人脸检测与情绪识别实战：dlib关键点+Keras七分类解析

简介：这套基于dlib与Keras的人脸检测及情绪识别项目，提供完整源代码和配套视频教程，面向计算机视觉初学者和深度学习开发者，主要解决人脸定位、特征点提取与表情分类的工程落地问题。包内共29个文件、约318MB，除了核心的人脸检测与表情识别模型，还附带OpenFace、FaceNet、性别年龄检测等辅助模型，覆盖dat、prototxt、caffemodel、h5、pb等多种格式预训练权重，并有whl安装包、ipynb演示笔记、py主程序和mp4操作录屏，目录结构清晰，方便对照学习与二次开发。目前已有99人学习下载。借助该项目可系统掌握dlib人脸检测、特征点标定以及Keras模型加载推理的完整流程，直接运行main.py即可得到人脸位置与表情结果；视频教程还能帮助快速完成环境配置、依赖安装和调参优化。项目在设计上兼顾学习与实用，既适合作为毕设、实训题目，也能作为企业原型验证的起点。

1. 从一张照片到七个情绪标签：人脸检测与情绪识别为什么是两段式任务

拿图像做人脸检测再识别情绪，看起来是一个两步就能完成的任务，真把项目源代码跑起来的人都会意识到：卡点从来不在 Keras 那个分类模型上，而在它前面的 dlib 对齐环节。dlib 负责把人脸框出来并给出 68 个关键点，Keras 负责把 48×48 的灰度人脸映射成七个情绪类别的概率分布。两者的接口只有一个——你从 dlib 的 Rectangle 里裁出来的那块像素。这个组合在当下依然是很多开源项目源码和视频教程的主线：训练门槛低、CPU 可跑、每个环节都能单独验证。下面按安装、训练、推理、排错的顺序展开，适合刚学完 Python 基础、想完整走通一套 CV 项目的开发者。

2. dlib + Keras 组合为什么能撑起这个项目

2.1 从“框出人脸”到“识别情绪”：一段被拆成两步的流水线

大多数人第一次运行这类源代码，脑子里想的是“输入一张图，输出一个情绪”，于是理所当然地把整条链路当成一个黑盒。真正打开代码之后会看到，这是一个边界非常清晰的两段式流水线：

原始图像 → dlib 人脸检测 → dlib 关键点定位 → 人脸区域裁剪与对齐 → Keras 情绪分类 → 输出七类概率

分段的第一个好处是每一段都能单独验证。检测框错了，你不会去怪分类器；分类器输出置信度普遍偏低，也不会怀疑是框没框准。第二个好处是把训练成本压下来。dlib 的检测器不需要你去训练，下载一个完成度很高的预训练模型就能用；Keras 分类器只在 48×48 的小图上做七分类，一张普通显卡或者干脆用 CPU 也能在几十分钟内跑完几十个 epoch。相比端到端的表情识别模型动辄需要上万张带关键点标注的数据，这套方案对个人开发者友好得多。

视频教程通常也按这个边界来讲：前半段讲 dlib 与 OpenCV，后半段讲 Keras 与数据集。如果你跟着教程跑到了“检测到人脸但情绪全是 neutral”这一步，那问题基本上出在两段的衔接部分，这正是第 5、6 章要展开的地方。

2.2 dlib 返回的不只是坐标：矩形框与 68 个关键点

dlib 里有两套检测器，传统版入口是get_frontal_face_detector()，基于 HOG 特征与线性 SVM；MMOD 版基于 CNN，通过cnn_face_detection_model_v1加载。前者返回rectangles列表，后者返回mmod_rectangles，取框方式略有区别。每个 rect 有 left、top、right、bottom 四个属性，对应人脸框。第二参数是 upsample_num_times，表示检测前对图像做几次金字塔上采样。

import dlib import cv2 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") img = cv2.imread("demo.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) faces = detector(img_rgb, 1) print("faces:", len(faces)) for rect in faces: x1, y1, x2, y2 = rect.left(), rect.top(), rect.right(), rect.bottom() print(f"bbox=({x1}, {y1}, {x2}, {y2})") shape = predictor(img_rgb, rect) for i in range(68): x, y = shape.part(i).x, shape.part(i).y cv2.circle(img, (x, y), 1, (0, 255, 0), -1)

代码说明：先创建检测器实例，再加载 68 点关键点模型。detector(img_rgb, 1)的第二个参数为 1 时，dlib 会对图像做一次上采样再检测，小脸召回率更高，代价是耗时翻倍。实际项目里，摄像头场景建议设为 0，离线图片设为 1；静态大图设 2 收益已经不明显。关键点模型的输入是上一句输出的 rect，它依赖检测结果，这也是两段式流水线中第一处“上游决定下游”的耦合点。需要注意，HOG 版检出的矩形框不带置信度字段，不用试图去读rect.score；想要置信度就把检测器换成 MMOD。

2.3 Keras 在情绪识别里做的是“软分类”：七个类别的概率分布

dlib 输出的最高粒度是 68 个点，但没有语义标签。情绪分类器要解决的是另一个问题：把一块已经对齐好的人脸图像，映射到情绪标签的空间里。公开数据集 FER2013 只给了 48×48 的灰度图像和七个标签，不会提供人脸框坐标——也就是说，分类器从训练的第一天起，就不知道“完整人脸”长什么样，它只会把输入的像素整体当作人脸。

这一点很关键。很多人推断静态图片时直接对整张原图 resize 到 48×48 塞进模型，得到的结果自然差。正确做法是让分类器看到的输入分布和训练时一致：单张人脸、眼睛大致水平、脸部居中。Keras 分类器本身并不关心输入来自 dlib、MTCNN 还是手工裁剪，它只认数组形状(batch, 48, 48, 1)和数值范围。这也解释了为什么同一个.h5文件，在不同项目里的表现差异可以很大——不是模型退化，而是它前面的预处理变了。

Keras 模型的输出层是 7 个神经元的 softmax，可以理解成一个概率向量。预测时用np.argmax取最大下标，再映射回情绪名；排错时则应该看完整向量，如果 happy 和 sad 的概率接近 0.4/0.3，说明当前人脸在两类特征上都存在，单靠 argmax 会掩盖这个信息。

2.4 和 Haar、MTCNN 相比：为什么入门项目还选 dlib

把 dlib 换成 OpenCV 的 Haar 级联检测器也能框人脸，换成 MTCNN 还能在更刁钻的角度上找回更多脸，那为什么这类项目源代码普遍还是 dlib 打底？我用一个表来说明取舍：

从表里能看出，dlib 的价值不只是检测框，还在于它顺手提供了 68 点关键点。情绪识别依赖的眼睛、眉毛和嘴部区域，在关键点里都有明确索引。虽然 Keras 分类器训练时用的是对齐好的公开数据集，不强制要求推理端也做对齐，但后续想要提高精度时，68 点模型是现成的对齐依据。Haar 没有关键点，MTCNN 只有 5 点，在“检测+识别”这组任务里，dlib 的性价比最平衡。

3. 环境搭建与首个检测验证：dlib 和 Keras 安装时的常见坑

3.1 版本矩阵：Python、dlib、TensorFlow 该怎么搭

dlib 下载和 Keras 安装教程在网上一搜一大把，但“装不上”的求助帖更多。多数问题可以回溯到三件事：Python 版本过新、dlib 与编译器不匹配、TensorFlow 版本与系统不兼容。这里给出我常用的环境组合，按这个来能少踩一半坑。

提示：如果环境里已经装过独立的 keras 包，先pip uninstall keras，再安装 tensorflow。两个 Keras 并存时，.h5的加载接口可能指向不同的实现，训练和推理各用各的，模型结构对不上。

需要明确一个容易混淆的点：现在视频教程里出现import keras，多半来自老教程；新教程更常见的是from tensorflow import keras。两者 API 兼容性很高，但混用时容易把 Keras 的独立包和 TF 内置 Keras 装重。建议在这个项目环境里统一走 TensorFlow 内置版本。

3.2 dlib 装不上的两个真实原因：CMake 缺失与编译器版本不匹配

在 Linux 上pip install dlib通常一次通过。在 Windows 上，dlib 的 pip 包会在没有可用二进制轮子时退回源码编译，而源码编译需要 CMake 和 Visual Studio 的 C++ 生成工具。报错信息里只要出现-- Building for: Visual Studio和error: command 'cmake' failed，问题定位就清楚了。

# Linux / macOS 常见安装路径 python -m venv .venv source .venv/bin/activate pip install --upgrade pip setuptools wheel pip install cmake pip install dlib # Windows：先确保证 Visual Studio Build Tools 已安装 C++ 工作负载， # 再执行同样的 pip 安装；不想编译可以找对应 Python 版本的 dlib 预编译 whl pip install "dlib-x.x.x-cp39-cp39-win_amd64.whl" python -c "import dlib; print(dlib.__version__)"

参数说明：setuptools和wheel要升到较新版本，否则部分新版打包方式会解析失败。Windows 下如果能看到某个版本号的dlib-...cp39...whl，说明当前 Python 3.9 环境可以直接装轮子，路径比源码编译省事。最后一行验证代码比“import dlib 不报错”更有说服力，因为有些环境里 import 成功但底层链接库缺失，真正跑shape_predictor时才崩。

换到 Keras 侧，TensorFlow 是重依赖。安装时不要随手pip install tensorflow-gpu，这个包名已经并入 tensorflow；2.11 之后 Windows 不再提供 GPU 轮子，装错版本会出现“检测到 GPU 但无法加载”。当前最常见的做法是先用 CPU 版把流程跑通，再用nvidia-smi和 CUDA 12 的组合去配 2.15+。

3.3 用最小代码验证整条链路：从加载模型到画出 68 个关键点

环境装完不等于项目能跑。很多源代码包里给出的模型文件是.dat和.h5，解压后第一件事应该是用一段不依赖项目业务逻辑的最小代码，验证 dlib 的检测器、关键点模型和 Keras 模型三个组件都能加载。

import dlib from tensorflow import keras detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor("models/shape_predictor_68_face_landmarks.dat") emotion_model = keras.models.load_model("models/emotion_model.h5") print("dlib detector ok") print("predictor ok, emotion_model input:", emotion_model.input_shape)

这段代码如果顺利通过，就说明三个最容易出问题的环节——dlib 库本身、dat 文件、h5 文件——都在位。输出里检查input_shape是不是(None, 48, 48, 1)。如果不是，后面推理时 reshape 的代码也要跟着改，这是源码工程里最常见的隐性不匹配：模型训练时输入是彩图或 64×64，而调用方按 48×48 灰度去预处理，预测出来的概率会怪得完全没有规律。

3.4 这类源代码工程里最常见的路径问题

拿到源码包后先看目录结构。常规组织方式是把 dlib 模型放在models/，Keras 模型也放同一目录，图片样本放samples/，代码放根目录或src/。出问题的地方几乎都是相对路径：脚本用os.path.dirname(__file__)定位自身所在目录，再把模型路径拼上去，而不是依赖“从项目根目录运行”这个默认假设。

# 在项目根目录下执行，避免出现 "FileNotFoundError: shape_predictor_68_face_landmarks.dat" python src/detect_demo.py

即使按上面命令运行，也要检查代码里加载模型用的是绝对路径还是相对路径。把models/路径配置在文件最顶部的一个变量里，后续换机器只需要改一处。视频教程里常出现“我这里能跑，你那里报错”的情况，八成不是代码逻辑不同，而是路径和当前工作目录不一致。

4. 用 Keras 训练情绪分类器：数据集、网络结构与训练参数

4.1 七类情绪标签与 FER2013 的读法

情绪识别任务里的“情绪”不是一个开放集合，而是固定七类。公开数据集 FER2013 把每张 48×48 灰度图映射到以下七个索引：

读数据时注意 FER2013 的 CSV 格式：第一列是emotion（0~6 整数），第二列是pixels（2304 个 0~255 像素值），第三列是Usage（Training / PublicTest / PrivateTest）。不要自己再分 train/val，直接用官方划分就行。视频教程里如果有“把 CSV 切片”的写法，通常只是为了演示，实际用Usage字段过滤更稳。

代码里常见的错误是把pixels直接np.reshape(-1, 48, 48)，得到的图像是上下颠倒的，因为 CSV 行是按行优先存储的。正确做法是reshape(48, 48)后再np.transpose((1, 0))。这个转置问题不解决，训练出来的模型在真实图片上表现会很差，但在验证集上却看不出大问题，因为训练和验证数据都用了同一个错误预处理。

4.2 训练数据和人脸检测的关系：先对齐还是直接用现成对齐图

FER2013 本身不包含人脸框坐标。它的图像已经做了简单的人脸居中，但表情变化的区域（嘴、眉毛）会有轻微位移。训练分类器时，直接把这些图缩放到 48×48 输入即可；推理时则用 dlib 检测并裁剪出人脸区域，再缩放到 48×48。也就是说，训练阶段并不强制做关键点对齐，这也是很多教程里模型训练代码看起来“粗暴”的原因。

如果希望训练和推理的分布更一致，常见做法是对数据集再做一次对齐：用 dlib（或 MTCNN）在原始人脸数据集上检测关键点，旋转裁剪后重新保存。但 FER2013 本身是 48×48 小图，再次放大后关键点检测精度有限，收益不如直接上数据增强。我一般建议先不做对齐训练一版，跑通后如果用摄像头实测发现脸歪时识别差，再回头补对齐，这样能确认问题到底出在哪一个环节。

4.3 一个能快速收敛的轻量 CNN：结构选择与代码

情绪识别是图像分类，但不要直接套 VGG16 或 ResNet50。原因有三：输入只有 48×48，大模型第一层卷积的感受野就覆盖了很大区域，容易过拟合；数据量只有 3 万张左右，深层网络在开源项目里调参周期太长；这类模型的部署目标是摄像头实时推理，轻量网络在 CPU 上也有机会跑到可用的帧率。这里给一个常见可用的结构：

from tensorflow.keras import layers, models model = models.Sequential([ layers.Input(shape=(48, 48, 1)), layers.Conv2D(64, 3, padding="same", activation="relu"), layers.Conv2D(64, 3, padding="same", activation="relu"), layers.BatchNormalization(), layers.MaxPooling2D(2), layers.Dropout(0.25), layers.Conv2D(128, 3, padding="same", activation="relu"), layers.Conv2D(128, 3, padding="same", activation="relu"), layers.BatchNormalization(), layers.MaxPooling2D(2), layers.Dropout(0.25), layers.Flatten(), layers.Dense(256, activation="relu"), layers.Dropout(0.5), layers.Dense(7, activation="softmax") ]) model.summary()

参数说明：两个Conv2D(64, 3)连续堆叠比单个 5×5 卷积有更小的参数量和更大的非线性；BatchNormalization在每层卷积之后、池化之前，能加快收敛；Dropout(0.25)放在池化之后防止空间特征过拟合，Dropout(0.5)放在全连接前作最后一道正则；输出层 7 个神经元配 softmax，和七类情绪一一对应。这个规模参数量在百万级，CPU 训练一个 epoch 也就一二十秒，适合本机反复调参。

4.4 训练配置：数据增强、学习率衰减与早停

完成模型定义之后，训练环节最影响结果的是四个参数：batch_size、数据增强方式、学习率调度和早停策略。常见设置如下：

import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator datagen = ImageDataGenerator( rotation_range=8, width_shift_range=0.05, height_shift_range=0.05, zoom_range=0.05, horizontal_flip=True, rescale=1.0 / 255.0, ) model.compile( optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"], ) callbacks = [ tf.keras.callbacks.ReduceLROnPlateau( monitor="val_loss", factor=0.5, patience=3, min_lr=1e-6 ), tf.keras.callbacks.EarlyStopping( monitor="val_loss", patience=8, restore_best_weights=True ), tf.keras.callbacks.ModelCheckpoint( "emotion_model.h5", monitor="val_accuracy", save_best_only=True ), ] model.fit( datagen.flow(train_x, train_y, batch_size=64), validation_data=(val_x, val_y), epochs=50, callbacks=callbacks, )

参数说明：旋转角度设 8 度而不是 15 度以上，因为头部大幅旋转会把“惊讶”和“恐惧”搅在一起；horizontal_flip=True会放大 happy/sad 这类左右对称表情的样本量，但对“方向性”惩罚较小，可以保留。ReduceLROnPlateau在 val_loss 连续 3 个 epoch 不降时把学习率砍半，训练后期精度会明显回升；EarlyStopping的 patience 比学习率衰减的 patience 大，保证模型有足够时间在低学习率下继续搜索；ModelCheckpoint只存验证集准确率最高的权重，防止最后几个 epoch 过拟合后覆盖掉好模型。

跑完训练后，至少看两个指标的组合：val_accuracy 和 val_loss。如果 val_accuracy 在 55% 上下、val_loss 在 1.2 以下，这个模型的可用性就值得进入下一步推理测试。如果 val_accuracy 到 50% 就上不去，优先检查是不是类别分布严重失衡（disgust 只有几千张），再考虑类别权重，第 6 章会展开。

5. 串联 dlib 与 Keras：从静态图到摄像头的完整推理代码

5.1 一个可以复用的推理函数：检测、裁剪、缩放、预测一把梭

训练完模型，接下来要做的是把 2.2 的 dlib 检测和 4.4 的 Keras 分类器接起来。这里定义一个predict_emotion函数，所有后续入口都复用它：

import cv2 import numpy as np LABELS = ["angry", "disgust", "fear", "happy", "sad", "surprise", "neutral"] def predict_emotion(frame, detector, predictor, emotion_model, margin_ratio=0.2): rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) faces = detector(rgb, 0) results = [] for rect in faces: x1, y1, x2, y2 = rect.left(), rect.top(), rect.right(), rect.bottom() h = y2 - y1 # 向上多裁额头，向下多含下巴，避免关键点边缘被切掉 y1 = max(0, y1 - int(margin_ratio * h)) y2 = min(frame.shape[0], y2 + int(margin_ratio * h * 0.4)) x1 = max(0, x1 - int(margin_ratio * h * 0.2)) x2 = min(frame.shape[1], x2 + int(margin_ratio * h * 0.2)) roi = frame[y1:y2, x1:x2] if roi.size == 0: continue roi_gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) roi_resized = cv2.resize(roi_gray, (48, 48), interpolation=cv2.INTER_AREA) roi_norm = roi_resized.reshape(1, 48, 48, 1) / 255.0 probs = emotion_model.predict(roi_norm, verbose=0)[0] idx = int(np.argmax(probs)) results.append((rect, LABELS[idx], float(probs[idx]))) return results

参数说明：detector(rgb, 0)不再上采样，推理速度优先；margin_ratio=0.2用高度作为基准，水平方向少扩、垂直方向多扩，因为额头和下巴对情绪特征有影响，而左右两侧多裁会混入背景；roi.size == 0的判空用于处理人脸紧贴画面边缘的极端情况。cv2.resize用INTER_AREA，它适合缩小图像时保持像素能量，如果是把 24×24 小图放大到 48×48，则应换成INTER_CUBIC。最后predict返回的是七类概率，取 argmax 得到下标映射到 LABELS。

5.2 一张图里有多个人的策略：全部输出还是只取最大脸

很多视频教程里的代码只处理faces[0]，这在单人自拍场景没问题，但应用到合影或监控画面就会漏人。上面的函数已经对faces做了遍历，等于默认全部输出。实际工程里需要决策的是：情绪推断是否要依赖“哪张脸最大”。

我的处理原则是：静态图片全部输出，每个检测框画一个标签；摄像头场景如果只关心画面主体，把max(faces, key=lambda r: (r.right()-r.left())*(r.bottom()-r.top()))提出来单独处理。这个选择会直接影响后面 5.4 的排错——如果永远只取第一张脸，侧脸的检测置信度低，dlib 输出的 rect 顺序每次可能不一样，情绪识别结果看起来就像“随机跳动”。

5.3 摄像头实时循环：帧率、丢帧与亮度

摄像头推理是对上面函数的直接复用，但要注意两个细节：dlib 检测在 CPU 上每帧可能耗时 50~200ms，不能保证 30 fps；摄像头缓冲里堆积的旧帧会加剧延迟。常见做法是缩小处理分辨率。

cap = cv2.VideoCapture(0) while True: ok, frame = cap.read() if not ok: break frame = cv2.resize(frame, (640, 480)) results = predict_emotion(frame, detector, predictor, emotion_model) for rect, label, prob in results: cv2.rectangle(frame, (rect.left(), rect.top()), (rect.right(), rect.bottom()), (0, 255, 0), 2) cv2.putText(frame, f"{label} {prob:.2f}", (rect.left(), rect.top() - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) cv2.imshow("emotion", frame) if cv2.waitKey(1) & 0xFF == 27: break cap.release() cv2.destroyAllWindows()

代码说明：把输入缩到 640×480 而不是直接改 dlib 的upsample_num_times，因为缩放降低的是全图像素计算，上采样参数影响的是金字塔层数，两者优化的维度不同。waitKey(1)的 1 毫秒不是延迟，而是让 OpenCV 有机会处理 GUI 事件；实测中整个循环的耗时会远大于 1ms，所以不会刻意设成 0。换到 GPU 跑 TensorFlow 推理后，瓶颈会重新回到 dlib 检测，这时可以考虑用 MMOD CNN 检测器替代 HOG 版。

5.4 识别不准时先查检测还是先查分类：两段式排错法

情绪不准是一个笼统现象，必须拆到两段里查。第一段是检测质量：把probs直接打印出来，如果最大概率普遍低于 0.5，并且得到的结果在 happy/sad/neutral 之间来回横跳，问题大概率在检测框偏移或人脸未对齐，而不是分类器本身。第二段是分类质量：手动从一张包含单个人脸的图片里裁剪出 48×48 灰度区域，保存后单独喂给模型。

下面这段打印辅助代码可以帮你快速判断是哪一段的锅：

def debug_roi(frame, rect, output_path): x1, y1, x2, y2 = rect.left(), rect.top(), rect.right(), rect.bottom() roi = frame[y1:y2, x1:x2] roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) roi = cv2.resize(roi, (48, 48), interpolation=cv2.INTER_AREA) cv2.imwrite(output_path, roi)

把 ROI 保存下来后用可视化工具看一眼：里面如果只有半张脸、大量背景或额头被切掉，那就说明 margin 裁剪策略要调，而不是模型要换。很多源码包里的问题都出在这个地方——训练时数据整体居中，推理时检测框偏上偏下，模型被迫在“没见过”的分布上做判断。

6. 三个让识别更稳的进阶细节

6.1 用 68 点做仿射对齐，而不是简单裁剪

dlib 强于 Haar 的关键在于 68 点关键点可以做仿射对齐。做法是取左眼中心（36~41 点）和右眼中心（42~47 点）计算连线角度，旋转图像让双眼水平，再按旋转后的人脸框裁剪。代码里就是cv2.getRotationMatrix2D配cv2.warpAffine，角度的计算用atan2。对齐之后，模型输入的分布会更接近 FER2013 训练时的状态，happy/sad 这类依赖嘴部位置的类别判得更准。多模态情绪识别现在很热，但图像模态的预处理没做好，后面融合语音、文本时反而会把噪声一起放大。

6.2 类别不平衡：按 class_weight 修正预测偏向

FER2013 里 disgust 样本往往只有几千张，happy 和 neutral 上万，模型会倾向把不确定的样本判到高频类。用sklearn.utils.class_weight.compute_class_weight算出权重，在model.fit里传class_weight=...，强制模型在少数类上多花注意力。调完权重观察混淆矩阵，如果 happy 的精度下降了但 sad/fear 的召回上来了，那就是有效修正；如果整体都掉，说明不是不平衡导致的偏差，要回去调对齐。

6.3 从 h5 到部署：ONNX 转换与推理加速

摄像头场景里 Keras 的 predict 在 CPU 上开销不小。常见做法是把emotion_model.h5转成 ONNX，再用 onnxruntime 跑推理。转换后可以顺手开启算子融合和量化，整个模型从几十毫秒降到几毫秒，配合 dlib 检测，帧率提升明显。最后提醒一句：调参的重心应该放在 5.2 的检测框策略和 6.1 的对齐角度上，模型结构本身的收益递减很快。多跑几组单人正脸和轻微侧脸的样例输出，对比 happy 与 sad 的概率差，哪里不稳一眼就看出来了。

本文还有配套的精品资源，点击获取