您当前的位置：首页 > TensorFlow与卷积神经网络从算法入门到项目实战 华超 2019年版 > 下载地址2
TensorFlow与卷积神经网络从算法入门到项目实战 华超 2019年版
- 名 称：TensorFlow与卷积神经网络从算法入门到项目实战 华超 2019年版 - 下载地址2
- 类 别：计算机与网络
- 下载地址：[下载地址2]
- 提 取 码：
- 浏览次数：3
发表评论 加入收藏夹 错误报告目录| 新闻评论（共有 0 条评论） |
资料介绍
TensorFlow与卷积神经网络从算法入门到项目实战
作者：华超
出版时间： 2019年版
内容简介
本书从TensorFlow基础讲起，逐步深入TensorFlow进阶实战，最后配合项目实战案例，重点介绍了实用TensorFlow库训练卷积神经网络模型并将模型移植到服务器端、Android端和iOS端的知识。读者不但可以系统地学习TensorFlow库的使用，还能加深对深度卷积神经网络的理解。本书分为4篇，共13章，涵盖的主要内容有人工智能发展历程，TensorFlow基础入门，高维Tensor对象的工具函数，前馈网络，常见网络，TensorFlow数据存取，TensorFlow数据预处理，TensorFlow模型训练，TensorBoard可视化工具，中文手写字识别，移植模型到TensorFlow Serving端，移植TensorFlow模型到Android端，移植TensorFlow模型到iOS端。
目录
目录
第一篇 TensorFlow基础篇
第1章 绪论/t2
1．1 人工智能简介/t2
1．2 卷积神经网络/t3
1．3 搭建TensorFlow框架环境/t5
1．3．1 安装Anaconda/t5
1．3．2 安装TensorFlow/t7
第2章 TensorFlow基础入门/t9
2．1 第一个TensorFlow程序/t9
2．1．1 TensorFlow中的hello world/t9
2．1．2 TensorFlow中的图/t11
2．1．3 静态图与动态图/t14
2．2 初识Session/t15
2．2．1 将Session对象关联Graph对象/t15
2．2．2 Session参数配置/t17
2．3 常量与变量/t18
2．3．1 TensorFlow中的常量/t18
2．3．2 TensorFlow中的变量/t20
2．3．3 TensorFlow中的tf．placeholder/t28
2．4 Tensor对象/t29
2．4．1 什么是Tensor对象/t29
2．4．2 Python对象转Tensor对象/t31
2．4．3 Tensor对象转Python对象/t32
2．4．4 SparseTensor对象/t34
2．4．5 强制转换Tensor对象数据类型/t35
2．5 Operation对象/t37
2．5．1 什么是Operation对象/t37
2．5．2 获取并执行Operation对象/t37
2．6 TensorFlow流程控制/t40
2．6．1 条件判断tf．cond与tf．where/t40
2．6．2 TensorFlow比较判断/t43
2．6．3 TensorFlow逻辑运算/t44
2．6．4 循环tf．while_loop/t45
2．7 TensorFlow位运算/t48
2．7．1 且位运算/t48
2．7．2 或位运算/t49
2．7．3 异或位运算/t50
2．7．4 取反位运算/t51
2．8 TensorFlow字符串/t52
2．8．1 字符串的定义与转换/t53
2．8．2 字符串拆分/t55
2．8．3 字符串拼接/t56
第3章 高维Tensor对象的工具函数/t58
3．1 重定义Shape/t58
3．1．1 Reshape原理/t58
3．1．2 函数tf．reshape/t59
3．1．3 使用Python实现Reshape/t60
3．2 维度交换函数/t62
3．2．1 Transpose原理/t62
3．2．2 函数tf．transpose/t63
3．2．3 使用Python实现Transpose/t64
3．3 维度扩充与消除/t65
3．3．1 函数tf．expand_dims/t65
3．3．2 函数tf．squeeze/t66
3．4 Tensor对象裁剪/t68
3．4．1 Tensor对象裁剪原理/t68
3．4．2 函数tf．slice/t69
3．5 Tensor对象拼接/t70
3．5．1 Tensor对象拼接原理/t70
3．5．2 函数tf．concat使用/t71
3．6 tf．stack与tf．unstack/t72
3．6．1 函数tf．stack的原理/t72
3．6．2 函数tf．stack的使用/t73
3．6．3 函数tf．unstack的使用/t76
3．7 tf．argmax与tf．argmin/t79
3．7．1 函数tf．argmax与tf．argmin的原理/t79
3．7．2 函数tf．argmax与tf．argmin的使用/t79
第二篇 卷积神经网络篇
第4章 前馈网络/t83
4．1 卷积/t83
4．1．1 卷积的原理/t83
4．1．2 输出宽高与输入、Stride、卷积核及Padding之间的关系/t90
4．1．3 空洞卷积/t92
4．1．4 在TensorFlow中使用卷积/t93
4．1．5 用Python语言实现卷积算法/t95
4．2 反卷积/t97
4．2．1 反卷积的原理/t97
4．2．2 输出宽高与输入、Stride、反卷积核及Padding之间的关系/t103
4．2．3 在TensorFlow中使用反卷积/t105
4．2．4 用Python语言实现反卷积算法/t110
4．3 Batch Normalization/t113
4．3．1 Batch Normalization的原理/t113
4．3．2 在TensorFlow中使用Batch Normalization/t114
4．3．3 用Python语言实现Batch Normalization/t122
4．3．4 在TensorFlow中使用Batch Normalization时的注意事项/t123
4．4 Instance Normalization/t125
4．4．1 Instance Normalization的原理/t125
4．4．2 在TensorFlow中使用Instance Normalization/t126
4．4．3 用Python语言实现Instance Normalization/t130
4．5 全连接层/t132
4．5．1 全连接层的原理/t132
4．5．2 在TensorFlow中使用全连接层/t133
4．5．3 用Python语言实现全连接层/t134
4．6 激活函数/t135
4．6．1 激活函数的作用/t135
4．6．2 Sigmoid函数/t136
4．6．3 Tanh函数/t138
4．6．4 ReLU函数/t140
4．7 池化层/t142
4．7．1 池化层的原理/t142
4．7．2 在TensorFlow中使用池化层/t146
4．7．3 用Python语言实现池化层/t150
4．8 Dropout/t153
4．8．1 Dropout的作用/t153
4．8．2 在TensorFlow中使用Dropout/t154
第5章 常见网络/t156
5．1 移动端定制卷积神经网络――MobileNet/t156
5．1．1 MobileNet的原理与优势/t156
5．1．2 在TensorFlow中实现MobileNet卷积/t158
5．1．3 用Python语言实现Depthwise卷积/t164
5．1．4 MobileNet完整的网络结构/t167
5．1．5 MobileNet V2进一步裁剪加速/t168
5．2 深度残差网络――ResNet/t171
5．2．1 ResNet的结构与优势/t171
5．2．2 在TensorFlow中实现ResNet/t172
5．2．3 完整的ResNet网络结构/t175
5．3 DenseNet/t176
5．3．1 DenseNet的结构与优势/t176
5．3．2 在TensorFlow中实现DenseNet/t177
5．3．3 完整的DenseNet网络结构/t180
第三篇 TensorFlow进阶篇
第6章 TensorFlow数据存取/t183
6．1 队列/t183
6．1．1 构建队列/t183
6．1．2 Queue、QueueRunner及Coordinator/t190
6．1．3 在队列中批量读取数据/t194
6．2 文件存取/t200
6．2．1 读取文本文件/t200
6．2．2 读取定长字节文件/t202
6．2．3 读取图片/t205
6．3 从CSV文件中读取训练集/t207
6．3．1 解析CSV格式文件/t207
6．3．2 封装CSV文件读取类/t209
6．4 从自定义文本格式文件中读取训练集/t210
6．4．1 解析自定义文本格式文件/t211
6．4．2 封装自定义文本格式文件读取类/t212
6．5 TFRecord方式存取数据/t213
6．5．1 将数据写入TFRecord文件/t214
6．5．2 从TFRecord文件中读取数据/t215
6．6 模型存取/t217
6．6．1 存储模型/t217
6．6．2 从checkpoint文件中加载模型/t220
6．6．3 从meta文件中加载模型/t222
6．6．4 将模型导出为单个pb文件/t223
第7章 TensorFlow数据预处理/t226
7．1 随机光照变化/t226
7．1．1 随机饱和度变化/t226
7．1．2 随机色相变化/t228
7．1．3 随机对比度变化/t230
7．1．4 随机亮度变化/t232
7．1．5 随机伽玛变化/t234
7．2 翻转、转置与旋转/t237
7．2．1 随机上下、左右翻转/t237
7．2．2 随机图像转置/t239
7．2．3 随机旋转/t241
7．3 裁剪与Resize/t245
7．3．1 图像裁剪/t245
7．3．2 图像Resize/t249
7．3．3 其他Resize函数/t254
7．4 用OpenCV对图像进行动态预处理/t256
7．4．1 静态预处理与动态预处理/t256
7．4．2 在TensorFlow中调用OpenCV/t257
第8章 TensorFlow模型训练/t260
8．1 反向传播中的优化器与学习率/t260
8．1．1 Global Step与Epoch/t260
8．1．2 梯度理论/t260
8．1．3 使用学习率与梯度下降法求最优值/t262
8．1．4 TensorFlow中的优化器/t265
8．1．5 优化器中常用的函数/t265
8．1．6 在TensorFlow中动态调整学习率/t269
8．2 模型数据与参数名称映射/t273
8．2．1 通过名称映射加载/t273
8．2．2 以pickle文件为中介加载模型/t275
8．3 冻结指定参数/t277
8．3．1 从模型中加载部分参数/t277
8．3．2 指定网络层参数不参与更新/t278
8．3．3 两个学习率同时训练/t280
8．4 TensorFlow中的命名空间/t282
8．4．1 使用tf．variable_scope添加名称前缀/t282
8．4．2 使用tf．name_scope添加名称前缀/t284
8．4．3 tf．variable_scope与tf．name_scope的混合使用/t285
8．5 TensorFlow多GPU训练/t286
8．5．1 多GPU训练读取数据/t286
8．5．2 平均梯度与参数更新/t289
第9章 TensorBoard可视化工具/t293
9．1 可视化静态图/t293
9．1．1 图结构系列化并写入文件/t293
9．1．2 启动TensorBoard/t294
9．2 图像显示/t296
9．2．1 系列化图像Tensor并写入文件/t296
9．2．2 用TensorBoard查看图像/t299
9．3 标量曲线/t301
9．3．1 系列化标量Tensor并写入文件/t301
9．3．2 用TensorBoard查看标量曲线/t302
9．4 参数直方图/t303
9．4．1 系列化参数Tensor并写入文件/t303
9．4．2 用TensorBoard查看参数直方图/t304
9．5 文本显示/t306
9．5．1 系列化文本Tensor并写入文件/t306
9．5．2 用TensorBoard查看文本/t307
第四篇 卷积神经网络实战篇
第10章 中文手写字识别/t310
10．1 网络结构及数据集/t310
10．1．1 网络结构/t310
10．1．2 数据集/t311
10．2 代码实现/t312
10．2．1 封装通用网络层/t312
10．2．2 定义网络结构/t314
10．2．3 数据读取/t316
10．2．4 训练代码实现/t318
10．3 模型训练/t321
10．4 模型精度测试/t321
10．4．1 精度测试/t322
10．4．2 代码实现/t322
第11章 移植模型到TensorFlow Serving端/t324
11．1 模型转换/t324
11．1．1 转换模型为TensorFlow Serving模型/t324
11．1．2 代码实现/t327
11．2 模型部署/t329
11．2．1 搭建TensorFlow Serving环境/t329
11．2．2 启动TensorFlow Serving服务/t331
11．3 HTTP服务实现/t333
11．3．1 使用gRPC调用TensorFlow Serving服务/t333
11．3．2 实现HTTP服务/t334
11．4 前端交互实现/t336
11．4．1 界面布局/t336
11．4．2 手写板实现/t337
11．4．3 数据交互/t339
11．4．4 流程测试/t340
第12章 移植TensorFlow模型到Android端/t341
12．1 交互界面/t341
12．1．1 页面布局/t341
12．1．2 实现手写板/t342
12．2 使用TensorFlow Mobile库/t346
12．2．1 模型转换/t347
12．2．2 模型调用/t347
12．2．3 模型测试/t351
12．3 使用TensorFlow Lite库/t354
12．3．1 模型转换/t354
12．3．2 模型调用/t355
12．3．3 模型测试/t360
第13章 移植TensorFlow模型到iOS端/t361
13．1 界面布局/t361
13．1．1 页面布局/t361
13．1．2 实现手写板/t362
13．1．3 界面布局代码实现/t366
13．2 TensorFlow 模型转CoreML模型/t369
13．2．1 模型转换/t369
13．2．2 分析模型对象的调用接口/t370
13．3 模型调用/t373
13．3．1 实现模型调用/t373
13．3．2 模型测试/t376
作者：华超
出版时间： 2019年版
内容简介
本书从TensorFlow基础讲起，逐步深入TensorFlow进阶实战，最后配合项目实战案例，重点介绍了实用TensorFlow库训练卷积神经网络模型并将模型移植到服务器端、Android端和iOS端的知识。读者不但可以系统地学习TensorFlow库的使用，还能加深对深度卷积神经网络的理解。本书分为4篇，共13章，涵盖的主要内容有人工智能发展历程，TensorFlow基础入门，高维Tensor对象的工具函数，前馈网络，常见网络，TensorFlow数据存取，TensorFlow数据预处理，TensorFlow模型训练，TensorBoard可视化工具，中文手写字识别，移植模型到TensorFlow Serving端，移植TensorFlow模型到Android端，移植TensorFlow模型到iOS端。
目录
目录
第一篇 TensorFlow基础篇
第1章 绪论/t2
1．1 人工智能简介/t2
1．2 卷积神经网络/t3
1．3 搭建TensorFlow框架环境/t5
1．3．1 安装Anaconda/t5
1．3．2 安装TensorFlow/t7
第2章 TensorFlow基础入门/t9
2．1 第一个TensorFlow程序/t9
2．1．1 TensorFlow中的hello world/t9
2．1．2 TensorFlow中的图/t11
2．1．3 静态图与动态图/t14
2．2 初识Session/t15
2．2．1 将Session对象关联Graph对象/t15
2．2．2 Session参数配置/t17
2．3 常量与变量/t18
2．3．1 TensorFlow中的常量/t18
2．3．2 TensorFlow中的变量/t20
2．3．3 TensorFlow中的tf．placeholder/t28
2．4 Tensor对象/t29
2．4．1 什么是Tensor对象/t29
2．4．2 Python对象转Tensor对象/t31
2．4．3 Tensor对象转Python对象/t32
2．4．4 SparseTensor对象/t34
2．4．5 强制转换Tensor对象数据类型/t35
2．5 Operation对象/t37
2．5．1 什么是Operation对象/t37
2．5．2 获取并执行Operation对象/t37
2．6 TensorFlow流程控制/t40
2．6．1 条件判断tf．cond与tf．where/t40
2．6．2 TensorFlow比较判断/t43
2．6．3 TensorFlow逻辑运算/t44
2．6．4 循环tf．while_loop/t45
2．7 TensorFlow位运算/t48
2．7．1 且位运算/t48
2．7．2 或位运算/t49
2．7．3 异或位运算/t50
2．7．4 取反位运算/t51
2．8 TensorFlow字符串/t52
2．8．1 字符串的定义与转换/t53
2．8．2 字符串拆分/t55
2．8．3 字符串拼接/t56
第3章 高维Tensor对象的工具函数/t58
3．1 重定义Shape/t58
3．1．1 Reshape原理/t58
3．1．2 函数tf．reshape/t59
3．1．3 使用Python实现Reshape/t60
3．2 维度交换函数/t62
3．2．1 Transpose原理/t62
3．2．2 函数tf．transpose/t63
3．2．3 使用Python实现Transpose/t64
3．3 维度扩充与消除/t65
3．3．1 函数tf．expand_dims/t65
3．3．2 函数tf．squeeze/t66
3．4 Tensor对象裁剪/t68
3．4．1 Tensor对象裁剪原理/t68
3．4．2 函数tf．slice/t69
3．5 Tensor对象拼接/t70
3．5．1 Tensor对象拼接原理/t70
3．5．2 函数tf．concat使用/t71
3．6 tf．stack与tf．unstack/t72
3．6．1 函数tf．stack的原理/t72
3．6．2 函数tf．stack的使用/t73
3．6．3 函数tf．unstack的使用/t76
3．7 tf．argmax与tf．argmin/t79
3．7．1 函数tf．argmax与tf．argmin的原理/t79
3．7．2 函数tf．argmax与tf．argmin的使用/t79
第二篇 卷积神经网络篇
第4章 前馈网络/t83
4．1 卷积/t83
4．1．1 卷积的原理/t83
4．1．2 输出宽高与输入、Stride、卷积核及Padding之间的关系/t90
4．1．3 空洞卷积/t92
4．1．4 在TensorFlow中使用卷积/t93
4．1．5 用Python语言实现卷积算法/t95
4．2 反卷积/t97
4．2．1 反卷积的原理/t97
4．2．2 输出宽高与输入、Stride、反卷积核及Padding之间的关系/t103
4．2．3 在TensorFlow中使用反卷积/t105
4．2．4 用Python语言实现反卷积算法/t110
4．3 Batch Normalization/t113
4．3．1 Batch Normalization的原理/t113
4．3．2 在TensorFlow中使用Batch Normalization/t114
4．3．3 用Python语言实现Batch Normalization/t122
4．3．4 在TensorFlow中使用Batch Normalization时的注意事项/t123
4．4 Instance Normalization/t125
4．4．1 Instance Normalization的原理/t125
4．4．2 在TensorFlow中使用Instance Normalization/t126
4．4．3 用Python语言实现Instance Normalization/t130
4．5 全连接层/t132
4．5．1 全连接层的原理/t132
4．5．2 在TensorFlow中使用全连接层/t133
4．5．3 用Python语言实现全连接层/t134
4．6 激活函数/t135
4．6．1 激活函数的作用/t135
4．6．2 Sigmoid函数/t136
4．6．3 Tanh函数/t138
4．6．4 ReLU函数/t140
4．7 池化层/t142
4．7．1 池化层的原理/t142
4．7．2 在TensorFlow中使用池化层/t146
4．7．3 用Python语言实现池化层/t150
4．8 Dropout/t153
4．8．1 Dropout的作用/t153
4．8．2 在TensorFlow中使用Dropout/t154
第5章 常见网络/t156
5．1 移动端定制卷积神经网络――MobileNet/t156
5．1．1 MobileNet的原理与优势/t156
5．1．2 在TensorFlow中实现MobileNet卷积/t158
5．1．3 用Python语言实现Depthwise卷积/t164
5．1．4 MobileNet完整的网络结构/t167
5．1．5 MobileNet V2进一步裁剪加速/t168
5．2 深度残差网络――ResNet/t171
5．2．1 ResNet的结构与优势/t171
5．2．2 在TensorFlow中实现ResNet/t172
5．2．3 完整的ResNet网络结构/t175
5．3 DenseNet/t176
5．3．1 DenseNet的结构与优势/t176
5．3．2 在TensorFlow中实现DenseNet/t177
5．3．3 完整的DenseNet网络结构/t180
第三篇 TensorFlow进阶篇
第6章 TensorFlow数据存取/t183
6．1 队列/t183
6．1．1 构建队列/t183
6．1．2 Queue、QueueRunner及Coordinator/t190
6．1．3 在队列中批量读取数据/t194
6．2 文件存取/t200
6．2．1 读取文本文件/t200
6．2．2 读取定长字节文件/t202
6．2．3 读取图片/t205
6．3 从CSV文件中读取训练集/t207
6．3．1 解析CSV格式文件/t207
6．3．2 封装CSV文件读取类/t209
6．4 从自定义文本格式文件中读取训练集/t210
6．4．1 解析自定义文本格式文件/t211
6．4．2 封装自定义文本格式文件读取类/t212
6．5 TFRecord方式存取数据/t213
6．5．1 将数据写入TFRecord文件/t214
6．5．2 从TFRecord文件中读取数据/t215
6．6 模型存取/t217
6．6．1 存储模型/t217
6．6．2 从checkpoint文件中加载模型/t220
6．6．3 从meta文件中加载模型/t222
6．6．4 将模型导出为单个pb文件/t223
第7章 TensorFlow数据预处理/t226
7．1 随机光照变化/t226
7．1．1 随机饱和度变化/t226
7．1．2 随机色相变化/t228
7．1．3 随机对比度变化/t230
7．1．4 随机亮度变化/t232
7．1．5 随机伽玛变化/t234
7．2 翻转、转置与旋转/t237
7．2．1 随机上下、左右翻转/t237
7．2．2 随机图像转置/t239
7．2．3 随机旋转/t241
7．3 裁剪与Resize/t245
7．3．1 图像裁剪/t245
7．3．2 图像Resize/t249
7．3．3 其他Resize函数/t254
7．4 用OpenCV对图像进行动态预处理/t256
7．4．1 静态预处理与动态预处理/t256
7．4．2 在TensorFlow中调用OpenCV/t257
第8章 TensorFlow模型训练/t260
8．1 反向传播中的优化器与学习率/t260
8．1．1 Global Step与Epoch/t260
8．1．2 梯度理论/t260
8．1．3 使用学习率与梯度下降法求最优值/t262
8．1．4 TensorFlow中的优化器/t265
8．1．5 优化器中常用的函数/t265
8．1．6 在TensorFlow中动态调整学习率/t269
8．2 模型数据与参数名称映射/t273
8．2．1 通过名称映射加载/t273
8．2．2 以pickle文件为中介加载模型/t275
8．3 冻结指定参数/t277
8．3．1 从模型中加载部分参数/t277
8．3．2 指定网络层参数不参与更新/t278
8．3．3 两个学习率同时训练/t280
8．4 TensorFlow中的命名空间/t282
8．4．1 使用tf．variable_scope添加名称前缀/t282
8．4．2 使用tf．name_scope添加名称前缀/t284
8．4．3 tf．variable_scope与tf．name_scope的混合使用/t285
8．5 TensorFlow多GPU训练/t286
8．5．1 多GPU训练读取数据/t286
8．5．2 平均梯度与参数更新/t289
第9章 TensorBoard可视化工具/t293
9．1 可视化静态图/t293
9．1．1 图结构系列化并写入文件/t293
9．1．2 启动TensorBoard/t294
9．2 图像显示/t296
9．2．1 系列化图像Tensor并写入文件/t296
9．2．2 用TensorBoard查看图像/t299
9．3 标量曲线/t301
9．3．1 系列化标量Tensor并写入文件/t301
9．3．2 用TensorBoard查看标量曲线/t302
9．4 参数直方图/t303
9．4．1 系列化参数Tensor并写入文件/t303
9．4．2 用TensorBoard查看参数直方图/t304
9．5 文本显示/t306
9．5．1 系列化文本Tensor并写入文件/t306
9．5．2 用TensorBoard查看文本/t307
第四篇 卷积神经网络实战篇
第10章 中文手写字识别/t310
10．1 网络结构及数据集/t310
10．1．1 网络结构/t310
10．1．2 数据集/t311
10．2 代码实现/t312
10．2．1 封装通用网络层/t312
10．2．2 定义网络结构/t314
10．2．3 数据读取/t316
10．2．4 训练代码实现/t318
10．3 模型训练/t321
10．4 模型精度测试/t321
10．4．1 精度测试/t322
10．4．2 代码实现/t322
第11章 移植模型到TensorFlow Serving端/t324
11．1 模型转换/t324
11．1．1 转换模型为TensorFlow Serving模型/t324
11．1．2 代码实现/t327
11．2 模型部署/t329
11．2．1 搭建TensorFlow Serving环境/t329
11．2．2 启动TensorFlow Serving服务/t331
11．3 HTTP服务实现/t333
11．3．1 使用gRPC调用TensorFlow Serving服务/t333
11．3．2 实现HTTP服务/t334
11．4 前端交互实现/t336
11．4．1 界面布局/t336
11．4．2 手写板实现/t337
11．4．3 数据交互/t339
11．4．4 流程测试/t340
第12章 移植TensorFlow模型到Android端/t341
12．1 交互界面/t341
12．1．1 页面布局/t341
12．1．2 实现手写板/t342
12．2 使用TensorFlow Mobile库/t346
12．2．1 模型转换/t347
12．2．2 模型调用/t347
12．2．3 模型测试/t351
12．3 使用TensorFlow Lite库/t354
12．3．1 模型转换/t354
12．3．2 模型调用/t355
12．3．3 模型测试/t360
第13章 移植TensorFlow模型到iOS端/t361
13．1 界面布局/t361
13．1．1 页面布局/t361
13．1．2 实现手写板/t362
13．1．3 界面布局代码实现/t366
13．2 TensorFlow 模型转CoreML模型/t369
13．2．1 模型转换/t369
13．2．2 分析模型对象的调用接口/t370
13．3 模型调用/t373
13．3．1 实现模型调用/t373
13．3．2 模型测试/t376
