成果。
一、卷积神经网络的基本原理和结构卷积神经网络是一种前向反馈神经网络，其结构主要由卷积层、池化层和全连接层组成。
卷积层是CNN的核心，其主要作用是提取图像的局部特征，通过对图像不同区域的卷积运算，得到图像的特征图。
池化层用于对特征图进行降维处理，减少参数数量，提高模型的鲁棒性和泛化能力。
全连接层将池化层输出的特征图映射为对应的分类结果。
二、卷积神经网络的优势相较于传统机器学习算法，卷积神经网络具有以下优势：1. 自动特征提取：卷积层可以自动提取图像的特征，减少人工特征提取的工作量。
2. 鲁棒性强：CNN能够处理图像中的不同变形、角度和光照等变化，提高模型的稳定性。
3. 可迁移性强：CNN训练出的模型可以应用于新领域的图像识别和处理任务，具有良好的迁移能力。
三、卷积神经网络的应用卷积神经网络已经被广泛应用于图像识别、物体检测、人脸识别、自然语言处理等领域。
其中最为典型的应用就是图像识别，如在ImageNet图像识别竞赛中，CNN模型的表现超过了传统的机器学习算法，取得了最佳成绩。
另外，在自然语言处理领域，推出的BERT等预训练模型也广泛应用于文本分类、语言生成等任务。
四、卷积神经网络的发展趋势卷积神经网络的发展与深度学习领域的发展密不可分，未来卷积神经网络的发展趋势主要有以下几个方向：1. 模型结构的优化：研究更加高效的CNN结构和参数配置，提升模型性能和速度。
2. 联合学习：结合多种学习方法，形成综合学习模型，进一步提高模型的泛化能力。
3. 跨模态学习：基于跨模态学习，探索多种数据类型的融合，提高模型的多样性和创新性。
总的来说，卷积神经网络具有广泛的应用和发展前景，将会在未来的人工智能发展进程中扮演着非常重要的角色。
深度学习神经网络原理与应用分析深度学习神经网络是当今最热门的领域之一，其在人工智能、计算机视觉、语音识别和自然语言处理等方面都有广泛的应用。
深度学习的基础是神经网络，本文将对深度学习神经网络的原理与应用进行分析。
一、神经网络的基本结构与原理神经网络是由多个神经元组合而成的网络结构，每个神经元都具有多个输入和一个输出。
神经元接收到多个输入，并将这些输入送入激活函数中进行处理，最终输出一个结果。
多个神经元组成的网络就可以实现更加复杂的功能。
神经网络通常由输入层、中间层和输出层组成。
输入层是神经网络的接口，将外部信息输入到神经网络中；中间层是神经网络的核心，通过多个中间层的组合，可以实现非常复杂的功能；输出层是神经网络的输出接口，将神经网络的输出结果输出到外部。
神经网络的训练过程通常采用反向传播算法，该算法是求解网络的最优权值的一种方法。
在训练过程中，首先对神经网络进行正向传播，得到神经网络的输出结果；然后，将输出结果与期望输出结果进行比较，计算误差；最后，将误差通过反向传播算法传回网络，调整神经元之间的权值，使得误差最小化。
二、深度学习神经网络的应用1.计算机视觉深度学习在计算机视觉领域有着广泛的应用，如图像分类、目标识别和人脸识别等。
目前，卷积神经网络（CNN）已成为计算机视觉领域最常用的深度学习模型。
CNN的特点是可以自动提取图像的特征，并可以逐层提取信息，逐渐深入到图像的各个层次。
通过CNN，可以实现图像分类、目标检测、图像分割等多种计算机视觉任务。
2.语音识别深度学习在语音识别领域的应用也非常广泛。
传统的语音识别方法通常是通过Gaussian混合模型（GMM）和隐马尔可夫模型（HMM）来实现的。
然而，这些方法需要手动提取语音的特征，容易受到噪声和变化的影响。
深度学习神经网络可以自动提取语音的特征，并且对于噪声和变化具有很好的鲁棒性。
目前，深度学习神经网络已经成为语音识别领域最常用的模型之一。
深度学习中的卷积神经网络深度学习作为一项涉及模式识别、自然语言处理等各种领域的技术，近年来越来越受到关注。
在深度学习算法中，卷积神经网络（Convolutional Neural Networks，CNN）被广泛应用于图像识别、人脸识别、语音识别等领域，其出色的处理能力备受业界赞赏。
卷积神经网络的概念和发展卷积神经网络是一种用于图像、语音等自然信号处理的深度神经网络，于1980年代初在心理学、生物学以及神经学等领域内开始得到关注，主要是用来模仿生物神经系统中的视觉感知机制。
1998年，科学家Yann LeCun基于卷积神经网络提出了一个手写数字识别系统——LeNet，该系统主要应用于美国邮政部门的手写数字识别。
这个系统在当时的手写数字识别领域中取得了很大的成功，证明了卷积神经网络在图像处理领域的应用潜力。
近年来，随着深度学习技术的快速发展，以及算力和数据的快速增长，卷积神经网络得到了快速发展。
在图像识别和视觉研究领域，卷积神经网络取得了很大的成功。
2012年，Hinton等学者提出的AlexNet模型利用多层卷积神经网络对图像进行了分类，取得了ImageNet图像识别比赛冠军，大大提高了卷积神经网络在图像识别领域的应用价值，在业界掀起了一股深度学习的浪潮。
卷积神经网络的结构和特点卷积神经网络与传统神经网络的最大区别在于其采用了特殊的卷积层结构，并通过卷积核来共享参数，从而大大减少了模型的参数数量。
卷积神经网络的基本结构包含了卷积层、池化层、全连接层和softmax分类器。
卷积层（Convolutional Layer）是卷积神经网络中最重要的结构，其主要功能是提取输入信号的局部特征。
卷积层通过在输入信号上滑动卷积核的方式来提取特征，卷积核由一组可训练的权重和一个偏置项构成。
卷积层会对特征图进行下采样，从而得到更多特征，进而提高模型的表现能力。
池化层（Pooling Layer）用于降维和特征提取，可以减少卷积层的矩阵运算量，并防止过拟合。
数据结构在深度学习中的应用与案例分析深度学习是人工智能领域中的一个重要分支，它通过构建神经网络模型，利用大量的数据进行训练，从而实现模型的自动学习和预测能力。
在深度学习的过程中，数据结构起着至关重要的作用。
本文将重点探讨数据结构在深度学习中的应用与案例分析。
一、数据结构在深度学习中的基础作用深度学习中使用的数据结构主要包括向量、矩阵和张量等。
这些数据结构在深度学习中的基础作用体现在以下几个方面：1. 存储和表示数据：向量、矩阵和张量是存储和表示数据的基本单位。
在深度学习中，我们通常使用向量来表示一个样本的输入特征，使用矩阵来表示样本的输入数据集合，使用张量来表示神经网络的输入和输出。
2. 实现网络的参数表示：深度学习中的神经网络模型通常包含大量的参数，这些参数需要进行存储和更新。
我们可以使用矩阵来表示神经网络的权重矩阵，使用向量来表示神经网络的偏置向量，通过定义适当的数据结构，可以高效地存储和更新网络的参数。
3. 支持高效的计算操作：深度学习中的计算操作通常涉及大量的矩阵乘法、向量运算和张量操作。
合理选择和组织数据结构，可以有效地支持这些计算操作的高效执行，提升深度学习算法的训练和推理速度。
二、数据结构在深度学习中的具体应用在深度学习中，数据结构有广泛的应用。
以下是一些常见的应用场景及案例分析：1. 图像处理：深度学习在图像处理领域中得到了广泛的应用。
例如，在卷积神经网络（CNN）中，通过使用矩阵来表示图像的像素值，可以实现图像的高效处理和特征的提取。
此外，使用张量作为输入，可以实现对多通道图像的处理和分析。
2. 自然语言处理：深度学习在自然语言处理中的应用也非常广泛。
例如，在循环神经网络（RNN）中，可以使用矩阵来表示文字序列的输入特征，使用向量表示文字的嵌入表示。
这样可以实现对文字的文本生成、情感分析等任务。
3. 推荐系统：深度学习在推荐系统中的应用也十分重要。
通过使用矩阵来表示用户对商品的评分，可以构建推荐系统的基础数据结构。
深度学习技术和卷积神经网络的关系剖析当谈及深度学习技术时，我们经常会提到卷积神经网络（Convolutional Neural Networks, CNNs）。
深度学习是一种机器学习的分支，而卷积神经网络是深度学习算法中的重要组成部分。
本文将剖析深度学习技术与卷积神经网络之间的关系，并探讨它们在实际应用中的作用和意义。
深度学习技术是一种基于神经网络的机器学习方法，其核心思想是通过建立多层次的神经网络来模拟人脑的工作原理。
与传统的浅层神经网络相比，深度学习技术具有更好的表达能力和学习能力。
它能够自动学习和提取高层次的抽象特征，从而实现对复杂数据的准确分类和预测。
而卷积神经网络则是深度学习技术的一种重要架构。
它采用了卷积操作和池化操作等特殊的层次结构，在图像和语音等领域取得了很大的成功。
卷积神经网络的核心思想是通过神经元感受野的局部连接和权值共享来处理局部特征，从而降低了网络的参数量和计算复杂度，并提高了特征的鲁棒性和泛化能力。
深度学习技术中的“深度”指的是神经网络的层数，而卷积神经网络中的“卷积”指的是卷积操作。
通过将卷积层和全连接层进行堆叠，可以构建出深度卷积神经网络，用于解决图像分类、目标检测、语音识别等问题。
卷积层的作用是提取图像等数据中的局部特征，而全连接层则负责对这些特征进行综合和分类。
深度学习技术与卷积神经网络的关系可以从两个方面来分析。
首先，卷积神经网络是深度学习技术中的一种重要的架构。
深度学习技术本质上就是通过建立多层次的神经网络来实现数据的学习和表示。
而卷积神经网络则是深度学习技术中最为常用和成功的一种网络结构。
它通过卷积操作和池化操作等特殊的层次结构，能够更好地处理图像和语音等具有空间局部结构的数据。
因此，可以说卷积神经网络是深度学习技术的一个重要组成部分。
其次，深度学习技术利用卷积神经网络作为核心模型，通过训练大规模的数据和参数优化的方式来实现功能的学习和表示。
深度学习技术的成功与卷积神经网络在图像分类、目标检测、语音识别等领域的卓越表现密切相关。
神经网络中的卷积神经网络应用案例分享神经网络是一种基于人工神经元和神经突触的信息处理系统，可以用于图像识别、语音识别、自然语言处理等多种场景。
其中，卷积神经网络（Convolutional Neural Network，CNN）是最常用的神经网络之一，特别擅长于处理图像和视频数据。
近年来，随着深度学习技术的发展和普及，CNN被广泛应用于图像识别、目标检测、人脸识别等领域，在潜在病变检测、智能电力系统等方面也获得了不错的成果。
以下将分享一些神经网络中的卷积神经网络应用案例。
一、图像分类图像分类是CNN最常见的应用之一。
在这个任务中，CNN将图像作为输入，预测其所属的类别。
有些经典的数据集如MNIST （手写数字识别）、CIFAR-10/100（物体识别）和IMAGENET（大规模图像分类）等，它们作为深度学习算法的测试基准，广泛被用于各种图像识别任务。
其中，在ImageNet数据集上进行的ImageNet Large ScaleVisual Recognition Challenge，即ImageNet比赛，一直被视为深度学习界的“奥林匹克”。
2012年，Hinton等人提出的AlexNet网络，在这个比赛中赢得了独一无二的胜利。
自此之后，CNN技术快速发展，逐渐替代了以往基于手工设计特征的方法，成为了图像识别任务中的主流算法。
二、物体检测在实际应用中，不仅需要识别图像中的物体，还需要准确地定位它们的位置。
因此，物体检测也成为了一个重要的任务。
相比于图像分类，物体检测需要对每一个检测到的物体进行分类和定位，属于一个多任务学习问题。
基于CNN的物体检测方法在过去几年内得到了重大的进展。
比如，R-CNN、Fast R-CNN和Faster R-CNN等网络结构通过引入不同的思想和技巧，实现了从底图到物体识别的端到端训练，直接输出物体的区域和类别信息。
这些方法在维持着较高的精度的前提下，大幅提高了处理速度。
