简介：面向恶劣天气识别与图像分类任务的已标注数据集，覆盖大雾、暴雨、沙尘暴、暴雪四类天气，样本约1000张，适合深度学习入门、CNN分类课程设计、算法复现以及多类别天气识别场景研究，也可用于道路能见度预警等应用探索。整个压缩包含1030个文件，以1028张JPG图片为主体，配有一个JSON标注文件用于查看四类标签，另附Python可视化脚本，可快速预览样本并检查数据质量；压缩包大小约132MB，文件命名规范，类别目录清晰。已有667人学习下载。资源已划分好训练集与测试集，目录按类别存放，直接可用于模型训练、评估与调参，也便于在Jupyter Notebook等环境中自行做数据增强与对比实验；对需要自建天气数据集的用户来说，可显著节省爬取、清洗和标注的时间，同时可作天气分类基准数据使用。
1. 大雾、暴雨、沙尘暴、暴雪图像分类：1,000张已经够做八成的天气过滤任务
做户外监控、自动驾驶数据预筛、或者电厂巡检告警时，你大概率遇到同一个尴尬：摄像头一拍到坏天气，后续的目标检测、语义分割模型就开始集体“失明”。与其让主模型硬扛，更务实的做法是在前面挂一个天气图像分类器，把大雾、暴雨、沙尘暴、暴雪的图片先分流出来单独处理。这个标题给的就是一份已标注的四种恶劣天气图像分类数据集，约1,000张。
反直觉的结论是：1,000张在四分类任务上够用，甚至能跑到85%以上的验证准确率。原因是大雾、暴雨、沙尘暴、暴雪在视觉上是颜色分布和纹理结构差异极大的四类场景，类别之间的特征距离很宽，不是“猫和狗”那种细粒度差异；再加上预训练模型迁移学习，等效样本量远大于1,000张。但前提有两件事必须做对：一是数据本身要仔细校验，二是训练时要防过拟合。这套方案适合两类人——刚入门图像分类、需要一份干净数据练手的学生，以及要在真实业务里快速搭一个天气前置过滤器的算法工程师。
2. 拿到手先别训模型：1,000张已标注数据的目录组织与标签校验
“已标注”三个字是起点，不是终点。标注文件里标签写的是“暴雨”，不代表图片内容真的是暴雨——有的是文件名带“rain”但内容是雨后的地面，有的是大雾里夹着雨丝被标成了暴雨，还有的是沙尘暴里的扬沙被标成了雾。这种噪声在1,000张的小数据集里占比哪怕5%，就会让模型学会抄捷径而不是学天气特征。所以动手训练前的第一步，永远是数据盘点。
2.1 拿到数据先做四项体检：数量、尺寸、格式、标签分布
用一段脚本把这四件事全查清楚。别用眼睛一个个点开看，效率太低。
import glob import os from collections import Counter from PIL import Image img_paths = glob.glob("dataset/**/*.jpg", recursive=True) + \ glob.glob("dataset/**/*.png", recursive=True) formats = Counter() sizes = [] labels = [] for path in img_paths: ext = os.path.splitext(path)[1].lower() formats[ext] += 1 with Image.open(path) as im: sizes.append(im.size) labels.append(os.path.basename(os.path.dirname(path))) print("图片总数:", len(img_paths)) print("格式分布:", formats) print("标签分布:", Counter(labels)) print("尺寸范围:", min(w for w, h in sizes), min(h for w, h in sizes), "-", max(w for w, h in sizes), max(h for w, h in sizes))这段脚本能同时回答四个关键问题：数量是否接近1,000张、四种天气的类别是否均衡、尺寸是不是有极端超宽图或分辨率极低的小图、格式是否混杂。如果发现某类只有180张而另一类有320张，后面训练时就要处理类别不平衡；如果发现图片里混着webp或者bmp，统一转成jpg，避免DataLoader读取时踩格式兼容的坑。
格式统一这一步，我一般用下面的代码批量转掉，顺便把中文文件名和目录名全部改成英文。Windows环境下Python读取中文路径容易出编码问题，改成英文目录名后，训练脚本和部署脚本都不会被路径坑到。
import os from PIL import Image root = "dataset" mapping = {"大雾": "fog", "暴雨": "rain", "沙尘暴": "sandstorm", "暴雪": "snow"} for ch_name, en_name in mapping.items(): ch_dir = os.path.join(root, ch_name) en_dir = os.path.join(root, en_name) os.makedirs(en_dir, exist_ok=True) for fname in os.listdir(ch_dir): src = os.path.join(ch_dir, fname) if not os.path.isfile(src): continue im = Image.open(src).convert("RGB") en_path = os.path.join(en_dir, os.path.splitext(fname)[0] + ".jpg") im.save(en_path, quality=95) print("完成转换:", ch_name, "->", en_name)2.2 用ImageFolder按类别组织目录：整理脚本与重命名规则
torchvision的datasets.ImageFolder要求数据按“根目录/类别名/图片文件”的层级存放，目录名就是标签名。好处是零配置文件，训练代码里三行就能加载，坏处是目录名是唯一的标签来源，一旦放错文件夹，标签就是错的。
我建议的顶层结构是这样的：
dataset/ ├── fog/ │ ├── fog_001.jpg │ ├── fog_002.jpg │ └── ... ├── rain/ │ ├── rain_001.jpg │ ├── rain_002.jpg │ └── ... ├── sandstorm/ └── snow/文件名统一用类别_序号.jpg，不要保留原始文件名。原始文件名经常带着来源网站的水印痕迹、时间戳甚至拍摄者信息，训练时模型如果通过文件名“作弊”判断类别，部署后文件名一变模型就废了。重命名脚本很简单，遍历每个类别目录，按序号补零重命名即可。
2.3 不迷信“已标注”：用快速可视化抽检代替逐张人工复核
1,000张图逐张看大概要半小时到一小时，对工程师来说太奢侈。更快的方式是从每个类别随机抽9到16张，拼成一个九宫格，扫一眼就能发现大部分标注问题。
import matplotlib.pyplot as plt from torchvision import datasets, transforms dataset = datasets.ImageFolder( "dataset", transform=transforms.Resize((224, 224)), ) fig, axes = plt.subplots(4, 8, figsize=(16, 8)) for cls_idx in range(4): cls_images = [i for i, (_, label) in enumerate(dataset.samples) if label == cls_idx] for row in range(8): img, _ = dataset[cls_images[row]] axes[cls_idx, row].imshow(img) axes[cls_idx, row].axis("off") axes[cls_idx, 0].set_ylabel(dataset.classes[cls_idx], fontsize=12) plt.tight_layout() plt.savefig("check_sample_grid.png", dpi=120)重点看两类问题：一是混入了完全不属于该类天气的图，比如晴天傍晚被标成“沙尘暴”；二是类别定义本身冲突，比如“雨+雾同时出现”到底归哪个类。这个抽检图我也会保留一份作为项目记录，后面训练完回来复盘时能对比标注版本差异。
3. 用预训练ResNet快速跑通基线：最小训练脚本与超参数设定
让1,000张数据发挥价值，最快路径不是从零训练一个卷积网络，而是拿在ImageNet上预训练好的模型做迁移学习。常见做法是把ResNet34的最后一层全连接从1000类换成4类，然后整个网络微调。速度比从零训练快一个数量级，准确率还能高十个百分点以上。
3.1 为什么选ResNet而不是从零训练的卷积网络或Vision Transformer
从零训练一个ResNet或者ViT在1,000张图上基本是灾难。机器学习的冷启动规律在小数据集上体现得最残酷：没有预训练权重，模型前几十个epoch都在学边缘和纹理，四分类任务还没学到“雾是低对比度灰白色”这个层面，就已经过拟合训练集了。ViT更挑数据，1,000张连它的位置编码都喂不饱，即便用预训练ViT微调，效果也不会明显优于ResNet34，反而推理和训练都更慢。
所以这里的选型逻辑是：ResNet34配合ImageNet预训练权重，是“小样本+四分类+需要快速出基线”的最稳组合。ResNet18更轻，适合测试环境；ResNet50精度略高但小数据集上容易过拟合，需要更重一点的数据增强来压制。我一般先跑ResNet34。
3.2 最小训练代码：加载、随机增强、SGD和早停
这份代码可以直接存成train.py跑起来。为了让你能复现，我把所有超参数集中在args里，关键的改动我都加了注释。
import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models import numpy as np from sklearn.metrics import classification_report, confusion_matrix BATCH_SIZE = 16 EPOCHS = 30 LR = 1e-3 WEIGHT_DECAY = 1e-4 NUM_CLASSES = 4 DEVICE = "cuda" if torch.cuda.is_available() else "cpu" train_transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.2, hue=0.05), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) val_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) train_ds = datasets.ImageFolder("dataset/train", transform=train_transform) val_ds = datasets.ImageFolder("dataset/val", transform=val_transform) train_loader = DataLoader(train_ds, batch_size=BATCH_SIZE, shuffle=True, num_workers=4) val_loader = DataLoader(val_ds, batch_size=BATCH_SIZE, shuffle=False, num_workers=4) model = models.resnet34(weights=models.ResNet34_Weights.IMAGENET1K_V1) model.fc = nn.Linear(model.fc.in_features, NUM_CLASSES) model = model.to(DEVICE) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=LR, momentum=0.9, weight_decay=WEIGHT_DECAY) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode="min", factor=0.5, patience=3 ) best_acc = 0.0 for epoch in range(EPOCHS): model.train() train_loss_sum, train_correct = 0.0, 0 for images, labels in train_loader: images, labels = images.to(DEVICE), labels.to(DEVICE) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() train_loss_sum += loss.item() * images.size(0) train_correct += (outputs.argmax(1) == labels).sum().item() model.eval() val_correct, val_loss_sum = 0, 0.0 all_preds, all_labels = [], [] with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(DEVICE), labels.to(DEVICE) outputs = model(images) loss = criterion(outputs, labels) val_loss_sum += loss.item() * images.size(0) all_preds.extend(outputs.argmax(1).cpu().numpy()) all_labels.extend(labels.cpu().numpy()) train_acc = train_correct / len(train_ds) val_acc = np.mean(np.array(all_preds) == np.array(all_labels)) val_loss = val_loss_sum / len(val_ds) scheduler.step(val_loss) if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "weather_cls_best.pt") print(f"Epoch {epoch+1:02d} | train_acc {train_acc:.3f} | " f"val_acc {val_acc:.3f} | val_loss {val_loss:.3f}") print("Best val acc:", best_acc) print(confusion_matrix(all_labels, all_preds)) print(classification_report(all_labels, all_preds, target_names=train_ds.classes, digits=3))几个必须说清楚的参数选择：
- 批大小16，不要用64。1,000张级别的数据，大batch会加速过拟合，小batch带来的梯度噪声反而有正则化效果。
- 优化器用SGD而不是Adam。迁移学习微调阶段，SGD+momentum的泛化能力通常比Adam好，特别在样本量小的场景下差距更明显。如果换用AdamW，学习率建议降到
3e-4。 ReduceLROnPlateau设patience=3，连续三个epoch验证损失不降就把学习率减半。这比固定epoch衰减更贴合训练动态。- 必须保存
best_acc对应的权重，而不是最后一轮的权重。小数据集的训练后期往往在震荡，最后一轮通常不是最优的。
3.3 评估指标：看混淆矩阵而不是只看准确率
四分类准确率90%听起来不错，但要看具体错在哪。沙尘暴被误判成雾、暴雨被误判成雪，这两种错误的业务代价完全不同。所以我在训练脚本最后打印了混淆矩阵和classification_report，重点看每一类的precision和recall。
如果某类的recall特别低，说明这类被系统性误判，需要回看训练集该类图片是否有标签噪声，或者该类样本数过少。此时优先检查数据，不要急着换模型。模型层面的调整建议放在第四章的数据增强和类别平衡之后再做。
4. 把1,000张样本用到极限：按天气特征定制的增强与交叉验证
在1,000张图上，数据增强不是“锦上添花”，而是“救命稻草”。但增强不是越多越好，而是要顺着四种天气的物理特征来设计。瞎用增强会引入和天气无关的伪规律，比如把雾天图裁剪成局部特写，模型学到的可能是一堵墙而不是雾。
4.1 增强策略按恶劣天气视觉特征来定：亮度、对比度、噪声和色偏
四种天气在视觉上有清晰特征：雾天整体低对比度、亮部发白；暴雨的画面亮度和对比度变化剧烈，暗部细节丢失；沙尘暴图像整体偏黄，饱和度偏低；暴雪的画面有大面积高亮区域，边缘纹理被雪覆盖。针对这些特征，我把增强分成四组。
train_transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter( brightness=0.4, contrast=0.4, saturation=0.3, hue=0.05, ), transforms.GaussianBlur(kernel_size=3, sigma=(0.1, 1.5)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ])RandomResizedCrop(scale=(0.7, 1.0))模拟摄像头抓拍时画面里天气区域的占比变化。不要用(0.08, 1.0)那种ImageNet默认值，裁得太碎会把远处一座山当成天气特征。ColorJitter的brightness和contrast各给到0.4，重点模拟暴雨天气下光线骤变和雾天能见度变化的场景。- saturation给0.3、hue只给0.05。hue调太大，会制造出物理上不存在的颜色，比如把沙尘暴的黄色调成蓝绿色，模型学到的是“偏色的图就是沙尘暴”，这是要避开的坑。
- 加了
GaussianBlur模拟镜头上的水雾和沙尘颗粒。不需要每次生效，PyTorch的GaussianBlur以50%概率随机生效。
另外一个细节：不要做垂直翻转。户外监控场景里天空永远在画面上方、地面在下方，垂直翻转会把天空和地面的物理位置颠倒，模型会学习“上暗下亮的是暴雨”这种错误规律。水平翻转不受影响，因为从左来风还是从右来风不改变天气类别。
如果1,000张里某一类特别少，我还会用torchvision.transforms.RandomErasing做随机遮挡，强迫模型不要依赖单一区域的特征。比如沙尘暴类只有180张，模型很容易靠某张图右下角的黄沙色调取巧，RandomErasing可以逼它看整个画面。
4.2 类别不平衡：加权采样与焦点损失二选一
四类样本数量大概率不会完全相等。假如雾天300张、暴雨280张、沙尘暴200张、暴雪220张，直接训练loss会被大头类别主导。最简单的解决办法是用WeightedRandomSampler，让每个类别在每轮epoch中的采样次数相等。
from torch.utils.data import WeightedRandomSampler labels = np.array([s[1] for s in train_ds.samples]) class_counts = np.bincount(labels) sample_weights = 1.0 / class_counts[labels] weights = torch.from_numpy(sample_weights.astype(np.float32)) sampler = WeightedRandomSampler(weights, num_samples=len(weights), replacement=True) train_loader = DataLoader(train_ds, batch_size=16, sampler=sampler)1.0 / class_counts[labels]的含义是：样本越多的类别，每个样本被抽到的权重越小，反向拉平各类别在训练中的出现次数。num_samples=len(weights)表示每轮仍然抽1000次，但每次抽取时按权重采样，类别少的那一类会被重复抽到。注意这种采样会让模型看到重复样本，配合上一节的增强一起用才有效果。
如果你的项目里类别数量悬殊极大，比如暴雨400张、沙尘暴100张，加权采样还不够，可以换Focal Loss。它的原理是让模型更关注难分类的样本，但需要额外调节gamma参数，默认gamma=2比较合适。在小数据集上我通常先试加权采样，效果不明显再上Focal Loss，不做无谓的复杂度叠加。
4.3 小样本评估：5折交叉验证算可信度区间
1,000张数据如果只划分一次train/val，结果会强烈依赖随机划分。运气好点验证集准确率92%，运气差点只有85%，你很难判断这是数据问题还是模型问题。常见做法是直接做5折交叉验证，用五轮结果的平均值和方差来说明模型稳定性。
from sklearn.model_selection import StratifiedKFold train_ds = datasets.ImageFolder("dataset", transform=train_transform) kf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) samples = np.array(train_ds.samples) fold_results = [] for fold, (train_idx, val_idx) in enumerate(kf.split(samples, samples[:, 1])): fold_train = torch.utils.data.Subset(train_ds, train_idx) fold_val = torch.utils.data.Subset(train_ds, val_idx) # 在每一折中重新训练模型，并记录验证准确率 # fold_results.append(val_acc)StratifiedKFold在划分时保留各类别的样本比例，避免某一折里完全没分到沙尘暴图片导致评估失效。每一折都从头训练一次，五折跑完耗时大约十五分钟，但你能得到一个准确的估计：如果所有折的准确率都在85%-88%之间波动，说明模型稳定；如果第3折突然掉到70%，说明那一折的训练集里存在标签噪声或某类样本特别少，值得翻回去查数据。
最终的模型可以用全部数据重新训练一份，验证集只是一个评估手段，不是模型的一部分。交叉验证会暴露单个划分掩盖的过拟合问题，这是小数据集项目最值得花的十五分钟。
5. 避坑指南：恶劣天气分类最容易翻车的5个细节与排查路径
这部分是我实际做类似数据集项目时遇到的真实坑，每一条都按“现象→原因→解决”写。别人踩过的坑你不用再踩一遍。
5.1 误差不均衡：混淆矩阵里“暴雨”列混进了大量“雾”图
现象：整体准确率82%，但看混淆矩阵，实际是雾天的图片里有12%被预测成暴雨，而暴雨被预测成雾的只有3%。
原因：标注阶段把“起雾时下了小雨”的场景归入了暴雨类，模型看到雾和雨同时出现的图片，在两类之间左右摇摆。小数据集中10%左右的不一致标注就足以造成局部预测系统性偏移。
解决：翻出第二章保存的抽检九宫格图，重点看雨雾两类，把标注为暴雨但视觉上雾占主导的图重新归类；如果标注标准实在难以统一，干脆把这两类合并成“雾雨”类，四分类改三分类。模型结构和代码都不用改，直接改目录名即可。
5.2 训练准确率99%，验证集准确率只有72%，典型的过拟合
现象：第10轮开始训练集准确率冲上99%，验证集准确率卡在72%的水平再不动。
原因：模型容量太大或者增强强度不足。ResNet34在1,000张图上完全有能力“背下来”全部训练样本，如果没有足够强的随机扰动，模型直接在训练集上做记忆，验证集自然拉胯。
解决：先增强RandomResizedCrop的scale下限到0.7，打开GaussianBlur，再给loss加label smoothing，nn.CrossEntropyLoss(label_smoothing=0.1)。PyTorch从1.10开始原生支持label_smoothing参数，不用额外实现。如果整轮加强后验证集仍然在75%以下，回查训练集是否混入了大量错标图，因为增强只能压制过拟合，救不了标签噪声。
5.3 DataLoader读取图片报错：中文文件名和EXIF方向
现象：ImageFolder在加载时偶发PIL.UnidentifiedImageError或者图片被旋转90度显示，训练中途崩溃。
原因：原始数据集里文件名含中文，或者拍摄设备在EXIF信息里写了旋转方向。Windows下中文路径被Python读取时编码不一致，容易出现打不开文件的问题；而手机拍摄的图片若不校正EXIF旋转，模型看到的图像是横着的，这属于与天气无关的伪特征。
解决：在第二章的统一转码环节就把文件名改成英文，并且用ImageOps.exif_transpose处理方向。下面的代码可以在读取图片时自动校正EXIF：
from PIL import ImageOps with Image.open(path) as im: im = ImageOps.exif_transpose(im) im = im.convert("RGB")在datasets.ImageFolder里也可以写一个自定义loader传入，替换默认的PIL读取逻辑。
5.4 沙尘暴和雾天边界模糊：类别定义本身就是噪声
现象：沙尘暴类的分类报告里精确率很高、召回率很低，大量沙尘暴图片被预测成雾天。人工回看发现，确实有一部分沙尘暴图片颜色偏灰白，与浓雾照片几乎无法区分；而黄色偏色明显的图模型分得很好。
原因：恶劣天气是连续光谱，不是离散标签。轻度沙尘暴和中度雾的视觉效果重叠度很高，图像分类模型对这个边界的处理能力有限，这是任务本身的性质决定的，不是模型调参能彻底解决的。
解决：第一选择是人为放宽类别定义，强调沙尘暴必须是肉眼可见的“黄色调+风沙纹理”，把偏灰白的样本归为雾；第二选择是训练一个辅助任务，统计图像的R/B通道比值，沙尘暴图像R通道明显高于B通道，而雾天R/G/B三个通道接近。这个比值可以作为后处理规则，当模型概率输出在两类中间时，用颜色比值破平局。
5.5 部署图片和训练图片风格不一致：白平衡和HDR带来特征偏移
现象：用网络下载的公开图片训练，模型在验证集上表现不错，一部署到实际摄像头，准确率掉了15%以上。
原因：训练集里的图片多数是摄影师拍的，经过了白平衡校正、HDR调色，甚至后期滤镜；摄像头直出的原始图像色调偏灰、对比度低、动态范围宽。模型学到的“沙尘暴=黄色高饱和”可能在摄像头画面中是“灰黄色低饱和”，特征分布发生了偏移。
解决：收集目标场景的真实抓拍图，哪怕是几百张，也要加入训练集做finetune。如果暂时拿不到现场图，先做一个预处理层，对所有输入图执行灰度世界白平衡：
import numpy as np def gray_world_balance(img): img = np.array(img).astype(np.float32) mean_r = img[..., 0].mean() mean_g = img[..., 1].mean() mean_b = img[..., 2].mean() avg = (mean_r + mean_g + mean_b) / 3.0 img[..., 0] *= avg / mean_r img[..., 1] *= avg / mean_g img[..., 2] *= avg / mean_b return np.clip(img, 0, 255).astype(np.uint8)这个预处理能抹掉大部分由于不同设备白平衡算法造成的色偏差异，让模型更关注天气的结构特征而不是绝对色调。
6. 从四分类到多标签与检测迁移：让这套数据发挥剩余价值
在真实业务里，“一张图只有一种天气”这个假设经常不成立。暴雨中裹着雾、沙尘暴来之前先起风扬尘，这些场景都带有“兼类”属性。把四分类改造成多标签只需要改动两个地方：损失函数从CrossEntropyLoss换成BCEWithLogitsLoss，最后一层全连接保持4个神经元，每个神经元独立输出一个0到1之间的概率。
criterion = nn.BCEWithLogitsLoss() # 每个样本的标签是长度为4的01向量，例如 [1, 1, 0, 0] 表示既有雾又有雨 labels_multihot = torch.tensor([[1.0 if "fog" in tags else 0.0 for tags in sample_tags]])多标签模型在推理时，你可以遍历验证集找出最优概率阈值。比如当概率大于0.5算命中，关闭模型已无法识别；如果大于0.65才提醒人工抽检，误报率会降低但漏报率上升，按业务容忍度调即可。
另外一个小技巧：这1,000张已标注数据也可以作为更下游任务的数据基础。图像分类只是最浅层的用法，再做目标检测时，你可以用cvat或labelimg在原有图片上框出雨丝、雾区、沙尘区域，把分类升级为检测。cvat适合团队协作，labelme适合单人快速打点，labelimg则是目标检测框标注的老牌选择，三者导出的格式不一样，后续要接YOLO系列的话，labelimg的YOLO格式输出最省事。我个人的习惯是分类模型先上线留作备用，同时用同批数据扩充检测样本，这样一套恶劣天气数据集能支撑两条算法线。
每个项目我都留一份增强后的可视化样本和混淆矩阵截图，回看归档才能知道哪些天气类别在什么阶段被系统性地分错。希望帮到你。
本文还有配套的精品资源，点击获取
