4
| 本文作者： 宗仁 | 2016-07-07 20:52 | 專題：雷峰網(wǎng)公開(kāi)課 |
聯(lián)合編輯 宗仁 黃鑫雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
今年夏天，雷鋒網(wǎng)將在深圳舉辦一場(chǎng)盛況空前的“全球人工智能與機(jī)器人峰會(huì)”(簡(jiǎn)稱CCF-GAIR)。大會(huì)現(xiàn)場(chǎng)，谷歌，DeepMind，Uber，微軟等巨頭的人工智能實(shí)驗(yàn)室負(fù)責(zé)人將蒞臨深圳，向我們零距離展示國(guó)外人工智能震撼人心、撬動(dòng)地球的核心所在。如果你不想錯(cuò)過(guò)這個(gè)大會(huì)的盛世狂歡，請(qǐng)點(diǎn)擊文末購(gòu)買(mǎi)我們的早鳥(niǎo)票。
本次CVPR 2016上，深度學(xué)習(xí)幾乎成了如今計(jì)算機(jī)視覺(jué)研究的標(biāo)配，人臉識(shí)別、圖像識(shí)別、視頻識(shí)別、行人檢測(cè)、大規(guī)模場(chǎng)景識(shí)別的相關(guān)論文里都用到了深度學(xué)習(xí)的方法，加上Google，F(xiàn)acebook這樣的大企業(yè)助力，很多人疑惑，為什么深度學(xué)習(xí)相比其它的AI實(shí)現(xiàn)方法，已然呈現(xiàn)出一副碾壓之態(tài)？
本期硬創(chuàng)公開(kāi)課嘉賓我們邀請(qǐng)了商湯科技執(zhí)行研發(fā)總監(jiān)曹旭東，其剛從CVPR 2016現(xiàn)場(chǎng)趕回來(lái)，正好在這里為大家解釋一下為什么深度學(xué)習(xí)幾乎成了計(jì)算機(jī)視覺(jué)研究的標(biāo)配這個(gè)問(wèn)題。以及為大家講解CV和深度學(xué)習(xí)的現(xiàn)狀和未來(lái)趨勢(shì)。
曹旭東，商湯科技執(zhí)行研發(fā)總監(jiān)，深度學(xué)習(xí)專家。畢業(yè)于清華大學(xué)。前微軟亞洲研究院副研究員，負(fù)責(zé)研發(fā)的人臉?biāo)惴ㄔ糜谖④沊box、How-old等知名產(chǎn)品，現(xiàn)象級(jí)產(chǎn)品How Old.net有數(shù)億用戶。在CVPR/ICCV/ECCV等計(jì)算機(jī)視覺(jué)頂級(jí)會(huì)議發(fā)表論文十余篇，其中三篇CVPR論文和兩篇ICCV論文獲得口頭報(bào)告榮譽(yù)（接收率小5%）。
商湯科技曹旭東：為什么深度學(xué)習(xí)幾乎成了計(jì)算機(jī)視覺(jué)研究的標(biāo)配？| 硬創(chuàng)公開(kāi)課
首先簡(jiǎn)單介紹一下傳統(tǒng)物體檢測(cè)的方法和基于深度學(xué)習(xí)的物體檢測(cè)方法。
傳統(tǒng)方法使用滑動(dòng)窗口的框架，把一張圖分解成幾百萬(wàn)個(gè)不同位置不同尺度的子窗口，針對(duì)每一個(gè)窗口使用分類器判斷是否包含目標(biāo)物體。傳統(tǒng)方法針對(duì)不同的類別的物體，一般會(huì)設(shè)計(jì)不同的特征和分類算法，比如人臉檢測(cè)的經(jīng)典算法是Harr特征+Adaboosting分類器；行人檢測(cè)的經(jīng)典算法是HOG(histogram of gradients) + Support Vector Machine；一般性物體的檢測(cè)的話是HOG的特征加上DPM(deformable part model)的算法。
基于深度學(xué)習(xí)的物體檢測(cè)的經(jīng)典算法是RCNN系列： RCNN，fast RCNN (Ross Girshick)，faster RCNN (少卿、凱明、孫劍、Ross)。這三個(gè)工作的核心思想是分別是：使用更好的CNN模型判斷候選區(qū)域的類別；復(fù)用預(yù)計(jì)算的sharing feature map加快模型訓(xùn)練和物體檢測(cè)的速度；進(jìn)一步使用sharing feature map大幅提高計(jì)算候選區(qū)域的速度。其實(shí)基于深度學(xué)習(xí)的物體檢測(cè)也可以看成對(duì)海量滑動(dòng)窗口分類，只是用全卷積的方式。
RCNN系列算法還是將物體檢測(cè)分為兩個(gè)步驟?，F(xiàn)在還有一些工作是端到端(end-to-end)的物體檢測(cè)，比如說(shuō)YOLO(You Only Look Once: Unified, Real-Time Object Detection)和SSD(SSD: Single Shot MultiBox Detector)這樣的算法。這兩個(gè)算法號(hào)稱和faster RCNN精度相似但速度更快。物體檢測(cè)正負(fù)樣本極端非均衡，two-stage cascade可以更好的應(yīng)對(duì)非均衡。端到端學(xué)習(xí)是否可以超越faster RCNN還需要更多研究實(shí)驗(yàn)。
先回答深度學(xué)習(xí)為什么會(huì)成為現(xiàn)在計(jì)算機(jī)視覺(jué)標(biāo)配的方法。
首先，最重要的原因是深度學(xué)習(xí)可以做到傳統(tǒng)方法無(wú)法企及的精度，這是關(guān)鍵中的關(guān)鍵，如果說(shuō)這個(gè)優(yōu)點(diǎn)是1的話，其它的優(yōu)點(diǎn)都是1后面的0。深度學(xué)習(xí)革命爆發(fā)在2011~2012年，11年的時(shí)候在語(yǔ)音識(shí)別領(lǐng)域有重大突破，12年的時(shí)候在圖像識(shí)別領(lǐng)域有重大突破。深度學(xué)習(xí)革命，使得計(jì)算機(jī)視覺(jué)在很多應(yīng)用領(lǐng)域達(dá)到了實(shí)用水平，催生了工業(yè)界的大量應(yīng)用。這也是為什么在11年前，機(jī)器視覺(jué)&人工智能的博士生都是找不到工作的，但是12年之后，尤其是現(xiàn)在，都變成了被眾多公司高薪爭(zhēng)奪的寶貝。
另外深度學(xué)習(xí)成為標(biāo)配，還有其它的優(yōu)點(diǎn)。
第一，深度學(xué)習(xí)算法的通用性很強(qiáng)，剛才提到的檢測(cè)，在傳統(tǒng)算法里面，針對(duì)不同的物體需要定制化不同的算法。相比來(lái)看，基于深度學(xué)習(xí)的算法更加通用，比如faster RCNN在人臉、行人、一般物體檢測(cè)任務(wù)上都可以取得非常好的效果。
第二，深度學(xué)習(xí)獲得的特征(feature)有很強(qiáng)的遷移能力。所謂特征遷移能力，指的是在A任務(wù)上學(xué)習(xí)到一些特征，在B任務(wù)上使用也可以獲得非常好的效果。例如在ImageNet（物體為主）上學(xué)習(xí)到的特征在場(chǎng)景分類任務(wù)上也能取得非常好的效果。
第三， 工程開(kāi)發(fā)、優(yōu)化、維護(hù)成本低。深度學(xué)習(xí)計(jì)算主要是卷積和矩陣乘，針對(duì)這種計(jì)算優(yōu)化，所有深度學(xué)習(xí)算法都可以提升性能。另外，通過(guò)組合現(xiàn)有的層(layer)，我們可以實(shí)現(xiàn)大量復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)和一些算法，開(kāi)發(fā)維護(hù)的成本低。想想同時(shí)開(kāi)發(fā)、維護(hù)Boosting，Random Forest等算法是非常痛苦的一件事情。
再回答深度學(xué)習(xí)過(guò)于單一的問(wèn)題。
深度學(xué)習(xí)過(guò)于單一的說(shuō)法，我覺(jué)得是不準(zhǔn)確的。就好比說(shuō)一個(gè)包容萬(wàn)象的宇宙過(guò)于單一了。
簡(jiǎn)單來(lái)說(shuō)，機(jī)器學(xué)習(xí)就是學(xué)習(xí)輸入到輸出的一個(gè)映射，傳統(tǒng)方法使用淺層的簡(jiǎn)單映射，現(xiàn)在深度學(xué)習(xí)是多層的復(fù)合映射。深度學(xué)習(xí)有很多的自由度，學(xué)習(xí)目標(biāo)和學(xué)習(xí)方法有很多種選擇，網(wǎng)絡(luò)結(jié)構(gòu)層與層之間有無(wú)數(shù)的可能連接方式，每一層映射的具體形式到底是卷積，還是全連接，還是其它的形式，并沒(méi)有限制，其實(shí)除了全連接和卷積之外，還可以用其它的映射形式，比如說(shuō)去年ICCV上的一個(gè)工作：微軟研究院用Random Forest做為新的映射形式。
深度學(xué)習(xí)的技術(shù)框架是一棵樹(shù)形結(jié)構(gòu)。
訓(xùn)練平臺(tái)是樹(shù)根，如caffe、tensorflow等?，F(xiàn)在深度學(xué)習(xí)還處于實(shí)驗(yàn)科學(xué)階段，實(shí)驗(yàn)效率很大程度上決定著研發(fā)效率，好的訓(xùn)練平臺(tái)可以把實(shí)驗(yàn)周期從一個(gè)月縮短到一天，對(duì)于深度學(xué)習(xí)研發(fā)非常重要。
模型是樹(shù)干。自06年提出深度學(xué)習(xí)概念，學(xué)術(shù)界花了六年時(shí)間才認(rèn)識(shí)到模型結(jié)構(gòu)的研究才是深度學(xué)習(xí)的重點(diǎn)。典型的成果有AlexNet、VGGNet、GoogleNet、ResNet等。學(xué)術(shù)界大家主要研究怎么把模型做的精度更好。在工業(yè)界我們還要考慮怎么把模型做得更快，更小。
在樹(shù)干上有幾個(gè)主干的枝丫，對(duì)應(yīng)著計(jì)算機(jī)視覺(jué)里的核心任務(wù)，包括了檢測(cè)、識(shí)別、分割、特征點(diǎn)定位、序列學(xué)習(xí)等五個(gè)大的任務(wù)，任何計(jì)算機(jī)視覺(jué)的具體的應(yīng)用都可以由這五個(gè)任務(wù)組合而成。以人臉識(shí)別為例，人臉識(shí)別要完成整個(gè)流程，要涉及到人臉的檢測(cè)、特征點(diǎn)定位，特征的提取&驗(yàn)證。這就包含了檢測(cè)、特征點(diǎn)定位和識(shí)別三個(gè)部分。
我們?cè)趧偛盘岬降哪俏鍌€(gè)重要的主干方向其實(shí)都投入了非常大的研究力量，一方面是保證我們?cè)趯W(xué)術(shù)界的前沿有所突破，另一方面，針對(duì)我們一些重要應(yīng)用也開(kāi)發(fā)出了一整套與學(xué)術(shù)界并行的方法，能夠做到十倍的加速和百倍模型的壓縮，同時(shí)保持很好的精度。這個(gè)問(wèn)題中提到的四篇論文主要是我們?cè)谶@五個(gè)計(jì)算機(jī)視覺(jué)的核心任務(wù)上取得的一些研究方向的成果。其實(shí)我們除了在研究方向成果之外在工業(yè)實(shí)用方面有更大、更多的成果，比如我們的人臉檢測(cè)在做到學(xué)術(shù)界最好結(jié)果的同時(shí)能做到300FPS的速度。人臉特征點(diǎn)的定位超過(guò)學(xué)術(shù)界最好結(jié)果的同時(shí)，做到3000FPS的速度。在學(xué)術(shù)界公開(kāi)的論文中，我還沒(méi)有看到這樣的性能。
在深度學(xué)習(xí)領(lǐng)域有一個(gè)簡(jiǎn)單但又非常通用的原理。在學(xué)習(xí)時(shí)，指導(dǎo)信息越豐富、越精細(xì)，學(xué)習(xí)的效果一般來(lái)說(shuō)也會(huì)越好。
舉個(gè)簡(jiǎn)單的例子，在數(shù)據(jù)量充足的情況下，如果我對(duì)我圖像類別的標(biāo)注僅僅是動(dòng)物、植物、場(chǎng)景的話，學(xué)習(xí)出來(lái)的模型和特征可能一般。但是如果把這些類別標(biāo)記細(xì)化，比如最開(kāi)始有十類數(shù)據(jù)，我們把它細(xì)化到一千類，例如把狗分成斑點(diǎn)狗、斗牛犬等，把貓分成波斯貓、大花貓等，通常來(lái)說(shuō)可以學(xué)習(xí)到更好的模型和更加好的特征。
另一個(gè)例子是物體檢測(cè)，如果在bounding box的基礎(chǔ)上增加額外的監(jiān)督信息通長(zhǎng)會(huì)得到更好的結(jié)果。比如標(biāo)注出人臉的眼睛、鼻子、嘴的位置，人臉的角度，種族性別男女等屬性，做成一個(gè)多任務(wù)學(xué)習(xí)的算法的話，通常來(lái)說(shuō)能得到更好的效果。
兩個(gè)代表性工作可以參考：Joint cascade face detection and alignment，F(xiàn)acial landmark detection by deep multi-task learning。
有時(shí)候多個(gè)標(biāo)注/任務(wù)是并列關(guān)系，可以通過(guò)Multi-Task Learning的框架來(lái)學(xué)習(xí)。另外一些情況，多個(gè)任務(wù)是遞進(jìn)關(guān)系，前一個(gè)任務(wù)的結(jié)果可以幫助后一個(gè)任務(wù)，例如將每一個(gè)人都獨(dú)立的檢測(cè)出來(lái)之后再分割每個(gè)人身體的Mask。合理利用這種遞進(jìn)關(guān)系，可以得到比并列關(guān)系更好的結(jié)果，這其實(shí)就是Instance segmentation的核心思想。因?yàn)橥瑐鹘y(tǒng)語(yǔ)義分割不同的是，傳統(tǒng)語(yǔ)義分割只需要對(duì)物體類別進(jìn)行分類，不需要區(qū)分不同的個(gè)體。物體分割(Instance segmentation)是既需要區(qū)分類別，又需要區(qū)分同一物體的個(gè)體，所以深度學(xué)習(xí)的網(wǎng)絡(luò)需要學(xué)習(xí)到比之前語(yǔ)義分割任務(wù)更多的信息。這方面微軟亞洲研究院的戴繼峰做了非常開(kāi)創(chuàng)性的工作。我們商湯科技石建萍高級(jí)研究員的工作也非常有創(chuàng)建性。通過(guò)多尺度局部區(qū)域融合的方法，端到端的實(shí)現(xiàn)了instance segmentation 物體類別與區(qū)分統(tǒng)一類別不同個(gè)體的信息。
做深度學(xué)習(xí)的人都是有一個(gè)終極的追求?，F(xiàn)在的深度學(xué)習(xí)模式其實(shí)比較傻。給定一個(gè)數(shù)據(jù)，以及對(duì)應(yīng)的標(biāo)簽（label）。比如說(shuō)給一張圖片，標(biāo)簽是一只貓，給另一幅圖片，標(biāo)簽是一只狗，然后把這些數(shù)據(jù)送到神經(jīng)網(wǎng)絡(luò)里去學(xué)習(xí)，最終達(dá)到一個(gè)很好的識(shí)別效果。這樣的方法叫做監(jiān)督學(xué)習(xí)，雖然非常有效，但是和人類學(xué)習(xí)的方法還是不一樣的。深度學(xué)習(xí)的研究者希望，機(jī)器可以更加聰明，可以像人一樣學(xué)習(xí)。
在監(jiān)督學(xué)習(xí)領(lǐng)域取得了重大成果之后，大家就把更多的精力投入到更接近人類學(xué)習(xí)方式的半監(jiān)督學(xué)習(xí)（semi-supervised）和無(wú)監(jiān)督學(xué)習(xí)（unsupervised）上。一方面，我們希望更加的深入的理解人類視覺(jué)的機(jī)理、甚至人的智能的機(jī)理。另一方面，監(jiān)督學(xué)習(xí)需要大量的數(shù)據(jù)，如果能用半監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)的方式繞過(guò)大數(shù)據(jù)標(biāo)注難題，達(dá)到相同精度，這對(duì)工業(yè)界非常有吸引力。
問(wèn)題中提到的這些黑科技，都是朝著人類學(xué)習(xí)方式探索性工作，非常有意義。
其實(shí)朝著這個(gè)方向努力的工作還有很多。這些工作都使用沒(méi)有監(jiān)督信息的圖像或者視頻。這些數(shù)據(jù)雖然沒(méi)有標(biāo)簽，但數(shù)據(jù)內(nèi)部其實(shí)都是蘊(yùn)含著一些結(jié)構(gòu)。比如視頻里物體的運(yùn)動(dòng)、行為存在特定規(guī)律；在一張圖片里，一個(gè)物體也是有特定的結(jié)構(gòu)的。利用這些視頻或圖像中特定的結(jié)構(gòu)，我們可以把一個(gè)無(wú)監(jiān)督的問(wèn)題轉(zhuǎn)化為一個(gè)有監(jiān)督問(wèn)題，然后利用有監(jiān)督學(xué)習(xí)的方法來(lái)學(xué)習(xí)。
有兩個(gè)典型的工作。第一個(gè)工作把圖像劃分成2x2或者3x3的圖像區(qū)域，給定任意兩個(gè)區(qū)域預(yù)測(cè)他們之間的相對(duì)位置關(guān)系。這個(gè)工作利用到的物體、場(chǎng)景的固有結(jié)構(gòu)特點(diǎn)，例如天空在道路上方，雙腿在身體下方。另一個(gè)工作利用視頻數(shù)據(jù)學(xué)習(xí)物體邊緣，主要用到了視頻中物體的邊緣相對(duì)于背景有較大的運(yùn)動(dòng)這一個(gè)特點(diǎn)。
長(zhǎng)期來(lái)看的話，探索人類學(xué)習(xí)過(guò)程的半監(jiān)督、非監(jiān)督、多感知輸入的學(xué)習(xí)方式是深度學(xué)習(xí)的另一個(gè)發(fā)展趨勢(shì)。
凱明、孫劍的兩篇best paper都是十分鐘就能看懂，一天就能復(fù)現(xiàn)出結(jié)果。而對(duì)于之后的研究產(chǎn)生長(zhǎng)遠(yuǎn)影響的工作。另外，孫劍做研究的風(fēng)格對(duì)我影響很大。問(wèn)題導(dǎo)向，解決重要問(wèn)題，做真正work的研究。這些方法論不僅在學(xué)術(shù)界非常有價(jià)值，而且在工業(yè)界研究更加重要。
回到論文本身，這篇論文解決的是深度網(wǎng)絡(luò)一般超過(guò)20~30層的時(shí)候，訓(xùn)練和測(cè)試的loss不再下降，甚至隨著層數(shù)的增加，loss會(huì)逐漸增加，針對(duì)這個(gè)問(wèn)題提出了一個(gè)非常行之有效的解決方案。這個(gè)方法之所以有效，有很多解釋，比如說(shuō)有一種解釋是通過(guò)跨層（skip-layer）可以把loss反傳到中間的很多層，解決了梯度傳播的問(wèn)題。另一種解釋認(rèn)為ResNet通過(guò)skip-layer，可以做到深度方面的多模型融合。
我的解釋稍微有點(diǎn)復(fù)雜。我認(rèn)為，沒(méi)有降采樣的情況下，當(dāng)深度達(dá)到一定的程度的時(shí)候，卷積層的學(xué)習(xí)能力是逐漸減弱的。當(dāng)網(wǎng)絡(luò)過(guò)深，增加的卷積層只能學(xué)習(xí)到噪音，并且造成有效信息損失，導(dǎo)致訓(xùn)練和測(cè)試loss都增加的情況。Skip layer可以很好的自適應(yīng)的調(diào)整每一層的學(xué)習(xí)目標(biāo)，解決這個(gè)問(wèn)題。
另外ResNet有很大的冗余，把152層網(wǎng)絡(luò)中的后面幾層去掉也不會(huì)改變精度，可能這些層都被skip了。保持精度的情況下，去掉這些冗余，做到更小更經(jīng)濟(jì)的網(wǎng)絡(luò)，非常有研究?jī)r(jià)值。
現(xiàn)在產(chǎn)業(yè)界跟學(xué)術(shù)界的研究基本是并行進(jìn)行的，總體來(lái)說(shuō)，產(chǎn)業(yè)界沒(méi)有落后于學(xué)術(shù)界，學(xué)術(shù)界也沒(méi)有落后于產(chǎn)業(yè)界，只是產(chǎn)業(yè)界和學(xué)術(shù)界的側(cè)重點(diǎn)不一樣。
現(xiàn)在深度學(xué)習(xí)的研究迭代速度是非常非常快的，而且快的驚人。在其他領(lǐng)域的話，學(xué)術(shù)研究主要是通過(guò)發(fā)表期刊文章來(lái)交流，期刊周期短的話可能一年，長(zhǎng)的話可能要兩三年的時(shí)間。而在計(jì)算機(jī)領(lǐng)域，大家更多的是發(fā)表會(huì)議論文，會(huì)議論文的時(shí)間周期大概是半年的時(shí)間。在深度學(xué)習(xí)領(lǐng)域，大家第一時(shí)間把自己做出來(lái)的成果放在預(yù)印本(Arxiv)，半年之后再把論文投稿到會(huì)議上去。
在商湯科技，很多研究員養(yǎng)成的習(xí)慣就是每天先到預(yù)印本(Arxiv)上去看最新論文，如果這個(gè)論文的思想有價(jià)值或者這個(gè)論文做出了一些非常突出的成果的話大家都會(huì)第一時(shí)間嘗試復(fù)現(xiàn)，做一些探索性的實(shí)驗(yàn)。
我認(rèn)為，在深度學(xué)習(xí)這個(gè)特定的領(lǐng)域，新技術(shù)落地的周期幾乎為零。
我覺(jué)得CVPR的很多版塊都非常有意思。要說(shuō)哪個(gè)版塊最有用的話，從工業(yè)界實(shí)用的角度出發(fā)，當(dāng)然是檢測(cè)識(shí)別的板塊最有用。
最大的體會(huì)是華人圈做計(jì)算機(jī)視覺(jué)真的很厲害。去年參加ICCV的時(shí)候所有ImageNet的比賽第一名都被華人包攬了。這次CVPR的時(shí)候也看到了非常多的華人的優(yōu)秀論文。凱明、少卿、翔宇、孫劍還拿了最佳論文獎(jiǎng)。華人在計(jì)算機(jī)視覺(jué)領(lǐng)域的研究水平越來(lái)越高。這是非常振奮人心的事。稍微雞湯一下，我們中國(guó)錯(cuò)過(guò)了工業(yè)革命，錯(cuò)過(guò)了電氣革命，信息革命也只是跟隨狀態(tài)。但人工智能的革命，我們跟世界上的領(lǐng)先國(guó)家是并肩往前跑的。能身處這個(gè)時(shí)代浪潮之中，做一番偉大的事業(yè)，經(jīng)常激動(dòng)的夜不能寐。
本期硬創(chuàng)公開(kāi)課上，曹旭東重點(diǎn)為我們介紹了深度學(xué)習(xí)目前相對(duì)其它AI實(shí)現(xiàn)方法占優(yōu)的4個(gè)特點(diǎn)：精度好； 算法通用；特征推廣性好；工程框架統(tǒng)一。這或許可以解釋為深度學(xué)習(xí)現(xiàn)在在AI界大受歡迎的原因。
另外他指出計(jì)算機(jī)視覺(jué)里的核心任務(wù)，包括檢測(cè)、識(shí)別、分割、特征點(diǎn)定位、序列學(xué)習(xí)等五個(gè)大的任務(wù)，為計(jì)算機(jī)視覺(jué)的具體應(yīng)用勾畫(huà)了一個(gè)清晰的脈絡(luò)。
不過(guò)令人震驚的是，談到深度學(xué)習(xí)這個(gè)特定領(lǐng)域的研究迭代速度，談到論文投入實(shí)用的合理周期，他認(rèn)為在深度學(xué)習(xí)這個(gè)特定的領(lǐng)域落地的周期應(yīng)該是零。雖然現(xiàn)在谷歌，F(xiàn)acebook等大公司正在引導(dǎo)論文從文字到實(shí)踐的產(chǎn)業(yè)化熱潮，但這樣的周期顯然是讓業(yè)內(nèi)人士感到驚心動(dòng)魄的一個(gè)速度。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
專題
