简介：面向零基础人群与教育演示场景的可视化机器学习入门教学平台资源包，以图形化交互界面将机器学习基础概念转化为直观可操作的演示过程，用户无需数学公式或编程基础，即可通过鼠标完成神经网络的创建、训练与测试，直观理解数据如何影响模型效果，显著降低学习门槛。压缩包共18个文件，大小约15.91MB，涵盖JavaScript、HTML、CSS前端交互源码，Python数据加载与预处脚本，以及图片示例、说明文档、Markdown笔记和项目源码等类型，结构清晰，方便本地部署与二次开发。已有72人学习下载。完整工程文件可直接在浏览器中运行，通过界面观察数据分布、训练过程与预测结果；图片示例帮助理解卷积、池化等网络层的特点，配套文档指导环境配置与操作流程。用户还可修改参数反复试验，观察不同设置下的模型表现，从而加深对损失、准确率等核心概念的理解，既适合教师课堂演示，也可供个人自学实践。
1. 可视化机器学习入门教学平台：零基础真的能点出一个能跑的神经网络
我见过太多被数学公式劝退的初学者，也见过不少想把机器学习讲给外行听却不知道怎么下手的讲师。这个平台解决的就是这个痛点：它把神经网络的搭建、训练、测试全部搬到了一个可视化界面上，用户不写代码、不算导数、不碰矩阵，靠鼠标拖拽和参数滑块，就能创建并训练一个真正的前馈神经网络，看着损失曲线下降，看着分类边界在二维平面上逐渐成形。适合三类人：零基础的自学者、做机器学习通识课演示的教师、以及想给非技术人员做个内部分享的工程师。它的核心价值不是“又一个玩具Demo”，而是把黑盒变成透明盒子——这是它和市面上其他教学工具最不一样的地方。
2. 把黑盒变白盒：平台的核心功能拆解与“可感知”设计
2.1 神经网络结构画布：节点、连接线、权重可视化是同一个东西
这个平台最核心的界面是一个结构编辑画布。用户看到的不是代码文件，而是一张从左到右展开的神经网络拓扑图：最左边是一列输入节点，中间若干列隐藏节点，最右边是输出节点。每个节点就是一个真实的神经元，每一条连接线上都标示着权重值，而且权重会随训练过程实时变化——线的颜色由正负权重的颜色映射决定，线的粗细由绝对值大小决定。这样设计的好处是，用户能直观地理解“训练就是不断调整权重”这句话到底在做什么。
输入节点的数量由数据集的特征维度决定。平台内置的数据集里，鸢尾花数据集是4维特征，所以输入层固定4个节点；二分类的二维分布数据集（类似两个交叠的月牙形或者圆形簇），特征是x和y坐标，输入层就是2个节点。输出层的设计也很有讲究：做二分类时，输出节点是2个，用softmax输出两个类别的概率；如果想观察单个神经元能够学到的决策边界，也可以把输出层改成1个节点，用sigmoid输出0到1之间的值。
隐藏层的数量和每层的神经元数量可以随时调整。调整的方式是一个滑块加数字输入框的组合，比如把隐藏层从1层加到3层，画布会立即重新布局，连接线自动重新布线。这里有一个值得新手留意的细节：隐藏层的结构变化意味着整个网络的参数总量发生变化，训练速度会有肉眼可见的差别。比如2-2-2结构（2输入、2隐藏、2输出）的参数量是（2×2 + 2×2），一共8个权重加2个偏置；如果改成2-16-8-2，参数量就增加到（2×16 + 16×8 + 8×2），一共176个权重加26个偏置，训练一轮的时间会明显变长。这个计算逻辑在界面上有一个“参数量统计”的区域显示，我非常推荐初学者每次改动网络结构后看一眼这个数字，它比任何教材都能让你更快理解“网络容量”这个概念。
结构画布还有一个容易被忽略的交互：鼠标悬停在某个神经元上时，会高亮显示它的输入连接线并显示当前激活值。训练过程中，激活值是动态变化的，你能看到信息从输入层“流”向输出层的整个过程。这一步对理解前向传播非常有帮助——我见过太多人把前向传播背得滚瓜烂熟，但实际上脑中完全没有“激活值在节点间逐层流动”的画面。
2.2 训练过程可视化：损失曲线、准确率、决策边界随时间展开
训练面板是平台的第二个核心模块。点击“开始训练”按钮后，平台开始迭代训练数据，并且实时渲染三样东西：损失曲线、准确率曲线、决策边界变化图。这三样东西的刷新频率是每个epoch刷新一次（默认每轮训练迭代所有样本一次），并且支持暂停和继续。
损失曲线的纵轴是损失值（默认使用交叉熵损失），横轴是epoch数。一个正常的训练过程，损失曲线应该是陡降之后平缓收敛，像滑梯一样。这个平台厉害的地方在于，它在曲线下方同步显示“当前epoch”和“损失值”，“当前学习率”和“当前批次梯度范数”，这样用户能直接把曲线形态和这些数字对应起来。我自己用的时候有个习惯——盯着最后几个epoch的损失值，如果它在震荡而不是下降，基本可以判断是学习率过大或者数据归一化没做好。
准确率曲线和决策边界图是配合起来看的。在二维数据集上训练时，决策边界由屏幕上的栅格点逐像素预测生成，每次epoch结束后重新绘制。最迷人的瞬间是训练刚开始时，边界几乎是随机乱画的，随着epoch增加，边界逐渐把两个类别的点分开，最后形成一条平滑的分割线。这个过程比任何GIF动图都有说服力，因为它是用户用自己的参数“亲手”训练出来的。
平台还提供了一个“单步训练”按钮——每点击一次，只对全部样本做一次前向和反向传播，然后刷新所有可视化。这是我最推荐新手的调试方式：慢下来，一步一步看权重如何变化，损失如何下降。如果你想知道某个参数改动到底有没有效果，用单步训练对比前后两步的行为，比直接跑一百个epoch更能看清本质。
2.3 数据集的切换与配置：为什么内置数据集都选二维特征
平台内置的数据集全部是二维特征的分类数据集，这不是偷懒，而是刻意设计。二维特征可以画在平面上，所以决策边界才是可见的——如果是三维或更高维特征，用户就看不到“边界”了，只剩下抽象的数字。
常见的内置数据集包括：两个圆形簇交错的数据（类似sklearn的make_moons）、两个高斯分布混合的数据、三个高斯分布组成的三分类数据。每个数据集都自带标签，并在画布下方以散点图的形式展示。散点图上有一个“重新生成”按钮，点击后会随机重新采样一批数据点，分布的随机性让每次实验都不一样——这也暗合了一个重要的机器学习常识：数据分布不变但样本不同，训练结果会有波动。
对于非内置数据，平台预留了一个“数据加载”入口。常见做法是接受CSV文件，要求第一列是标签，其余列是特征，并且特征统一归一化到0到1之间。平台会读取文件后自动推断特征维度，并重建输入节点数。这个功能我在做自定义演示时经常用到，比如生成一个正弦波上下两类的数据，模拟真实业务里的简单二分类问题。需要注意，如果特征维度超过3，决策边界可视化会自动关闭，界面会提示“高维特征下仅显示损失曲线与指标”，不会报错。
2.4 界面设计逻辑：可视化的目标不是“好看”而是“能被看懂”
这个平台的界面设计有三个原则，我认为非常符合教学场景。第一个原则是“所有显示都有意义”——界面上不存在纯装饰性的元素，每个数字、每条线、每个颜色都对应一个真实存在的网络状态。第二个原则是“交互即解释”——所有参数都可以拖动滑块修改，修改后立即重新训练或重新推理，用户不需要写任何配置文件。第三个原则是“状态可追踪”——每一次训练都会被记录在会话日志区，包含参数快照、最终损失和准确率，方便对比不同参数组合的效果。
会话日志区这个设计很容易被低估，实际使用中价值极高。比如学生问“换一个激活函数效果会更好吗？”，正确做法不是口头回答，而是让学生自己改参数，跑一次训练，和上一次日志里的结果对比。日志区支持导出为CSV，导出内容包括网络结构、学习率、隐藏层数、最终损失、最终准确率、训练耗时。这个CSV文件用来做课堂后的数据分析或作业评分，都是现成素材。
3. 半小时上手完整流程：从环境准备到训练出第一个高准确率模型
3.1 环境准备：Python环境、依赖库与启动命令
这个平台是基于Python生态实现的Web界面应用，后端负责神经网络的搭建与训练，前端负责画布和曲线的渲染。在动手之前，我需要先把运行环境说清楚——这里我假设读者使用的是Windows或macOS，已经安装了Python 3.8及以上版本。
启动一个终端，先建议创建一个干净的虚拟环境再装依赖，避免和系统全局的包版本冲突。我在本地测试时用的Python版本是3.9，依赖库的核心清单如下：
pip install numpy==1.21.6 pip install scikit-learn==1.0.2 pip install flask==2.2.3三个库的分工是：numpy 负责矩阵计算（前向传播和反向传播都基于它），scikit-learn 用来生成内置数据集和计算分类准确率指标，flask 是Web服务层，把后端计算出的实时数据推送到前端页面。实际项目中版本可以适当放宽，但flask不建议使用2.3以上版本，因为一些老接口有变动，可能导致启动报错。
装好依赖之后，进入项目目录执行启动命令：
python app.py终端出现Running on http://127.0.0.1:5000的提示后，打开浏览器访问这个地址即可。第一个看到的是平台首页，左侧是画布，右侧是控制面板，下面会有一行提示“点击生成网络初始结构开始实验”。
需要说明的是，启动过程中如果报缺模块，比如ModuleNotFoundError: No module named 'flask'，基本都是当前Python环境用的是全局环境而不是刚才建的虚拟环境，检查终端左侧是否有虚拟环境名的括号前缀即可。
3.2 创建第一个神经网络：二分类任务的标准配置
第一次使用，我建议按照“默认数据集月牙形二分类、2-4-2结构、学习率0.1、ReLU激活函数、训练100个epoch”来做，这个配置组合是这个平台上手成功率最高的。
具体操作步骤是：在数据集面板选择“两个月牙”，确认特征维度显示为2；在网络结构区设置输入层为2、隐藏层为1层4个节点、输出层为2，此时参数量统计区应该显示总权重数为（2×4 + 4×2）+ 2 + 2，即16个权重加4个偏置；学习率滑块拉到0.1的位置，激活函数下拉选择ReLU；最后点击“初始化网络”让画布生成对应的网络拓扑，再点击“开始训练”。
训练过程会立刻启动，你可以看到决策边界从左下角随机分割状态逐渐演变成一个把两类数据完全分开的S形曲线。通常跑到第30个epoch左右，准确率就已经接近100%，剩下的是在微调边界形状。这里有一个细节值得特别观察：权重连接线的颜色变化最剧烈的时间段恰恰是损失下降最快的阶段，之后颜色趋于稳定，这个现象直观印证了“梯度下降在收敛过程中步长越来越小”这一理论。
3.3 测试环节到底测什么：过拟合验证与泛化能力检查
训练完成之后，平台会保留一部分样本（默认20%）不参与训练，专门用来测试泛化能力。训练结束后，点击“测试网络”按钮，平台用模型对这20%的样本做前向推理，显示测试准确率，并把这部分样本单独绘制在决策边界图上，用空心圆标记与训练集的实心圆标记区分。
这一步是区分“死记硬背”和“真正泛化”的关键。如果训练准确率是100%但测试准确率只有70%，说明发生过拟合，这就是一个绝佳的教学瞬间——讲师可以直接指出模型“记住了训练样本但没有学会规律”。平台在测试准确率下方还会显示一个“预测置信度分布”的小条形图，统计每个错误样本的置信度，如果错误样本的置信度普遍偏高（比如0.9以上），说明模型非常确信地犯错了，这种样本往往是数据噪声或边界重叠点。
我在自己的课堂上做过一个实验：把隐藏层扩到64个节点，训练200个epoch，训练准确率是100%，测试准确率掉到了82%。再用4个节点训练同样epoch，测试准确率反而在93%以上。学生看到这个结果后，对“参数越多不等于效果越好”这句话印象极其深刻。
3.4 保存与恢复实验状态：撤回和重做的用法
平台支持把当前网络结构和权重保存为JSON文件，格式大致是：网络层级、每层节点数、激活函数、当前权重矩阵、偏置向量、训练日志摘要。这个功能在反复调参时特别有用——我习惯在改动一个变量之前先保存一份权重，训练后如果效果不理想，直接点击“加载状态”还原回去，就相当于有了“后悔药”。
操作上，点击“保存模型”按钮，选择保存路径；需要恢复时点击“加载模型”，选择之前的JSON文件。注意加载模型只会恢复网络结构和权重，不会恢复数据集状态，所以如果你换了一个数据集再加载模型，输入维度对不上就会提示报错。我一般会同时保存一份数据集状态文件，里面包含当前数据集的类型和随机种子，恢复时先加载数据集再加载模型。
4. 参数是怎么影响训练的：学习率、隐藏层、激活函数的对照实验
4.1 学习率：从震荡到停滞，两个极端怎么定位
学习率是平台控制面板里最值得反复实验的参数，默认范围是0.001到1.0，以对数方式滑条分布。所谓对数方式，是指滑条在左端时每次变化0.001级别的值，在右端时每次变化0.1级别的值——这样低学习率和高学习率都能被精确定位，不会出现细微调整时一滑就跳太多的情况。
学习率设置过大（比如0.5以上）的典型现象是：损失曲线不是下降而是剧烈震荡，像是心电图一样上下跳动，准确率曲线也在一个范围内抖动，无法收敛。平台的设计在这方面有一个贴心的处理——如果你把学习率设置为0.8并启动训练，界面会弹出一行提示“学习率过大可能导致震荡”，但不会阻止你运行。这个提示的底层逻辑很单纯，它检测到学习率大于某个阈值且第一个epoch损失变化幅度超过上一次的5倍，就弹出警示。
学习率设置过小（比如0.001）的典型现象是：损失缓慢下降，50个epoch后还在曲线的高位徘徊。这其实是平台教学的另一个好素材——你可以在界面上把epoch改成500再跑，最终它还是会收敛到高准确率，只是时间更长。这里有一个教学上的金句：学习率决定了模型走多快，隐藏层决定了它能学多复杂，而数据集决定了学习的上限。
我的个人建议：在实验时先固定0.1跑一遍，记住收敛曲线的形状和收敛所需的epoch数，然后分别尝试0.3和0.03，对比三条曲线。这一步做完，学习率的作用机制基本不需要再看任何教材。
4.2 隐藏层节点数：容量、过拟合与训练速度的三角关系
隐藏层节点数对这个平台来说是最直观的“模型复杂度调节旋钮”。平台支持1到3层隐藏层，每层节点数1到128。结构画布会随着节点数增加而自动调整节点间距，节点数量超过32以后，画布上单个节点会缩小，但依然保持可读性。
网络容量和训练速度之间的权衡是这里的主线。我用平台做过一个基准测试，数据集固定为三分类高斯分布数据，epoch数固定为100，学习率0.1，激活函数ReLU。隐藏层配置为4个节点时，训练耗时约3秒，参数量为（2×4 + 4×3）+ 4 + 3 = 27个参数；配置为32个节点时，耗时约11秒，参数量为（2×32 + 32×32 + 32×3）+ 32 + 3 + 32 + 3 = 直接计算是64 + 1024 + 96再加偏置70，总共1254个参数。同样是100个epoch，前者准确率93%，后者准确率98%——准确率只提升5个点，耗时增加了将近4倍。这个数据给学生看，比讲十句话都管用。
训练速度方面，平台在控制面板上有一个实时显示的“毫秒/epoch”指标，改任何结构或参数，这个数字都会即时应答。这是我判断网络是否过于臃肿的第一信号——如果跑一个二分类任务，单epoch耗时超过500毫秒，我就会审视是不是隐藏层设置得太冗余。
4.3 激活函数：ReLU与Sigmoid在实践中的表现差异
平台内置了三种激活函数：ReLU、Sigmoid、Tanh。切换激活函数不需要重新初始化网络，只要在控制面板下拉选择后点击“应用激活函数”，训练会从当前权重继续——这意味着你可以用一个已经收敛的网络，换一种激活函数，观察训练是继续下降还是反弹。
ReLU的表现一般是收敛最快，因为它的梯度在正区间恒为1，没有梯度消失问题。但平台中有一个特殊的现象：如果用ReLU把网络加深到3层且隐藏层节点数低于4个，有概率出现某个节点激活值恒为0，导致对应的权重梯度永远是0，整个网络部分瘫痪。这在专业上叫“神经元死亡”，平台并不会自动处理。作为教学演示，这反而是个极佳素材——让学生看到并不是所有网络结构都能正常工作。
Sigmoid在深层网络中更容易出现梯度消失，具体表现是训练前期损失下降极慢，准确率曲线长期贴近50%（即随机猜测水平）。平台的设计者在训练控制台里加了“梯度均值”指标，如果这个指标在训练过程中降到10的负4次方量级甚至更低，配合损失曲线停滞，基本可以判定梯度消失。这时切回ReLU重跑一次，对比立现。
Tanh的表现介于两者之间，它的输出均值是0，使得下一层输入不再偏置，在某些数据集上会比ReLU更平滑地收敛。但平台上的结果没有明显优势，我个人的使用习惯是：教学时只演示ReLU和Sigmoid两个极端，Tanh留作进阶话题。
4.4 训练周期与批次大小：平台上怎样体现迭代的意义
训练周期（epoch）和批次大小（batch size）这两个参数在平台面板上是分开的。批次大小的默认值是“全批量”，即每次更新权重时使用全部训练样本的梯度平均值，平台没有提供批梯度下降选项。这样设计的原因很直接：在二维小数据集上，批量梯度下降的收敛曲线最平滑标准，便于教学观察；如果引入小批次随机梯度下降，曲线会出现噪声抖动，容易干扰初学者对“下降趋势”的判断。
epoch数的取值范围是1到1000，默认100。平台上最值得做的一个实验是把epoch设为1000，但学习率降到0.01，然后观察曲线。你会看到一个非常典型的“平台期-突破期”结构：前100个epoch损失缓慢下降，看起来毫无希望；大约200个epoch后，曲线突然加速下降；之后再次趋于平缓。这是ReLU网络在初始化后逐渐进入良好参数区域的典型过程，比“梯度下降就是一条平滑曲线”的想象更接近真实训练的样子。
5. 常见问题排查：我踩过的五个坑，从界面卡死到模型不收敛
5.1 启动时端口被占用，界面一直打不开
现象：执行python app.py后，终端提示Address already in use，或者浏览器访问127.0.0.1:5000显示无法连接。
原因：系统中已经有另一个进程占用了5000端口，最常见的是之前运行过一次平台但没有正常退出，后台残留了一个Python进程。
解决方法是先找到占用进程，再强制释放端口。Windows下执行：
netstat -ano | findstr :5000输出结果里最后一列是PID，然后用任务管理器结束该进程；或者在终端继续执行：
taskkill /PID 这里替换为实际PID /FmacOS/Linux 下执行：
lsof -i :5000得到PID后执行kill -9 替换PID。如果你不想杀掉进程，也可以直接在app.py配置文件中修改监听端口，比如把app.run(port=5000)改成app.run(port=5001)，然后访问5001端口。
5.2 训练过程中浏览器标签页卡死，损失曲线长时间不刷新
现象：点击“开始训练”后，浏览器页面失去响应，风扇狂转，曲线卡住不动，需要强制关闭页面。
原因：这个平台默认把训练放在Falsk的后端线程里执行，如果数据集较大或网络层数较多，单次迭代计算时间过长，前端轮询接口一直拿不到新数据，就会造成页面无响应的假象。另一个常见原因是浏览器渲染的图表数据点累积太多，ECharts等前端图表库在数据点超过一定量之后会出现明显卡顿。
解决手段有两个：第一个是在训练之前把epoch数设小一点，比如50以下，避免一次性渲染大量中间状态；第二个是手动清理前端页面缓存的历史曲线数据——平台界面上有一个“清空图表”按钮，训练之前点一下，让曲线图只保留本次训练的过程数据，不要和上一次叠加。
5.3 训练准确率很高但损失曲线不下降，看起来像翻车
现象：准确率已经到98%，但损失曲线停留在某个数值附近几乎不动，看起来模型没有在学习了。
原因：准确率和损失是不同维度的指标。当大部分样本都被正确分类后，剩下那部分难分样本仍然会产生损失，如果这部分样本特别难，损失就会保持一个较高的平台值；如果使用了带正则化的模型，正则项也会让损失不会趋近于0。平台为了教学清晰默认不加正则化，所以实际原因基本是“难分样本”或“决策边界无法完美区分数据”。
这个现象本身就是一个非常宝贵的教学材料：模型在决策边界附近处于犹豫状态，损失高但准确率高，这完美对应了真实业务中的“可用但非完美”模型。平台不需要修复，反而可以用来自问：如果想让损失也降下来，我需要更多特征或者更复杂的决策边界，而不是无止境地训练。
5.4 修改网络结构后，之前的训练效果消失
现象：训练完一个网络，准确率93%，然后我把隐藏层从4个节点改成8个节点，再点“开始训练”，准确率反而从0开始重新爬，之前的训练成果不见了。
原因：修改网络结构意味着重新初始化权重。平台为了教学严谨，在每次结构变化时都会重置所有权重为随机初始值——这也符合真实场景，因为节点数变化之后，权重矩阵的维度变了，旧权重不可能复制过去。
解决方法是：在改动网络结构之前，先点击“保存模型”把当前权重存为JSON；改动结构后如果想沿用之前的参数思路，可以在初始化新网络后用“加载模型”功能恢复大部分权重（网络能匹配的部分）。但必须注意维度不匹配的权重会随机重新生成，所以“部分恢复”的效果有限，我一般干脆重新训练。这又是一个教学设计点：模型参数和结构是绑定的，改结构约等于换模型。
5.5 高DPI屏幕下界面字体模糊，参数滑块错位
现象：在4K显示器或高缩放比Windows笔记本上，页面元素看起来发虚，滑块位置和数字显示错位，影响操作。
原因：平台的前端页面没有做高DPI适配，CSS中使用了固定像素尺寸，在高缩放比的浏览器上容易出现渲染模糊和布局偏移。
解决办法有两个。最简单的方案：在浏览器设置中把页面缩放级别从100%调回“适合窗口”，或者强制用浏览器快捷键Ctrl+0还原缩放比例。如果你要长期使用，更合适的做法是手动修改前端模板文件里的viewport配置，把宽度约束从固定值改为百分比布局。平台的核心逻辑不受影响，这个修改只动样式，不需要改Python代码。
6. 把平台变成你的教学助手：三种进阶用法与一个关键习惯
平台本身是一个训练器，但如果只用来训练，那跟直接用Python跑一遍sklearn没太大区别。我实际使用一段时间后，摸索出三种让这个平台效果翻倍的用法，分享出来供你参考。
第一种用法是做“参数翻车演示”。我有一节课专门讲“为什么神经网络是一门实验科学”，流程是：先用学习率0.5跑一次，让损失曲线在现场观众面前震荡发散；然后不动任何参数，只把学习率改到0.05，重新跑一次，收敛给所有人看。两次的运行界面和参数截图拼在一起，比任何语言都有说服力。但有一个注意点：为了避免第二次训练也翻车，我会在课前预先保存一份“收敛中段”的权重状态，如果现场训练真的出了问题，直接加载那份状态再跑，就能稳定看到理想的收敛曲线。
第二种用法是做“数据集生成挑战”。给学生一个任务：调整内置数据集的随机种子和样本数量，让一个固定结构（比如2-4-2、学习率0.1）的网络恰好训练不出高准确率。这个任务看起来简单，实际做起来非常锻炼人对“数据可分性”的直觉。学生需要理解哪些分布是线性可分的，哪些是必须用非线性边界的，哪些数据点本身噪声太大。平台内置的“重新生成”按钮在这里发挥了巨大作用，学生可以快速尝试多个数据形态。
第三种用法是把平台输出物接入到自己的教案中。平台保存的模型JSON文件和训练日志CSV，可以直接被Python脚本读取，用于离线生成报告或做进一步分析。比如我写过一个小脚本，批量读取学生提交的训练日志，自动汇总每个学生的调参轨迹，然后挑出“最有效的一次调整”和“最典型的失败案例”，在课堂上做复盘。这一步让平台从一个孤立的教学工具，变成了整个教学闭环中的数据采集节点。
最后想强调一个我踩过不少坑之后形成的习惯：每做一次实验，无论成功还是失败，都强制自己导出一次训练日志。失败日志在复盘时尤其宝贵——那个“看起来没问题但就是不收敛”的配置，往往隐藏着你对数据或模型认识的盲点。每次做完实验写下一行注释再导出的习惯，已经让我攒下了几百份实验记录，复现旧项目时省了数不清的时间。希望这个平台也能帮你的教学或自学道路少走一段弯路，也希望你能找到比我这三种玩法更有趣的使用方式。
本文还有配套的精品资源，点击获取
