简介这份资源面向深度学习初学者与进阶学习者以21个可运行的项目实例串联从数据预处理、模型构建、训练验证到评估部署的完整流程帮助读者在动手实践中理解DNN、CNN等核心算法解决理论看得懂、代码写不出的问题。压缩包共911个文件以511个Python脚本为主体配合104张jpg与66张png图示、55份md说明文档另有proto、sh、yml、ipynb等配置与实验文件整体约55.81MB目录按项目模块组织便于逐例检索。目前已有6704人学习下载。内容覆盖多层感知机的激活函数选择、损失计算与反向传播卷积层与池化层构建图像分类模型以及数据归一化与增强、超参数设置、交叉验证、早停与模型集成等调优技巧部分实例还涉及RNN、LSTM、自编码器与GAN并演示用Flask等框架部署实时预测服务适合作为课程实验与自学练手的配套素材。1. 从“跑不通第一个模型”说起深度学习实例项目的需求定位很多人学深度学习卡住的地方不是看不懂反向传播的公式而是打开编辑器之后不知道下一步该敲什么。理论书翻了三章环境装了两天第一个能跑通的训练脚本还是从别处复制来的改两个参数就报维度不匹配。这套“深度学习21个项目实例”要解决的正是这个断层它不负责把数学讲透而是用21个可复现的完整案例把数据准备、模型搭建、训练循环、评估验证这条链路走通一遍又一遍。适合两类人——正在做毕设或课程设计、需要一个能改能交的工程骨架的学生以及要从零搭一个原型验证想法、不想在环境配置上反复翻车的从业者。关键词“深度学习实例”在这里不是标签而是这套资源的核心组织方式以实例为单位每个实例自带输入、输出和验收口径。2. 项目体系设计21个实例如何分层与选型2.1 按任务类型分层而不是按模型名字堆砌拿到21个实例第一件容易做错的事是按“CNN、RNN、Transformer”这样分。模型只是手段真正决定一个实例能不能被复用、被改造的是任务类型和数据形态。我一般会把这21个实例按四层来组织第一层是结构化数据与基础网络全连接、正则化、批归一化解决的是“训练流程长什么样”第二层是图像任务分类、检测、分割、风格迁移覆盖卷积类模型的主干第三层是序列任务文本分类、时序预测、序列到序列把循环网络和注意力机制串起来第四层是综合与部署类实例多模态、模型压缩、推理服务化把前面拆开的东西合起来用。这样分层的好处是读者做毕设时可以直接定位到自己任务所在的那一层拿相邻实例当参照。比如做图像分类的课设第二层的分类实例就是骨架第一层的正则化技巧是补丁第四层的压缩实例是加分项。分层还带来一个隐性收益每一层内部的实例共享数据预处理和评估代码改一个实例时能顺手把同层的其他实例跑一遍验证自己的改动没有破坏通用逻辑。2.2 技术栈选型为什么以 PyTorch 为主干这套实例的主干框架选 PyTorch理由不是它“更流行”而是它的调试体验对学习者更友好。动态图意味着你可以在训练循环里直接打印中间张量的形状出错时堆栈能指到具体那一行这对还在建立“张量形状直觉”的人非常关键。相比之下静态图框架在报错信息上往往隔了一层初学者容易在编译期错误里迷失。配套的库我一般这样配数据处理用 torchvision 和 torchtext 覆盖图像与文本数值计算和指标用 numpy 与 scikit-learn可视化用 matplotlib实验记录用 tensorboard。这套组合的版本兼容性相对稳定不需要为了跑通一个实例去折腾一堆依赖冲突。下面是一个典型的实例目录结构21个实例共用同一套骨架只是各自替换模型和数据模块project_root/ ├── common/ │ ├── seed.py # 固定随机种子保证结果可复现 │ ├── trainer.py # 通用训练循环含早停与日志 │ └── metrics.py # 准确率、F1、混淆矩阵等评估函数 ├── instances/ │ ├── 01_mlp_tabular/ │ │ ├── config.yaml # 超参数与路径配置 │ │ ├── dataset.py # 该实例专属的数据加载 │ │ ├── model.py # 网络定义 │ │ └── train.py # 入口脚本 │ └── ... # 其余实例同构 └── requirements.txt这个结构的核心思想是“公共逻辑下沉、实例逻辑隔离”。common 目录里的训练循环和评估函数只写一次21个实例都调用它每个实例目录只放自己特有的数据加载、模型定义和配置。这样改一个实例不会污染其他实例同时公共部分的 bug 修一次全部受益。config.yaml 把超参数外置是为了让读者不改代码就能做对比实验——把学习率从 1e-3 改成 1e-4只动一行配置结果差异一目了然。2.3 每个实例的交付物定义一个实例算不算“完成”不能只看 loss 降下去了。我通常给每个实例定三样交付物一份可复现的训练脚本固定种子后两次运行指标差异在合理范围内、一张评估结果表至少包含主指标和混淆矩阵或误差分布、一段不超过两百字的结论说明这个实例验证了什么、什么情况下会失效。第三样最容易被忽略但它恰恰是答辩时最容易被追问的地方——评委问“你这个模型为什么在这个数据集上有效”答案就在这段结论里而不是在代码里。3. 关键实例的实现拆解从数据管道到训练循环3.1 图像分类实例数据增强与迁移学习的组合图像分类是21个实例里出现频率最高的一类也是最容易做出“看起来能跑但结果不可信”的一类。问题通常出在数据管道上训练集做了归一化验证集忘了做或者数据增强用得太猛把语义改掉了。下面这段是图像分类实例里我常用的数据管道写法import torch from torchvision import transforms, datasets # 训练集增强 归一化增强强度按任务调整 train_tf transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), # 裁剪比例下限别太低 transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.2, contrast0.2), # 轻度颜色扰动 transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), # 与预训练权重对齐 ]) # 验证集只做确定性的缩放和归一化绝不能加随机增强 val_tf transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ])这段代码有三个参数值得说清楚。RandomResizedCrop的scale下限设成 0.7 而不是 0.08是因为很多课设数据集类别间差异靠局部纹理裁得太狠会把判别信息裁掉训练 loss 看着降但验证集上不去。ColorJitter的强度控制在 0.2超过 0.4 在细粒度分类上会明显掉点。归一化的均值和标准差必须和所用预训练权重一致用 ImageNet 统计量就对应 ImageNet 预训练模型混用是常见的隐性错误——模型能训但收敛慢且上限低。迁移学习部分我一般冻结主干的前若干层只训练最后几个 block 和分类头。冻结层数不是固定的数据量小就多冻几层数据量和预训练分布接近就少冻。判断依据看验证集如果训练 loss 很快降到很低而验证 loss 反弹说明可训练参数太多往回冻。3.2 序列预测实例滑动窗口构造与评估口径序列类实例最容易翻车的地方不在模型在数据切分。时间序列不能随机打乱划分训练验证集否则未来信息泄漏到训练里指标虚高得离谱。正确的做法是按时间顺序切并且用滑动窗口构造样本。下面是一个通用的窗口构造函数import numpy as np def make_windows(series, window, horizon): series: 一维序列; window: 输入长度; horizon: 预测步长 X, y [], [] for i in range(len(series) - window - horizon 1): X.append(series[i : i window]) y.append(series[i window : i window horizon]) return np.array(X), np.array(y) # 按时间 8:2 切分先切再构造窗口避免跨边界泄漏 split int(len(series) * 0.8) X_train, y_train make_windows(series[:split], window48, horizon12) X_val, y_val make_windows(series[split - 48:], window48, horizon12)注意验证集构造时从split - window开始取是为了让第一个验证样本的输入窗口能接上训练段的尾部否则验证集开头会缺一段上下文。window和horizon的取值要看数据周期有明显日周期的序列window 至少覆盖一个完整周期horizon 不要超过半个周期否则模型实际上在猜。评估口径上我坚持同时报 MAE 和相对误差因为纯 MAE 在量纲大的序列上看着吓人答辩时说不清楚。3.3 训练循环的公共封装早停、日志与断点21个实例如果每个都手写训练循环维护成本会失控。公共 trainer 我一般封装成“配置驱动 回调”的形式核心是早停和日志两块。早停的耐心值按验证集评估频率定每个 epoch 评估一次就设 5 到 10日志至少记录训练 loss、验证 loss、主指标和学习率学习率变化能帮你判断调度器有没有生效。断点保存不只是存模型权重还要存优化器状态和当前 epoch否则恢复训练后学习率调度会错位这是很多人恢复训练后指标突然变差的原因。4. 避坑与排查21个实例里最容易翻车的五处4.1 指标虚高数据泄漏的三种典型形态现象是验证集指标高得反常换一批数据就崩。原因通常有三归一化统计量在划分前用全量数据算了验证集信息进了训练图像任务里同一张图的增强副本同时出现在训练和验证集序列任务随机打乱划分。解决办法是把所有依赖数据的统计量均值、方差、词表只在训练集上拟合划分放在最前面序列任务严格按时间切。4.2 loss 不降先查学习率和数据再怀疑模型现象是训练几个 epoch 后 loss 几乎不动。原因排序上学习率过大导致震荡、过小导致停滞排第一数据标签错位排第二模型结构问题反而排最后。排查顺序先把学习率调一个数量级看 loss 有没有反应再用小批量过拟合测试——取 10 个样本训练到 loss 接近零如果做不到问题在数据管道或标签不在模型容量。4.3 显存溢出batch size 不是唯一旋钮现象是训练中途 OOM。原因不一定是 batch 太大也可能是验证阶段没加torch.no_grad()或者中间特征图没释放。解决办法验证和推理统一包在torch.no_grad()里梯度累积替代大 batch图像任务适当降低输入分辨率。梯度累积的步数要和学习率联动调整累积 4 步相当于 batch 放大 4 倍学习率通常也要相应上调。4.4 结果不可复现种子之外还有两个开关现象是同样代码两次运行指标差好几个点。原因除了没固定随机种子还有 DataLoader 的多进程顺序不确定、以及 cuDNN 的非确定性算子。解决办法固定 python、numpy、torch 的种子DataLoader 设worker_init_fn需要严格复现时开torch.use_deterministic_algorithms(True)代价是速度略降。4.5 迁移学习掉点归一化和冻结策略不匹配现象是用了预训练权重反而比从零训练差。原因多是输入归一化和预训练权重不匹配或者冻结层数不当导致可训练参数与数据量不匹配。解决办法核对归一化统计量数据量小时多冻几层并降低学习率分类头用较大学习率、主干用较小学习率的分组学习率策略。5. 验收与答辩怎么证明这套实例真的跑通了验收这件事我建议按“可复现、可解释、可对比”三条来准备而不是把 21 个实例的 loss 曲线截图堆上去。可复现是指评委随便挑一个实例你能在干净环境里按 README 跑出报告里的数字误差在合理范围可解释是指每个实例的结论说明能对应到具体设计选择比如“这个实例用了分组学习率因为主干和分类头的收敛速度差一个量级”可对比是指至少有两组消融结果证明某个模块不是摆设。具体到答辩现场我一般让准备一张总表把21个实例按任务层归类每类挑一个代表实例写清数据规模、模型参数量、主指标和训练耗时。表格不用大四列足够但每个数字都要能追溯到某次运行的日志。下面是一个示例格式实例数据规模主指标关键设计点图像分类约 5k 张Top-1 准确率迁移学习 分组学习率序列预测约 2 万步MAE / 相对误差滑动窗口 按时间切分文本分类约 1 万条宏平均 F1预训练词向量 冻结嵌入答辩时最容易被问的两个问题提前准备好答案一是“你这个结果和基线比好在哪”所以要有一个朴素基线比如逻辑回归或最简单的 CNN的数字二是“换个数据集还能用吗”所以要能说清哪些设计是任务相关的、哪些是通用的。我吃过一次亏早期做课设答辩时只报了最终指标被追问基线数字时现场翻日志场面很难看。从那以后我每次做实例验收都强制先跑一遍基线、把基线数字写进报告首页再谈改进。希望这套结构和这份验收习惯能帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/28 8:08:54 · 阅读 1.2k 深度学习21个项目实例：从数据管道到训练循环的工程实践指南
简介这份资源面向深度学习初学者与进阶学习者以21个可运行的项目实例串联从数据预处理、模型构建、训练验证到评估部署的完整流程帮助读者在动手实践中理解DNN、CNN等核心算法解决理论看得懂、代码写不出的问题。压缩包共911个文件以511个Python脚本为主体配合104张jpg与66张png图示、55份md说明文档另有proto、sh、yml、ipynb等配置与实验文件整体约55.81MB目录按项目模块组织便于逐例检索。目前已有6704人学习下载。内容覆盖多层感知机的激活函数选择、损失计算与反向传播卷积层与池化层构建图像分类模型以及数据归一化与增强、超参数设置、交叉验证、早停与模型集成等调优技巧部分实例还涉及RNN、LSTM、自编码器与GAN并演示用Flask等框架部署实时预测服务适合作为课程实验与自学练手的配套素材。1. 从“跑不通第一个模型”说起深度学习实例项目的需求定位很多人学深度学习卡住的地方不是看不懂反向传播的公式而是打开编辑器之后不知道下一步该敲什么。理论书翻了三章环境装了两天第一个能跑通的训练脚本还是从别处复制来的改两个参数就报维度不匹配。这套“深度学习21个项目实例”要解决的正是这个断层它不负责把数学讲透而是用21个可复现的完整案例把数据准备、模型搭建、训练循环、评估验证这条链路走通一遍又一遍。适合两类人——正在做毕设或课程设计、需要一个能改能交的工程骨架的学生以及要从零搭一个原型验证想法、不想在环境配置上反复翻车的从业者。关键词“深度学习实例”在这里不是标签而是这套资源的核心组织方式以实例为单位每个实例自带输入、输出和验收口径。2. 项目体系设计21个实例如何分层与选型2.1 按任务类型分层而不是按模型名字堆砌拿到21个实例第一件容易做错的事是按“CNN、RNN、Transformer”这样分。模型只是手段真正决定一个实例能不能被复用、被改造的是任务类型和数据形态。我一般会把这21个实例按四层来组织第一层是结构化数据与基础网络全连接、正则化、批归一化解决的是“训练流程长什么样”第二层是图像任务分类、检测、分割、风格迁移覆盖卷积类模型的主干第三层是序列任务文本分类、时序预测、序列到序列把循环网络和注意力机制串起来第四层是综合与部署类实例多模态、模型压缩、推理服务化把前面拆开的东西合起来用。这样分层的好处是读者做毕设时可以直接定位到自己任务所在的那一层拿相邻实例当参照。比如做图像分类的课设第二层的分类实例就是骨架第一层的正则化技巧是补丁第四层的压缩实例是加分项。分层还带来一个隐性收益每一层内部的实例共享数据预处理和评估代码改一个实例时能顺手把同层的其他实例跑一遍验证自己的改动没有破坏通用逻辑。2.2 技术栈选型为什么以 PyTorch 为主干这套实例的主干框架选 PyTorch理由不是它“更流行”而是它的调试体验对学习者更友好。动态图意味着你可以在训练循环里直接打印中间张量的形状出错时堆栈能指到具体那一行这对还在建立“张量形状直觉”的人非常关键。相比之下静态图框架在报错信息上往往隔了一层初学者容易在编译期错误里迷失。配套的库我一般这样配数据处理用 torchvision 和 torchtext 覆盖图像与文本数值计算和指标用 numpy 与 scikit-learn可视化用 matplotlib实验记录用 tensorboard。这套组合的版本兼容性相对稳定不需要为了跑通一个实例去折腾一堆依赖冲突。下面是一个典型的实例目录结构21个实例共用同一套骨架只是各自替换模型和数据模块project_root/ ├── common/ │ ├── seed.py # 固定随机种子保证结果可复现 │ ├── trainer.py # 通用训练循环含早停与日志 │ └── metrics.py # 准确率、F1、混淆矩阵等评估函数 ├── instances/ │ ├── 01_mlp_tabular/ │ │ ├── config.yaml # 超参数与路径配置 │ │ ├── dataset.py # 该实例专属的数据加载 │ │ ├── model.py # 网络定义 │ │ └── train.py # 入口脚本 │ └── ... # 其余实例同构 └── requirements.txt这个结构的核心思想是“公共逻辑下沉、实例逻辑隔离”。common 目录里的训练循环和评估函数只写一次21个实例都调用它每个实例目录只放自己特有的数据加载、模型定义和配置。这样改一个实例不会污染其他实例同时公共部分的 bug 修一次全部受益。config.yaml 把超参数外置是为了让读者不改代码就能做对比实验——把学习率从 1e-3 改成 1e-4只动一行配置结果差异一目了然。2.3 每个实例的交付物定义一个实例算不算“完成”不能只看 loss 降下去了。我通常给每个实例定三样交付物一份可复现的训练脚本固定种子后两次运行指标差异在合理范围内、一张评估结果表至少包含主指标和混淆矩阵或误差分布、一段不超过两百字的结论说明这个实例验证了什么、什么情况下会失效。第三样最容易被忽略但它恰恰是答辩时最容易被追问的地方——评委问“你这个模型为什么在这个数据集上有效”答案就在这段结论里而不是在代码里。3. 关键实例的实现拆解从数据管道到训练循环3.1 图像分类实例数据增强与迁移学习的组合图像分类是21个实例里出现频率最高的一类也是最容易做出“看起来能跑但结果不可信”的一类。问题通常出在数据管道上训练集做了归一化验证集忘了做或者数据增强用得太猛把语义改掉了。下面这段是图像分类实例里我常用的数据管道写法import torch from torchvision import transforms, datasets # 训练集增强 归一化增强强度按任务调整 train_tf transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), # 裁剪比例下限别太低 transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.2, contrast0.2), # 轻度颜色扰动 transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), # 与预训练权重对齐 ]) # 验证集只做确定性的缩放和归一化绝不能加随机增强 val_tf transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ])这段代码有三个参数值得说清楚。RandomResizedCrop的scale下限设成 0.7 而不是 0.08是因为很多课设数据集类别间差异靠局部纹理裁得太狠会把判别信息裁掉训练 loss 看着降但验证集上不去。ColorJitter的强度控制在 0.2超过 0.4 在细粒度分类上会明显掉点。归一化的均值和标准差必须和所用预训练权重一致用 ImageNet 统计量就对应 ImageNet 预训练模型混用是常见的隐性错误——模型能训但收敛慢且上限低。迁移学习部分我一般冻结主干的前若干层只训练最后几个 block 和分类头。冻结层数不是固定的数据量小就多冻几层数据量和预训练分布接近就少冻。判断依据看验证集如果训练 loss 很快降到很低而验证 loss 反弹说明可训练参数太多往回冻。3.2 序列预测实例滑动窗口构造与评估口径序列类实例最容易翻车的地方不在模型在数据切分。时间序列不能随机打乱划分训练验证集否则未来信息泄漏到训练里指标虚高得离谱。正确的做法是按时间顺序切并且用滑动窗口构造样本。下面是一个通用的窗口构造函数import numpy as np def make_windows(series, window, horizon): series: 一维序列; window: 输入长度; horizon: 预测步长 X, y [], [] for i in range(len(series) - window - horizon 1): X.append(series[i : i window]) y.append(series[i window : i window horizon]) return np.array(X), np.array(y) # 按时间 8:2 切分先切再构造窗口避免跨边界泄漏 split int(len(series) * 0.8) X_train, y_train make_windows(series[:split], window48, horizon12) X_val, y_val make_windows(series[split - 48:], window48, horizon12)注意验证集构造时从split - window开始取是为了让第一个验证样本的输入窗口能接上训练段的尾部否则验证集开头会缺一段上下文。window和horizon的取值要看数据周期有明显日周期的序列window 至少覆盖一个完整周期horizon 不要超过半个周期否则模型实际上在猜。评估口径上我坚持同时报 MAE 和相对误差因为纯 MAE 在量纲大的序列上看着吓人答辩时说不清楚。3.3 训练循环的公共封装早停、日志与断点21个实例如果每个都手写训练循环维护成本会失控。公共 trainer 我一般封装成“配置驱动 回调”的形式核心是早停和日志两块。早停的耐心值按验证集评估频率定每个 epoch 评估一次就设 5 到 10日志至少记录训练 loss、验证 loss、主指标和学习率学习率变化能帮你判断调度器有没有生效。断点保存不只是存模型权重还要存优化器状态和当前 epoch否则恢复训练后学习率调度会错位这是很多人恢复训练后指标突然变差的原因。4. 避坑与排查21个实例里最容易翻车的五处4.1 指标虚高数据泄漏的三种典型形态现象是验证集指标高得反常换一批数据就崩。原因通常有三归一化统计量在划分前用全量数据算了验证集信息进了训练图像任务里同一张图的增强副本同时出现在训练和验证集序列任务随机打乱划分。解决办法是把所有依赖数据的统计量均值、方差、词表只在训练集上拟合划分放在最前面序列任务严格按时间切。4.2 loss 不降先查学习率和数据再怀疑模型现象是训练几个 epoch 后 loss 几乎不动。原因排序上学习率过大导致震荡、过小导致停滞排第一数据标签错位排第二模型结构问题反而排最后。排查顺序先把学习率调一个数量级看 loss 有没有反应再用小批量过拟合测试——取 10 个样本训练到 loss 接近零如果做不到问题在数据管道或标签不在模型容量。4.3 显存溢出batch size 不是唯一旋钮现象是训练中途 OOM。原因不一定是 batch 太大也可能是验证阶段没加torch.no_grad()或者中间特征图没释放。解决办法验证和推理统一包在torch.no_grad()里梯度累积替代大 batch图像任务适当降低输入分辨率。梯度累积的步数要和学习率联动调整累积 4 步相当于 batch 放大 4 倍学习率通常也要相应上调。4.4 结果不可复现种子之外还有两个开关现象是同样代码两次运行指标差好几个点。原因除了没固定随机种子还有 DataLoader 的多进程顺序不确定、以及 cuDNN 的非确定性算子。解决办法固定 python、numpy、torch 的种子DataLoader 设worker_init_fn需要严格复现时开torch.use_deterministic_algorithms(True)代价是速度略降。4.5 迁移学习掉点归一化和冻结策略不匹配现象是用了预训练权重反而比从零训练差。原因多是输入归一化和预训练权重不匹配或者冻结层数不当导致可训练参数与数据量不匹配。解决办法核对归一化统计量数据量小时多冻几层并降低学习率分类头用较大学习率、主干用较小学习率的分组学习率策略。5. 验收与答辩怎么证明这套实例真的跑通了验收这件事我建议按“可复现、可解释、可对比”三条来准备而不是把 21 个实例的 loss 曲线截图堆上去。可复现是指评委随便挑一个实例你能在干净环境里按 README 跑出报告里的数字误差在合理范围可解释是指每个实例的结论说明能对应到具体设计选择比如“这个实例用了分组学习率因为主干和分类头的收敛速度差一个量级”可对比是指至少有两组消融结果证明某个模块不是摆设。具体到答辩现场我一般让准备一张总表把21个实例按任务层归类每类挑一个代表实例写清数据规模、模型参数量、主指标和训练耗时。表格不用大四列足够但每个数字都要能追溯到某次运行的日志。下面是一个示例格式实例数据规模主指标关键设计点图像分类约 5k 张Top-1 准确率迁移学习 分组学习率序列预测约 2 万步MAE / 相对误差滑动窗口 按时间切分文本分类约 1 万条宏平均 F1预训练词向量 冻结嵌入答辩时最容易被问的两个问题提前准备好答案一是“你这个结果和基线比好在哪”所以要有一个朴素基线比如逻辑回归或最简单的 CNN的数字二是“换个数据集还能用吗”所以要能说清哪些设计是任务相关的、哪些是通用的。我吃过一次亏早期做课设答辩时只报了最终指标被追问基线数字时现场翻日志场面很难看。从那以后我每次做实例验收都强制先跑一遍基线、把基线数字写进报告首页再谈改进。希望这套结构和这份验收习惯能帮到你。本文还有配套的精品资源点击获取