企业官网建设流程全解析

简介：压缩包围绕高斯过程回归、贝叶斯网络与LSTM的融合预测方法，整理了一套可运行的MATLAB实验资料，面向希望提升时间序列预测精度、了解概率建模与深度学习结合的研究者和工程师。包内共278个文件，以201个.m脚本/函数为主，辅以C/C++源码、跨平台MEX编译文件、PDF教程及MAT格式数据集。其中gpml工具箱提供完整的高斯过程回归实现，两个演示脚本展示不同场景的LSTM或高斯过程应用，func文件夹与data目录分别承载建模函数和测试数据，整体压缩包仅1.73MB，结构清晰，便于对照学习。已有606人学习下载。通过研读这些代码和配套入门文档，可以掌握高斯过程回归的不确定性量化、LSTM门控机制在序列建模中的应用，以及如何引入贝叶斯网络先验知识来改进LSTM预测性能。这套资料将非参数概率建模与深度时序网络相结合，适合作为课程设计或论文复现的代码基底。

1. 把 GPR、贝叶斯网络和 LSTM 拼在一起做预测：为什么不是炫技而是刚需

你正在用 LSTM 做设备寿命预测，手里有一堆传感器每小时采样的 RMS 值，模型预测曲线看着很平滑，可一遇到工况切换就突然失稳；领导再追问一句“预测带有多宽、置信度是多少”，你多半答不上来。这正是把 Gaussian Process Regression（GPR）和贝叶斯网络接到 LSTM 后面要解决的问题：让深度学习模型不只输出一个点估计，还能输出区间和风险提示。这套组合的价值不在刷低 RMSE，而在把“模型预测”变成“决策依据”。

适合的读者是正在跑 lstm 时间序列预测 python 项目、被非平稳工况和不稳定区间折磨的工程师。如果你已经具备 PyTorch 和 scikit-learn 的基础，接下来可以直接照做。

2. 三种模型的职责边界：GPR 管不确定性，贝叶斯网络管依赖结构，LSTM 管时序特征

2.1 高斯过程回归：小样本回归为什么敢说自己带置信区间

GPR 在数学上假设观测值来自一个高维高斯分布，协方差矩阵由核函数确定；给定训练点后，新预测位置的均值和方差都有解析解，所以“带置信区间”是理论自带，不是事后统计。这也带来一个明显取舍：协方差矩阵求逆是 O(n^3)，样本量稍微一大就不划算，所以它适合小样本、变化平缓的残差拟合，不适合直接替代 LSTM 去啃原始长序列。

落地时第一个要调的是核函数。我常用 kernel = Matern(nu=1.5, length_scale=2.0) + WhiteKernel(noise_level=1e-3)，Matern 控制曲线平滑程度，WhiteKernel 吸收观测噪声。length_scale 初值可以按残差自相关明显衰减的滞后步数来设，不要随便给 1.0。alpha 参数是数值稳定性用的阻尼，默认 1e-10 容易在数据量大时出现 Cholesky 分解失败，我一般提到 1e-5。normalize_y=True 也建议打开，否则目标值尺度超过核函数长度尺度的数量级时，优化会非常别扭。

实操里 GPR 通常只吃最近 300 到 500 个残差点。训练时要注意：GPR 对重复的输入点非常敏感，如果残差序列长度超过 500，我会先对残差做降采或平均，避免协方差矩阵从数值上就不可逆。

2.2 贝叶斯网络：把先验知识和数据依赖写进模型

贝叶斯网络是一个有向无环图加一组条件概率表，表达的是“给定父节点状态下，子节点分布如何变化”。它和神经网络学到的特征相关性不是一回事：BN 可以完全由工程师根据机理指定结构，把“高负载加高温更容易出故障”这种经验直接写进去。如果数据充足，也可以从历史维修记录统计条件概率。

连续变量进 BN 前必须离散化，这一步最容易被低估。常见做法是先看直方图，再用物理边界切，比如温度 55 度以下算低温、55 到 65 算中温、65 以上算高温，而不是等宽分成 10 段。段数太多会让每个父节点组合下的样本量骤减，条件概率估计的方差变大；段数太少又会让 BN 对工况的区分能力下降。我一般每变量 2 到 3 档起步，只有证据充足时才加到 4 档。

如果数据按时间连续采集，还可以考虑动态贝叶斯网络（DBN），把相邻时间片之间的状态转移也建进去。DBN 适合描述工况切换的马尔可夫特性，但参数数量翻倍，工业数据里样本量往往撑不住；我更常先做静态 BN 加时间窗统计特征，效果不够再上 DBN。

2.3 LSTM 的定位：它负责的不是“预测”而是“特征”

LSTM 的门控结构让它能记住长序列里的趋势和周期，但这不等于它天然适合输出预测结果。最后一层全连接承担了从隐状态到数值的映射，LSTM 主体本质上是在学序列表示。所以我把 LSTM 当作特征提取器，预测头是最后一个可替换模块。

不确定性是 LSTM 的老大难。有人用 MC Dropout：训练时开 dropout，推理时跑 50 次前向，算预测方差。这个方案的问题是 dropout 率、层位置都会强烈影响方差分布，调起来非常像玄学，且推理耗时成倍增长。GPR 在末端做一个小模型，专门输出分布参数，比 MC Dropout 更直接，也更稳定。

LSTM 的超参数选择逻辑：hidden_size 从 32 起步，序列长度 60 到 100 个点往往比加大隐层更有效；num_layers=2 是性能和训练稳定性的折中点，超过 3 层在小数据上很容易不收敛。batch_first=True 只是把形状排成（batch, seq, feature），不影响精度，但代码读起来更顺手。

2.4 三者分工后的整体信息流

训练阶段的信息流是：原始传感器序列进入 LSTM，得到未来 N 步点预测；验证集上计算残差，残差进入 GPR；工况变量通过 BN 计算风险概率。推理阶段：同一段序列先算当前工况，再进 LSTM；残差修正和风险概率叠加到输出上。

三个模块的输入输出可以整理成这张表：

三者的关系是串行而非竞争，各自处理不同形式的信息。如果项目样本量极少，可以直接用 GPR 替代 LSTM；但标题里之所以保留深度学习，是因为真实设备数据往往量大、退化过程非线性，LSTM 的特征提取能力是 GPR 比不了的。

3. 混合建模的三种落地路径：GPR、贝叶斯网络和 LSTM 怎么串起来

3.1 路径一：GPR 做残差修正，LSTM 做主线预测

这是最稳妥的接法，因为 LSTM 完全不用改，只把残差交给 GPR。

具体步骤：

1. 用训练集训练 LSTM，冻结参数。
2. 在验证集上逐窗口得到 LSTM 预测值，算出残差序列。
3. 对残差序列做平稳性检查，必要时先差分。
4. 用最近 300 到 500 个残差点训练 GPR。
5. 推理时用 GPR 预测残差均值，加到 LSTM 输出上，方差用作区间。

残差平稳性可以用 ADF 检验，代码很直接：

from statsmodels.tsa.stattools import adfuller p_value = adfuller(residual_history)[1] print(p_value) # 小于 0.05 视为平稳

逻辑说明：ADF 检验的原假设是序列存在单位根，p 值小于 0.05 时拒绝原假设，说明序列平稳。如果 p 值大于 0.05，说明残差里还有趋势或周期成分，直接扔给 GPR 会让核函数假设不成立。此时先对残差做一阶差分，推理时再把差分值累加回 LSTM 输出。

关键参数：GPR 训练窗口滚动更新，不要一次训练终身使用；length_scale 在 3 到 10 区间试错；alpha 给到 1e-5 足够。推理时 GPR 预测的是当前时刻的残差修正量，如果要做未来 10 步的逐点修正，需要为每个预测步长分别训练一个 GPR，或者把步长也放进输入特征。

3.2 路径二：贝叶斯网络做工况门控，多个 LSTM 分支做预测

工况边界清晰的场景，一个全局 LSTM 往往在切换瞬间犯大错。路径二的做法是：先用 BN 对每个时间帧做工况识别，把原始序列按工况标签切段，训练多个 LSTM，每个负责一种工况。推理时 BN 输出各工况概率，加权融合各分支的预测。

用 pgmpy 给数据批量打工况标签：

risk_list = [] for i in range(len(df)): infer = model.predict_proba({'load': int(df.load[i]), 'temp': int(df.temp[i])}) risk_list.append(infer[0]['fault'][1]) df['risk'] = risk_list df['regime'] = (df['risk'] > 0.5).astype(int)

逻辑说明：predict_proba 传入的是离散化后的证据变量，返回的是一个列表，每个元素对应一个节点的概率分布。取 fault 节点的第 1 个状态概率作为风险值，阈值为 0.5 时把样本归为高风险工况。这一步输出的 regime 列，就是训练多个 LSTM 时的切分标签。

关键参数：BN 输入的滑动窗口长度，我常用 5 到 10 个采样点；窗口太短噪声影响工况判断，窗口太长又让切换响应滞后。多个 LSTM 的窗口长度保持一致，但每个分支的数据量可能差异很大，数据少的工况需要做合成或增强。这条路径的训练成本是路径一的数倍，适合工况标签明确的项目。

3.3 路径三：GPR 方差作为不确定性门控，BN 作为工况先验

路径三是把前两者在推理阶段融合：BN 给出故障概率，GPR 给出预测区间，当区间异常变宽且故障概率偏高时，系统输出告警而不是盲目跟随预测值。

举个例子：LSTM 预测未来 10 个小时 RMS 在健康区间内，但 GPR 方差突然增大到平时的 2 倍，说明当前输入背离训练分布；同时 BN 推断出故障概率 0.8，这时就算点预测没有越界，也应该把预测标记为“不可信”并触发人工复核。参数上，GPR 方差的告警阈值可以用训练集上方差分布的分位数来定，比如取 95 分位数；BN 的风险阈值先取 0.6，再根据误报率和漏报率迭代。

这个路径的价值不在提高 RMSE，而在给自动化的决策系统一个“该不该相信模型”的信号。部署后要记录每次告警对应的后续维修记录，用真实的误报/漏报情况校准阈值。

3.4 三种路径选型对比

选型没有最优，只有最匹配。我总劝人从路径一开始，因为路径二和路径三的额外收益，只有在路径一暴露出不足时才值得付出成本。数据非平稳是路径二的重点场景；只是缺区间，路径一就够；还需要决策和告警，再上路径三。

4. 用 Python 跑通最小可复现方案：GPR-BN-LSTM 串联预测流程

这一章用合成数据演示一套完整的最小实现。环境建议用 miniconda 建独立环境，装 numpy、pandas、torch、scikit-learn、pgmpy、statsmodels。网络刻意用小规模，因为重点在串联逻辑，不在刷准确率。

4.1 数据准备：合成一个带工况切换的退化序列

场景是设备寿命预测的简化版：传感器 RMS 值随时间退化，中途切换一次工况，退化速率发生变化，并叠加观测噪声。

import numpy as np import pandas as pd np.random.seed(42) n = 2000 t = np.arange(n) / 60.0 # 单位：小时 # 前 1200 小时低负载退化，之后切换高负载加速退化 load_switch = 1200 base_rms = 2.0 + 0.004 * t rms = base_rms.copy() rms[load_switch:] += 0.015 * (t[load_switch:] - t[load_switch]) ** 1.1 noise = np.random.normal(0, 0.05, n) rms = rms + noise # 离散化变量：负载 > 0.5 视为高负载，温度随负载上升 load = (t > load_switch / 60.0).astype(int) temp = 45 + 10 * load + np.random.normal(0, 2, n) temp = np.clip(temp, 0, 100).astype(int) df = pd.DataFrame({ 't_hour': t, 'rms': rms, 'load': load, 'temp': temp })

逻辑说明：base_rms 是线性退化趋势，高负载后叠加次方项模拟加速退化；噪声给到 0.05，让 LSTM 不能轻松记住序列。load 和 temp 是额外观测到的工况变量，后面会喂给贝叶斯网络。参数上，load_switch 决定工况切换点，你可以改成 800 或 1500，观察模型对切换点的敏感度。

4.2 LSTM 基线：PyTorch 实现与训练

用最近 60 个点预测未来 10 个点，这是滚动预测的常见设置。网络用两层 LSTM 加全连接输出头：

import torch import torch.nn as nn class LSTMEncoder(nn.Module): def __init__(self, input_size=1, hidden_size=32, num_layers=2, output_size=10): super().__init__() self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True, dropout=0.2) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): out, _ = self.lstm(x) # 输出形状: (batch, seq_len, hidden_size) last = out[:, -1, :] # 取最后一个时间步的隐状态 return self.fc(last)

逻辑说明：输入 x 的形状是 (batch, 60, 1)，LSTM 返回所有时间步的隐状态，但我们只取最后一个时间步，因为预测未来 10 个点只需要最后的编码。dropout 放在层间，只影响训练，推理时要设 model.eval()。hidden_size 和 num_layers 用小规模方案的常见取值，不用加大到 128 或 256，否则合成数据会很快过拟合。

用滑动窗口切数据并开始训练：

def sliding_windows(data, history=60, horizon=10): X, y = [], [] for i in range(len(data) - history - horizon + 1): X.append(data[i:i+history]) y.append(data[i+history:i+history+horizon]) return np.array(X), np.array(y) X_train, y_train = sliding_windows(df['rms'].values[:1500]) X_val, y_val = sliding_windows(df['rms'].values[1500:1800]) model = LSTMEncoder() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) loss_fn = nn.MSELoss() for epoch in range(30): for i in range(0, len(X_train), 64): batch_x = torch.tensor(X_train[i:i+64], dtype=torch.float32).unsqueeze(-1) batch_y = torch.tensor(y_train[i:i+64], dtype=torch.float32) optimizer.zero_grad() pred = model(batch_x) loss = loss_fn(pred, batch_y) loss.backward() optimizer.step()

逻辑说明：滑动窗口函数会把原始序列切成长度为 60 的输入和长度为 10 的目标。训练循环里每次取 64 条窗口分批送入模型，Adam 学习率 0.001 是常见默认值，30 个 epoch 在合成数据上足够。训练结束后在验证集上预测，保存预测结果；批大小 64 是为了让梯度稳定，越小越容易震荡，越大会显存压力更大。

4.3 贝叶斯网络：用 pgmpy 定义工况依赖

下面用 pgmpy 定义一个三节点网络：负载 load 和温度 temp 共同影响故障风险 fault。

from pgmpy.models import BayesianNetwork from pgmpy.factors.discrete import TabularCPD model = BayesianNetwork([('load', 'fault'), ('temp', 'fault')]) cpd_load = TabularCPD('load', 2, [[0.6], [0.4]]) cpd_temp = TabularCPD('temp', 2, [[0.7], [0.3]]) # 顺序：load=0, load=1；temp=0, temp=1 cpd_fault = TabularCPD( 'fault', 2, [[0.95, 0.80, 0.70, 0.20], # fault=0 [0.05, 0.20, 0.30, 0.80]], # fault=1 evidence=['load', 'temp'], evidence_card=[2, 2] ) model.add_cpds(cpd_load, cpd_temp, cpd_fault) model.check_model()

逻辑说明：load=1 表示高负载，temp=1 表示高温，fault=1 表示风险高。TabularCPD 的第 0 维是子节点状态，第 1 维对应父节点所有组合。我手动指定这些概率，是因为合成数据里故障关系已知；如果是真实项目，可以从维修记录里统计，或咨询设备工程师定先验。check_model() 会校验条件概率表是否归一化、图结构是否与表一致。

BN 在这里不会直接输出回归预测值，它输出风险概率，后面当门控权重用。

4.4 GPR 残差修正：用 GaussianProcessRegressor 学习残差

训练好 LSTM 后，在验证集上计算残差 e_t = y_true - y_lstm，然后取最近 300 个残差点拟合 GPR。

from sklearn.gaussian_process import GaussianProcessRegressor from sklearn.gaussian_process.kernels import Matern, WhiteKernel kernel = Matern(nu=1.5, length_scale=5.0) + WhiteKernel(noise_level=1e-3) gpr = GaussianProcessRegressor( kernel=kernel, alpha=1e-5, normalize_y=True, n_restarts_optimizer=2, random_state=42 ) # residual_history: 最近 300 个残差点 X_res = np.arange(len(residual_history)).reshape(-1, 1) y_res = residual_history gpr.fit(X_res, y_res)

逻辑说明：核函数里 Matern 负责平滑部分拟合，length_scale=5.0 是初始值，训练时 scikit-learn 会优化它；WhiteKernel 吸收噪声。alpha 是协方差矩阵对角加微小常数，防止数值病态。normalize_y=True 会把目标值标准化，避免残差量级过小导致长度尺度估计失真。n_restarts_optimizer=2 让优化器换两个随机起点，避免局部最优，代价是训练时间变长。

GPR 复杂度是 O(n^3)，这里 300 个点很快；如果数据量大，只保留最近窗口是必须的，不要训练全部历史残差。

4.5 组装与推理：BN 门控、GPR 修正、LSTM 点预测

推理时完整流程如下：

def predict_with_uncertainty(x_window, lstm_model, gpr_model, bn_model, load_obs, temp_obs): lstm_model.eval() with torch.no_grad(): x_tensor = torch.tensor(x_window, dtype=torch.float32).unsqueeze(0).unsqueeze(-1) y_lstm = lstm_model(x_tensor).squeeze(0).numpy() # 形状 (10,) # GPR 残差修正：查询当前时刻在残差序列中的索引 X_query = np.array([len(residual_history)]).reshape(-1, 1) y_gpr_mean, y_gpr_std = gpr.predict(X_query, return_std=True) # 最终预测 y_final = y_lstm + y_gpr_mean[0] # BN 门控：依据观测计算故障概率 prob_fault = bn_model.predict_proba({ 'load': load_obs, 'temp': temp_obs })[0]['fault'] risk = float(prob_fault[1]) # 预测区间：GPR 标准差乘 1.65 对应 90% 区间 interval = 1.65 * y_gpr_std[0] # 高风险时给出告警标志 alert = risk > 0.6 return { 'point': y_final, 'interval': interval, 'risk': risk, 'alert': alert }

逻辑说明：LSTM 输出未来 10 个点的均值序列；GPR 只给出一个残差修正值和标准差，因为把残差序列当作时间索引上的函数，一次查询得到的是当前位置的修正量。如果要未来 10 个点逐一修正，需要为每个预测步长分别训练一个 GPR，或者把预测步长也作为输入特征。BN 的 predict_proba 返回各状态概率，取 fault=1 作为风险信号。

参数说明：风险告警阈值 risk > 0.6 和区间系数 1.65 要根据业务场景调。1.65 对应 90% 区间，换 1.28 对应 80%，换 1.96 对应 95%，但覆盖率验证请参考第 6 章指标，不要凭感觉选。

4.6 跑通后的检查清单

先做三件事：把 LSTM 单独预测的 RMSE 和 GPR 修正后的 RMSE 记录一下；把 BN 的 risk 在工况切换前后打印出来看是否合理；把 90% 区间实际覆盖率算一遍。如果 RMSE 没降但覆盖率合理，这是正常结果；如果覆盖率和 RMSE 都差，优先检查残差序列平稳性。

5. 避坑与常见问题：五个翻了车才记住的细节

5.1 GPR 在稍微大一点的样本上就会跑不动

现象：训练 GPR 时，loss 曲线没怎么动，CPU 和内存先爆了；5000 个残差点直接卡死。原因：GPR 的协方差矩阵是 N x N，求逆复杂度 O(n^3)，内存也是 O(n^2)。解决：限制训练样本在 1000 以内，残差序列按滑动窗口取最近一段；如果必须用全部历史，换稀疏近似方法，比如窗口滚动训练。我在生产系统里只让 GPR 处理最近 300 到 500 个点，超出就滚动淘汰。另一个隐性影响是推理延迟，1000 点以内 GPR 单次预测毫秒级，超过后秒级延迟在实时系统里不可接受。

5.2 贝叶斯网络结构学习在连续变量上容易过拟合

现象：用结构学习算法自动从数据里学 DAG，换一个验证集，边的方向就反转。原因：连续变量先被离散化，离散化边界一旦不合适，条件独立性检验的 p 值就很不可靠；样本量越小，噪声影响越明显。解决：不要用结构学习，用工程师或领域专家指定结构；条件概率表才交给数据估计。如果一定要学结构，先把离散化方案固定住，再在多个 bootstrap 样本上检查边出现的频率，出现低于 50% 的边直接删掉。

我在一个轴承数据上试过约束型结构学习算法，学出来的图第一天和第二天跑结果完全不一样。后来改成人工指定“负载、温度指向故障”结构，反而稳定，而且更容易向设备工程师解释。

5.3 LSTM 和 GPR 的残差序列不平稳

现象：GPR 拟合残差时，预测均值很大，但区间几乎全偏到一侧；或者 GPR 的方差集中在个别点。原因：残差序列里残留趋势或周期性，而常用核函数假设信号是平稳的。解决：拟合 GPR 前先对残差做一阶差分，推理时再把差分值累加还原到最终预测；或者按工况把残差分段，每段单独训练一个 GPR，避免工况切换产生的趋势变化污染核函数估计。

检查平稳性的一个快速手段是画残差自相关图，如果自相关在滞后 10 步后仍然高于 0.3，基本可以不测 ADF 直接做差分。差分后的残差若变成白噪声，说明 LSTM 已经吃掉了该工况下的主趋势，GPR 只负责随机波动修正。

5.4 贝叶斯网络和 LSTM 的时间粒度对不齐

现象：整体预测精度还可以，但工况切换后的第一个预测点偏差特别大。原因：LSTM 输入窗口是滚动连续序列，BN 的证据来自同一时刻的瞬时值或很短窗口，两者对“当前状态”的定义不同。解决：给 BN 的证据做一个缓冲，比如用最近 10 分钟的中位数而不是瞬时值；同时保证 LSTM 的窗口尽量跨过工况切换点，避免模型只见过切换前数据。

对齐问题在工业传感器采样频率不一致时尤其明显：振动物理量可能每秒采一次，温度可能每分钟采一次。我的做法是统一重采样到预测周期，再给 BN 传窗口统计量，而不是直接传原始采样点。

5.5 只看 RMSE 会掩盖不确定性建模的失败

现象：RMSE 比单独 LSTM 略好，但预测区间经常落在错误一侧，90% 区间实际覆盖率只有 60%。原因：GPR 方差被当作超参调，谁都会调出一个很小的噪声项让区间看起来很窄，却没有验证区间覆盖。解决：每个实验记录两个指标：RMSE 和 90% 区间覆盖率。覆盖率目标在 85% 到 95%，低于 85% 是区间过窄；如果覆盖率高但区间暴宽，说明方差没有校准。再用 CRPS 衡量整体区间质量，它同时惩罚点偏差和区间模糊度。

6. 让混合模型真正落地：验证区间质量与边界

6.1 覆盖率与 CRPS：验证 GPR 输出的质量

看区间不要只肉眼看，用覆盖率做第一道关卡：

def coverage(y_true, y_lower, y_upper): inside = np.mean((y_true >= y_lower) & (y_true <= y_upper)) return inside # 90% 区间合理覆盖率应在 0.85~0.95 之间 print(coverage(y_test, y_final - interval, y_final + interval))

逻辑说明：覆盖率的缺点是不知道区间是不是过宽。所以要配合 CRPS，它同时惩罚点预测偏差和区间模糊度，值越小越好。scikit-learn 没有内置 CRPS，可以用 properscoring 库的 crps_ensemble，把自己的预测分布当作高斯采样调用。我通常要求完整方案的 CRPS 比单独 LSTM 加 MC Dropout 低，才算这个混合方案真正赢在不确定性上。

6.2 消融实验判断边界收益

我建议做一个三行两列的表格，记录核心配置的表现：

如果数据没有工况切换，BN 带来的覆盖率提升可能很小；如果残差接近白噪声，GPR 的收益也可有可无。这时候就别硬上完整方案，回到路径一就够了。相反，如果目标是预测性维护决策，BN 带来的风险概率比覆盖率更重要，它是唯一能直接给出“该不该停机检查”的模块。

6.3 一个习惯：先加能带来收益的组件

我的习惯是永远先跑一个对照实验：单独 LSTM 打底，加 GPR 验证区间是否合理，再加 BN 验证风险信号是否有业务价值。如果前两步没收益，第三步几乎不可能救回来。曾经在一个轴承数据上，LSTM 的残差平稳且随机，我硬加了 GPR，结果区间宽度波动很大，最后换成固定置信带反而更稳定。那次之后我记住：混合模型不是越多越好，每一步都要用消融实验回答“这个模块到底带来了什么”。希望你也能用这套方法，把 GPR、贝叶斯网络和 LSTM 的组合做得比单独 LSTM 更值得信任，希望帮到你。

本文还有配套的精品资源，点击获取