【自然语言处理 | Transformer】Transformer：Attention is All You Need论文讲解

痛定思痛。 2023-09-27 18:56 80阅读 0赞

Transformer由论文《Attention is All You Need》提出：

![在这里插入图片描述][75552f6b429a4316926cb40dafe62e74.png]

论文地址为：

https://arxiv.org/pdf/1706.03762.pdf

#### 文章目录 ####

*  一、Transformer 整体结构
 *  二、Transformer 的输入
 *   *  2.1 单词 Embedding
     *  2.2 位置 Embedding
 *  三、Self-Attention（自注意力机制）
 *   *  3.1 Self-Attention 结构
     *  3.2 Q, K, V 的计算
     *  3.3 Self-Attention 的输出
     *  3.4 Multi-Head Attention
 *  四、Encoder 结构
 *   *  4.1 Add & Norm
     *  4.2 Feed Forward
     *  4.3 组成 Encoder
 *  五、Decoder 结构
 *   *  5.1 第一个 Multi-Head Attention
     *  5.2 第二个 Multi-Head Attention
     *  5.3 Softmax 预测输出单词
 *  六、Transformer 总结

## 一、Transformer 整体结构 ##

首先介绍 **Transformer** 的整体结构，下面是 **Transformer** 用于中英文翻译的整体结构：

![在这里插入图片描述][2b9f981d6b33447d8dab37f3367d4149.png]

上图是 **Transformer** 的整体结构，左图 **Encoder** 和右图 **Decoder** 。

可以看到 **Transformer** 由 **Encoder** 和 **Decoder** 两个部分组成，**Encoder** 和 **Decoder** 都包含 6 个 **block**。**Transformer** 的工作流程大体如下：

**第一步**：获取输入句子的每一个单词的表示向量 X，X由单词的 **Embedding**（**Embedding** 就是从原始数据提取出来的 **Feature**） 和单词位置的 **Embedding** 相加得到。

![在这里插入图片描述][89783bd894fa40d19b1bbea94e92e0e2.png]

**第二步**：将得到的单词表示向量矩阵 (如上图所示，每一行是一个单词的表示  x x x) 传入 **Encoder** 中，经过 6 个 **Encoder block** 后可以得到句子所有单词的编码信息矩阵  C C C，如下图。单词向量矩阵用 X n × d X\_\{n \\times d\} Xn×d表示，  n n n 是句子中单词个数， d d d 是表示向量的维度 (论文中  d = 512 d = 512 d=512)。每一个 **Encoder block** 输出的矩阵维度与输入完全一致。

![在这里插入图片描述][11d27135da774165b6a94c1d84b027ed.png]  
上图展示了 **Transformer Encoder** 编码句子信息。

**第三步**：将 **Encoder** 输出的编码信息矩阵  C C C 传递到 **Decoder** 中，**Decoder** 依次会根据当前翻译过的单词 1~ i 翻译下一个单词  i + 1 i + 1 i\+1，如下图所示。在使用的过程中，翻译到单词  i + 1 i + 1 i\+1 的时候需要通过 **Mask** (掩盖) 操作遮盖住  i + 1 i + 1 i\+1 之后的单词。

![在这里插入图片描述][468bcb9f68254e519bed59d4eb8a7905.png]  
**Transofrmer Decoder** 预测。

上图 **Decoder** 接收了 **Encoder** 的编码矩阵  C C C，然后首先输入一个翻译开始符 “”，预测第一个单词 “I”；然后输入翻译开始符 “” 和单词 “I”，预测单词 “have”，以此类推。这是 **Transformer** 使用时候的大致流程，接下来是里面各个部分的细节。

## 二、Transformer 的输入 ##

**Transformer** 中单词的输入表示  x x x 由单词 **Embedding** 和位置 **Embedding** （**Positional Encoding**）相加得到。

![在这里插入图片描述][40df8831ba364a848d4cb1c8dc68d9fe.png]

### 2.1 单词 Embedding ###

单词的 **Embedding** 有很多种方式可以获取，例如可以采用 **Word2Vec**、**Glove** 等算法预训练得到，也可以在 **Transformer** 中训练得到。

### 2.2 位置 Embedding ###

**Transformer** 中除了单词的 **Embedding**，还需要使用位置 **Embedding** 表示单词出现在句子中的位置。因为 **Transformer** 不采用 **RNN** 的结构，而是使用全局信息，不能利用单词的顺序信息，而这部分信息对于 **NLP** 来说非常重要。

所以 **Transformer** 中使用位置 **Embedding** 保存单词在序列中的相对或绝对位置。

位置 **Embedding** 用 PE表示，PE 的维度与单词 **Embedding** 是一样的。PE 可以通过训练得到，也可以使用某种公式计算得到。在 **Transformer** 中采用了后者，计算公式如下：  
 P E ( p o s , 2 i ) = sin ⁡ ( p o s / 1000 0 2 i / d ) P E ( p o s , 2 i + 1 ) = cos ⁡ ( p o s / 1000 0 2 i / d ) PE\_\{(pos,2i)\}=\\sin(pos / 10000^\{2i / d\})\\\\ PE\_\{(pos,2i+1)\}=\\cos(pos / 10000^\{2i / d\}) PE(pos,2i)=sin(pos/100002i/d)PE(pos,2i\+1)=cos(pos/100002i/d)  
其中，pos表示单词在句子中的位置， d d d表示 PE 的维度（与词 Embedding 一样）， 2 i 2i 2i表示偶数的维度， 2 i + 1 2i+1 2i\+1表示奇数维度（即  2 i ≤ d 2i \\leq d 2i≤d， 2 i + 1 ≤ d 2i+1 \\leq d 2i\+1≤d）。使用这种公式计算 PE 有以下的好处：

*  使 PE 能够适应比训练集里面所有句子更长的句子，假设训练集里面最长的句子是有 20 个单词，突然来了一个长度为 21 的句子，则使用公式计算的方法可以计算出第 21 位的 **Embedding**。
 *  可以让模型容易地计算出相对位置，对于固定长度的间距  k k k， P E ( p o s + k ) PE\_\{(pos + k)\} PE(pos\+k) 可以用  P E ( p o s ) PE\_\{(pos)\} PE(pos) 计算得到。

因为  sin ⁡ ( A + B ) = sin ⁡ ( A ) cos ⁡ ( B ) + cos ⁡ ( A ) sin ⁡ ( B ) , cos ⁡ ( A + B ) = cos ⁡ ( A ) cos ⁡ ( B ) − sin ⁡ ( A ) sin ⁡ ( B ) \\sin(A + B) = \\sin(A) \\cos(B) + \\cos(A) \\sin(B), \\cos(A + B) = \\cos(A) \\cos(B) - \\sin(A) \\sin(B) sin(A\+B)=sin(A)cos(B)\+cos(A)sin(B),cos(A\+B)=cos(A)cos(B)−sin(A)sin(B)。

将单词的词 **Embedding** 和位置 **Embedding** 相加，就可以得到单词的表示向量  x x x， x x x 就是 **Transformer** 的输入。

## 三、Self-Attention（自注意力机制） ##

![在这里插入图片描述][57af7191442f4e838fa4671d149dfc68.png]  
上图是论文中 **Transformer** 的内部结构图，左侧为 **Encoder block**，右侧为 **Decoder block**。

红色圈中的部分为 **Multi-Head Attention**，是由多个 **Self-Attention** 组成的，可以看到 **Encoder block** 包含一个 **Multi-Head Attention**，而 **Decoder block** 包含两个 **Multi-Head Attention** (其中有一个用到 **Masked**)。**Multi-Head Attention** 上方还包括一个 **Add & Norm** 层，**Add** 表示残差连接 (**Residual Connection**) 用于防止网络退化，**Norm** 表示 **Layer Normalization**，用于对每一层的激活值进行归一化。

因为 **Self-Attention** 是 **Transformer** 的重点，所以我们重点关注 **Multi-Head Attention** 以及 **Self-Attention**，首先详细了解一下 **Self-Attention** 的内部逻辑。

### 3.1 Self-Attention 结构 ###

![在这里插入图片描述][d229bbf6e5f64f489fbb4dc8a7798028.png]

上图是 **Self-Attention** 的结构，在计算的时候需要用到矩阵  Q Q Q(查询),  K K K(键值),  V V V(值)。

在实际中，**Self-Attention** 接收的是输入(单词的表示向量  x x x 组成的矩阵  X X X ) 或者上一个 **Encoder block** 的输出。而 Q Q Q,  K K K,  V V V正是通过 **Self-Attention** 的输入进行线性变换得到的。

### 3.2 Q, K, V 的计算 ###

**Self-Attention** 的输入用矩阵  X X X 进行表示，则可以使用线性变阵矩阵 W Q W\_Q WQ,  W K W\_K WK,  W V W\_V WV 计算得到 Q Q Q,  K K K,  V V V。计算如下图所示，注意  X X X,  Q Q Q,  K K K,  V V V 的每一行都表示一个单词。

![在这里插入图片描述][059ab7636849448eb719896e6cfe3e34.png]

### 3.3 Self-Attention 的输出 ###

得到矩阵  Q Q Q,  K K K,  V V V 之后就可以计算出 **Self-Attention** 的输出了，计算的公式如下：  
 A t t e n t i o n ( Q , K , V ) = s o f t m a x ( Q K T d k ) Attention(Q, K, V) = softmax(\\frac\{QK^T\}\{\\sqrt\{d\_k\}\}) Attention(Q,K,V)=softmax(dkQKT)  
 d k d\_k dk是  Q Q Q， K K K 矩阵的列数，即向量维度。

公式中计算矩阵  Q Q Q 和  K K K 每一行向量的内积，为了防止内积过大，因此除以 d k d\_k dk 的平方根。 Q Q Q 乘以  K K K 的转置后，得到的矩阵行列数都为  n n n， n n n 为句子单词数，这个矩阵可以表示单词之间的 **attention** 强度。下图为  Q Q Q 乘以  K T K^T KT，1234 表示的是句子中的单词。

![在这里插入图片描述][501fbdf050f74b34b46b31ec8d0de47a.png]  
【 Q Q Q 乘以  K K K 的转置的计算】

得到  Q K T QK^T QKT 之后，使用 **Softmax** 计算每一个单词对于其他单词的 **attention** 系数，公式中的 **Softmax** 是对矩阵的每一行进行 **Softmax**，即每一行的和都变为 1。

![在这里插入图片描述][36fec70afe424396bd3abb08835d9978.png]  
【对矩阵的每一行进行 **Softmax**】

得到 **Softmax** 矩阵之后可以和  V V V 相乘，得到最终的输出  Z Z Z。

![在这里插入图片描述][1aceb76a86c54b36997f69dea45d18b3.png]  
【**Self-Attention** 输出】

上图中 **Softmax** 矩阵的第 1 行表示单词 1 与其他所有单词的 **attention** 系数，最终单词 1 的输出  Z 1 Z\_1 Z1 等于所有单词  i i i 的值  V i V\_i Vi 根据 **attention** 系数的比例加在一起得到，如下图所示：  
![在这里插入图片描述][1ce0fa66982b44c98e5532fce3b192f4.png]  
【 Z i Z\_i Zi 的计算方法】

### 3.4 Multi-Head Attention ###

在上一步，我们已经知道怎么通过 **Self-Attention** 计算得到输出矩阵  Z Z Z，而 **Multi-Head Attention** 是由多个 **Self-Attention** 组合形成的，下图是论文中 **Multi-Head Attention** 的结构图：

![在这里插入图片描述][ff88fa5170f9466386bebd2c1e6eb2db.png]

从上图可以看到 **Multi-Head Attention** 包含多个 **Self-Attention** 层，首先将输入  X X X 分别传递到  h h h 个不同的 **Self-Attention** 中，计算得到  h h h 个输出矩阵  Z Z Z。下图是  h = 8 h = 8 h=8 时候的情况，此时会得到 8 个输出矩阵  Z Z Z。

![在这里插入图片描述][a29b2330073041748d6a84b43c4a96cd.png]

得到 8 个输出矩阵  Z 1 Z\_1 Z1到  Z 8 Z\_8 Z8 之后，**Multi-Head Attention** 将它们拼接在一起 (**Concat**)，然后传入一个 **Linear** 层，得到 **Multi-Head Attention** 最终的输出  Z Z Z。

![在这里插入图片描述][a77474fcfbd040b99b066485b766c41e.png]  
可以看到 **Multi-Head Attention** 输出的矩阵  Z Z Z 与其输入的矩阵  X X X 的维度是一样的。

## 四、Encoder 结构 ##

![在这里插入图片描述][b4c9d8bde6be454f9d97edd0b6eebeac.png]  
【**Transformer Encoder block**】

上图红色部分是 **Transformer** 的 **Encoder block** 结构，可以看到是由 **Multi-Head Attention**, **Add & Norm**, **Feed Forward**, **Add & Norm** 组成的。刚刚已经了解了 **Multi-Head Attention** 的计算过程，现在了解一下 **Add & Norm** 和 **Feed Forward** 部分。

### 4.1 Add & Norm ###

**Add & Norm** 层由 **Add** 和 **Norm** 两部分组成，其计算公式如下：  
 L a y e r N o r m ( X + M u l t i H e a d A t t e n t i o n ( X ) ) LayerNorm(X + MultiHeadAttention(X)) LayerNorm(X\+MultiHeadAttention(X))  
 L a y e r N o r m ( X + F e e d F o r w a r d ( X ) ) LayerNorm(X + FeedForward(X)) LayerNorm(X\+FeedForward(X))  
其中  X X X 表示 **Multi-Head Attention** 或者 **Feed Forward** 的输入，**MultiHeadAttention**( X X X) 和 **FeedForward**( X X X) 表示输出 (输出与输入  X X X 维度是一样的，所以可以相加)。

**Add** 指  X X X \+ **MultiHeadAttention**( X X X)，是一种残差连接，通常用于解决多层网络训练的问题，可以让网络只关注当前差异的部分，在 **ResNet** 中经常用到：

![在这里插入图片描述][8ed863f306474366b9cfa05a8adf342d.png]

**Norm** 指 **Layer Normalization**，通常用于 **RNN** 结构，**Layer Normalization** 会将每一层神经元的输入都转成均值方差都一样的，这样可以加快收敛。

### 4.2 Feed Forward ###

**Feed Forward** 层比较简单，是一个两层的全连接层，第一层的激活函数为 **Relu**，第二层不使用激活函数，对应的公式如下：  
 max ⁡ ( 0 , X W 1 + b 1 ) W 2 + b 2 \\max(0, XW\_1 + b\_1)W\_2 + b\_2 max(0,XW1\+b1)W2\+b2  
 X X X 是输入，**Feed Forward** 最终得到的输出矩阵的维度与  X X X 一致。

### 4.3 组成 Encoder ###

通过上面描述的 **Multi-Head Attention**, **Feed Forward**, **Add & Norm** 就可以构造出一个 **Encoder block**，**Encoder block** 接收输入矩阵 X ( n × d ) X\_\{(n \\times d)\} X(n×d)，并输出一个矩阵 O ( n × d ) O\_\{(n \\times d)\} O(n×d)。通过多个 **Encoder block** 叠加就可以组成 **Encoder**。

第一个 **Encoder block** 的输入为句子单词的表示向量矩阵，后续 **Encoder block** 的输入是前一个 **Encoder block** 的输出，最后一个 **Encoder block** 输出的矩阵就是编码信息矩阵  C C C，这一矩阵后续会用到 **Decoder** 中。

![在这里插入图片描述][08579b34b93e417695b0865c9f526d60.png]  
【**Encoder** 编码句子信息】

## 五、Decoder 结构 ##

![在这里插入图片描述][70b7dc27735b4ba1893fdbc2d4a774cd.png]  
上图红色部分为 **Transformer** 的 **Decoder block** 结构，与 **Encoder block** 相似，但是存在一些区别：

*  包含两个 **Multi-Head Attention** 层；
 *  第一个 **Multi-Head Attention** 层采用了 **Masked** 操作；
 *  第二个 **Multi-Head Attention** 层的 K K K,  V V V 矩阵使用 **Encoder** 的编码信息矩阵  C C C 进行计算，而  Q Q Q 使用上一个 **Decoder block** 的输出计算；
 *  最后有一个 **Softmax** 层计算下一个翻译单词的概率。

### 5.1 第一个 Multi-Head Attention ###

**Decoder block** 的第一个 **Multi-Head Attention** 采用了 **Masked** 操作，因为在翻译的过程中是顺序翻译的，即翻译完第  i i i 个单词，才可以翻译第  i + 1 i + 1 i\+1 个单词。通过 **Masked** 操作可以防止第  i i i 个单词知道  i + 1 i + 1 i\+1 个单词之后的信息。下面以 “我有一只猫” 翻译成 “I have a cat” 为例，了解一下 **Masked** 操作。

下面的描述中使用了类似 Teacher Forcing 的概念，不熟悉 Teacher Forcing 的童鞋可以参考以下上一篇文章 **Seq2Seq** 模型详解。在 **Decoder** 的时候，是需要根据之前的翻译，求解当前最有可能的翻译，如下图所示。首先根据输入 “” 预测出第一个单词为 “I”，然后根据输入 “ I” 预测下一个单词 “have”。

![在这里插入图片描述][b831813439c849dc86151783de1a5655.png]

【**Decoder** 预测】

**Decoder** 可以在训练的过程中使用 Teacher Forcing 并且并行化训练，即将正确的单词序列 ( I have a cat) 和对应输出 (I have a cat ) 传递到 **Decoder**。那么在预测第  i i i 个输出时，就要将第  i + 1 i + 1 i\+1 之后的单词掩盖住，注意 **Mask** 操作是在 **Self-Attention** 的 **Softmax** 之前使用的，下面用 0 1 2 3 4 5 分别表示 “ I have a cat ”。

**第一步**：是 **Decoder** 的输入矩阵和 Mask 矩阵，输入矩阵包含 “ I have a cat” (0, 1, 2, 3, 4) 五个单词的表示向量，**Mask** 是一个  5 × 5 5\\times 5 5×5 的矩阵。在 **Mask** 可以发现单词 0 只能使用单词 0 的信息，而单词 1 可以使用单词 0, 1 的信息，即只能使用之前的信息。

![在这里插入图片描述][f7cde28e54114224a2b7fa503b34106a.png]  
【输入矩阵与 **Mask** 矩阵】

**第二步**：接下来的操作和之前的 **Self-Attention** 一样，通过输入矩阵  X X X 计算得到  Q Q Q,  K K K,  V V V 矩阵。然后计算  Q Q Q 和  K T K^T KT 的乘积  Q K T QK^T QKT。

![在这里插入图片描述][1b4a12e308004cb2acc3441274249ac0.png]  
【  Q Q Q 乘以  K K K 的转置】

**第三步**：在得到  Q K T QK^T QKT 之后需要进行 **Softmax**，计算 **attention score**，我们在 **Softmax** 之前需要使用 **Mask** 矩阵遮挡住每一个单词之后的信息，遮挡操作如下：  
![在这里插入图片描述][7259e64d74604114bc2d5d6204783969.png]  
【**Softmax** 之前 **Mask**】

得到 **Mask**  Q K T QK^T QKT 之后在 **Mask**  Q K T QK^T QKT 上进行 **Softmax**，每一行的和都为 1。但是单词 0 在单词 1, 2, 3, 4 上的 **attention score** 都为 0。

**第四步**：使用 **Mask**  Q K T QK^T QKT 与矩阵  V V V 相乘，得到输出  Z Z Z，则单词 1 的输出向量  Z 1 Z\_1 Z1 是只包含单词 1 信息的。

![在这里插入图片描述][c99d674de4af4c039c80ad83ea7cfd3c.png]  
【**Mask** 之后的输出】

**第五步**：通过上述步骤就可以得到一个 **Mask Self-Attention** 的输出矩阵  Z i Z\_i Zi ，然后和 **Encoder** 类似，通过 **Multi-Head Attention** 拼接多个输出  Z i Z\_i Zi 然后计算得到第一个 **Multi-Head Attention** 的输出  Z Z Z， Z Z Z 与输入  X X X 维度一样。

### 5.2 第二个 Multi-Head Attention ###

**Decoder block** 第二个 **Multi-Head Attention** 变化不大， 主要的区别在于其中 **Self-Attention** 的  K K K,  V V V 矩阵不是使用 上一个 **Decoder block** 的输出计算的，而是使用 **Encoder** 的编码信息矩阵  C C C 计算的。

根据 **Encoder** 的输出  C C C 计算得到  K K K,  V V V，根据上一个 **Decoder block** 的输出  Z Z Z 计算  Q Q Q (如果是第一个 **Decoder block** 则使用输入矩阵  X X X 进行计算)，后续的计算方法与之前描述的一致。

这样做的好处是在 **Decoder** 的时候，每一位单词都可以利用到 **Encoder** 所有单词的信息 (这些信息无需 **Mask**)。

### 5.3 Softmax 预测输出单词 ###

**Decoder block** 最后的部分是利用 **Softmax** 预测下一个单词，在之前的网络层我们可以得到一个最终的输出  Z Z Z，因为 **Mask** 的存在，使得单词 0 的输出  Z 0 Z\_0 Z0 只包含单词 0 的信息，如下：

![在这里插入图片描述][0e19bd22a5c24bc39dff8bcc5c27f7df.png]  
【**Decoder Softmax** 之前的  Z Z Z】

**Softmax** 根据输出矩阵的每一行预测下一个单词：

![在这里插入图片描述][f01c32d578ea428eaf54d19c2d810e3c.png]  
【**Decoder Softmax** 预测】

这就是 **Decoder block** 的定义，与 **Encoder** 一样，**Decoder** 是由多个 **Decoder block** 组合而成。

## 六、Transformer 总结 ##

*  **Transformer** 与 **RNN** 不同，可以比较好地并行训练；
 *  **Transformer** 本身是不能利用单词的顺序信息的，因此需要在输入中添加位置 **Embedding**，否则 **Transformer** 就是一个词袋模型了；
 *  **Transformer** 的重点是 **Self-Attention** 结构，其中用到的  Q Q Q,  K K K,  V V V 矩阵通过输出进行线性变换得到；
 *  **Transformer** 中 **Multi-Head Attention** 中有多个 **Self-Attention**，可以捕获单词之间多种维度上的相关系数 **attention score**。

[75552f6b429a4316926cb40dafe62e74.png]: https://img-blog.csdnimg.cn/75552f6b429a4316926cb40dafe62e74.png
[2b9f981d6b33447d8dab37f3367d4149.png]: https://img-blog.csdnimg.cn/2b9f981d6b33447d8dab37f3367d4149.png
[89783bd894fa40d19b1bbea94e92e0e2.png]: https://img-blog.csdnimg.cn/89783bd894fa40d19b1bbea94e92e0e2.png
[11d27135da774165b6a94c1d84b027ed.png]: https://img-blog.csdnimg.cn/11d27135da774165b6a94c1d84b027ed.png
[468bcb9f68254e519bed59d4eb8a7905.png]: https://img-blog.csdnimg.cn/468bcb9f68254e519bed59d4eb8a7905.png
[40df8831ba364a848d4cb1c8dc68d9fe.png]: https://img-blog.csdnimg.cn/40df8831ba364a848d4cb1c8dc68d9fe.png
[57af7191442f4e838fa4671d149dfc68.png]: https://img-blog.csdnimg.cn/57af7191442f4e838fa4671d149dfc68.png
[d229bbf6e5f64f489fbb4dc8a7798028.png]: https://img-blog.csdnimg.cn/d229bbf6e5f64f489fbb4dc8a7798028.png
[059ab7636849448eb719896e6cfe3e34.png]: https://img-blog.csdnimg.cn/059ab7636849448eb719896e6cfe3e34.png
[501fbdf050f74b34b46b31ec8d0de47a.png]: https://img-blog.csdnimg.cn/501fbdf050f74b34b46b31ec8d0de47a.png
[36fec70afe424396bd3abb08835d9978.png]: https://img-blog.csdnimg.cn/36fec70afe424396bd3abb08835d9978.png
[1aceb76a86c54b36997f69dea45d18b3.png]: https://img-blog.csdnimg.cn/1aceb76a86c54b36997f69dea45d18b3.png
[1ce0fa66982b44c98e5532fce3b192f4.png]: https://img-blog.csdnimg.cn/1ce0fa66982b44c98e5532fce3b192f4.png
[ff88fa5170f9466386bebd2c1e6eb2db.png]: https://img-blog.csdnimg.cn/ff88fa5170f9466386bebd2c1e6eb2db.png
[a29b2330073041748d6a84b43c4a96cd.png]: https://img-blog.csdnimg.cn/a29b2330073041748d6a84b43c4a96cd.png
[a77474fcfbd040b99b066485b766c41e.png]: https://img-blog.csdnimg.cn/a77474fcfbd040b99b066485b766c41e.png
[b4c9d8bde6be454f9d97edd0b6eebeac.png]: https://img-blog.csdnimg.cn/b4c9d8bde6be454f9d97edd0b6eebeac.png
[8ed863f306474366b9cfa05a8adf342d.png]: https://img-blog.csdnimg.cn/8ed863f306474366b9cfa05a8adf342d.png
[08579b34b93e417695b0865c9f526d60.png]: https://img-blog.csdnimg.cn/08579b34b93e417695b0865c9f526d60.png
[70b7dc27735b4ba1893fdbc2d4a774cd.png]: https://img-blog.csdnimg.cn/70b7dc27735b4ba1893fdbc2d4a774cd.png
[b831813439c849dc86151783de1a5655.png]: https://img-blog.csdnimg.cn/b831813439c849dc86151783de1a5655.png
[f7cde28e54114224a2b7fa503b34106a.png]: https://img-blog.csdnimg.cn/f7cde28e54114224a2b7fa503b34106a.png
[1b4a12e308004cb2acc3441274249ac0.png]: https://img-blog.csdnimg.cn/1b4a12e308004cb2acc3441274249ac0.png
[7259e64d74604114bc2d5d6204783969.png]: https://img-blog.csdnimg.cn/7259e64d74604114bc2d5d6204783969.png
[c99d674de4af4c039c80ad83ea7cfd3c.png]: https://img-blog.csdnimg.cn/c99d674de4af4c039c80ad83ea7cfd3c.png
[0e19bd22a5c24bc39dff8bcc5c27f7df.png]: https://img-blog.csdnimg.cn/0e19bd22a5c24bc39dff8bcc5c27f7df.png
[f01c32d578ea428eaf54d19c2d810e3c.png]: https://img-blog.csdnimg.cn/f01c32d578ea428eaf54d19c2d810e3c.png