毕业设计做“猫疲劳识别”，听起来像个搞笑选题，但真把它拆开看，你会发现这是一个把深度学习基础流程走得非常完整的案例。很多同学选课题时容易陷入两个极端：要么太简单，比如用现成库做个登录系统，答辩时没什么可讲；要么太难，比如搞目标检测加姿态估计，数据、算力、时间全都不够。而这个题目恰好卡在一个很舒服的位置——视觉特征明显、数据集可控、模型复杂度适中、演示效果好。用CNN卷积神经网络做猫眼状态二分类，本质上是图像分类的经典任务，但从数据收集到模型部署，每一步都有值得展开的技术细节。无论你是正在选题、中期答辩，还是单纯想用一个小项目把CNNs的链路走通，这篇文章都能给你一套可以直接复用的完整方案。
1. 内容整体设计与思路拆解
1.1 先想清楚“疲劳”怎么定义
这是整个项目最容易被忽略、但最关键的决策点。你说“猫是否疲劳”，总不能靠玄学判断猫今天心情如何。放在工程上，我们需要一个客观、可量化、可被摄像头捕捉的判断依据。
我参考了人类疲劳驾驶检测的常用方法——PERCLOS算法，即通过统计眼睛闭合时间占特定时段的比例来判断疲劳程度。对应到猫身上，最简单的视觉代理指标就是：眼睛是否闭合。猫闭眼休息或打盹时，大概率处于疲劳或放松状态；眼睛睁大、瞳孔聚焦时，则处于警觉或活跃状态。于是，一个“猫是否疲劳”的大课题，就转化为了“猫的睁眼/闭眼二分类”图像分类任务。
这个拆解思路非常值得在开题报告里重点写。评委不一定关心你的模型有多花哨，他们更关心你是否具备把模糊问题进行工程化定义的能力。我见过很多同学把题目定成“疲劳检测”，结果不知道拿什么做标签，最后只能从网上随便找数据集，训练出来效果很差，答辩时被问两句就露馅。讲究一点的做法是：先定义判断标准，再设计数据采集方案，最后才选模型。
1.2 技术路线取舍：为什么是CNN而不是目标检测或姿态估计
确定了核心任务是“睁眼/闭眼二分类”之后，技术路线的选择就清晰多了。有人可能会问：为什么不直接用YOLO检测猫再检测眼睛？或者用姿态估计模型提取眼部关键点？
原因很简单：这是一道毕业设计，不是学术论文，也不是工业级项目。我们需要在有限的时间和算力内，做出一个逻辑完整、可演示、可复现的系统。用目标检测的话，需要标注边界框；用关键点检测的话，需要标注眼睑关键点坐标。这些标注成本远高于分类任务——分类只需要把图片放进“睁眼”或“闭眼”文件夹即可。
而且从技术学习角度来说，CNN分类模型是后续所有视觉任务的基础。把二分类吃透，你再去理解目标检测里的骨干网络、区域建议网络、特征金字塔这些东西，会觉得顺很多。基础打得扎实，比盲目追新更重要。
1.3 框架选型：PyTorch还是TensorFlow
我在实际项目中两种框架都用过，如果让我给做毕设的同学一个建议，现阶段更倾向PyTorch。原因不是TensorFlow不好，而是PyTorch的调试体验更友好。它的动态计算图机制让你可以用print直接查看中间张量的shape，这对初学者排查维度错误非常重要。另外一个客观因素是，现在绝大多数最新的视觉模型、论文代码都是PyTorch写的，遇到问题搜解决方案的时候，PyTorch的资料明显更多、更新。
当然，官方文档和教程资源也很重要。无论选哪个框架，我建议全程跟着一套完整教程走完一个demo，再开始自己的项目。不要东看一点西看一点，那样很容易陷入“装好了环境却不知道怎么开始写训练循环”的窘境。
1.4 评价指标：别只看准确率
很多同学训练完模型，只报告一个准确率就完事了。但在类别不均衡的情况下，准确率很具有欺骗性。假设你的数据集中90%是睁眼猫，10%是闭眼猫，模型把所有图片都判为睁眼，准确率就是90%。看起来很高，实际上模型什么都没学到。
所以你的评估体系里至少要有：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数，以及混淆矩阵。尤其是召回率，在“疲劳识别”这个场景里意义很大——如果一只猫真的在闭眼休息，我们宁可比正常状态更敏感一些，也不希望漏报。从项目报告的角度来说，展示这些指标能够让你的工作看起来更严谨，也更能应对答辩时“你这个模型到底好不好”的追问。
2. 核心细节解析与实操要点
2.1 数据集：项目的成败往往不在模型，而在数据
说句实在话，CNN模型本身已经是非常成熟的组件，真正拉开项目差距的，是数据质量。
这个题目的数据获取有几个可选方案，按成本和效果排序：
第一，自己采集。如果你身边有猫，这是最好的方案。用手机拍视频，分别拍摄猫清醒时和睡觉打盹时的画面，然后每隔几帧截取图片。注意要覆盖不同角度、不同光线条件。拍完做清洗，删掉模糊的、猫头占比太小的、被遮挡严重的帧。这个过程看似简单，实际上会让你对“数据分布”产生直观的理解——原来同一个场景里，猫的姿态差异这么大。
第二，使用开源的人眼数据集做迁移。这个方案我特别推荐，因为它能帮你快速跑通整个流程。用公开的睁眼/闭眼数据集训练一个基础模型，然后在少量猫眼图片上做微调。这里涉及一个重要的实操细节：数据集格式要统一，图片尺寸要一致，标签目录结构要清晰。建议按照以下目录组织数据：
dataset/ ├── train/ │ ├── open/ │ │ ├── 001.jpg │ │ ├── 002.jpg │ │ └── ... │ └── closed/ │ ├── 001.jpg │ ├── 002.jpg │ └── ... └── val/ ├── open/ │ └── ... └── closed/ └── ...这个目录结构在PyTorch的ImageFolder接口下可以直接用，两行代码就能创建数据集和数据加载器。不要小看这一步，把数据组织规范了，后面能省很多坑。
数据规模方面，每类至少准备500张以上。如果单靠拍摄达不到，就做数据增强：水平翻转、随机旋转、亮度调整、随机裁剪。这些操作不仅能扩充数量，还能让模型对光线和角度变化更加鲁棒，减小过拟合的风险。
2.2 CNN的核心机制：它到底在“看”什么
很多同学的模型能跑通，但被问到“卷积到底是怎么工作的”就答不上来。我建议你一定要把这个问题弄明白，因为这是答辩时最高频的追问点。
CNN处理图像的过程，可以理解为逐层提取特征的自动化流程。第一层卷积核通常学到的是边缘、颜色块等低级特征，就像人先看到物体的轮廓；中间的卷积层会将低级特征组合成纹理、局部形状；更深层则会抽象出“眼睛区域的某种模式”，比如眼睑弧线、瞳孔与眼白的对比关系。最后通过全连接层把这些高维特征映射到类别分数上。
具体到网络设计，我这里给一个简洁但有效的方案。输入统一缩放到128x128或者224x224，网络结构采用三层卷积加池化的特征提取部分，再拼接全连接分类器。以PyTorch为例，核心结构如下：
import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes=2): super(SimpleCNN, self).__init__() self.features = nn.Sequential( # 第一层：卷积 + 激活 + 池化 nn.Conv2d(3, 32, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 第二层：加深通道，缩小尺寸 nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # 第三层：进一步提取高阶特征 nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), ) self.classifier = nn.Sequential( nn.Flatten(), nn.Linear(128 * 16 * 16, 256), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Linear(256, num_classes) ) def forward(self, x): x = self.features(x) x = self.classifier(x) return x这里需要注意几个细节。输入是RGB三通道彩色图，所以第一层Conv2d的输入通道是3。每一层卷积之后紧跟着ReLU和MaxPool2d，ReLU引入非线性表达能力，池化则降低特征图尺寸、增大感受野。最后的全连接层输出维度等于类别数，这里是2。在实际训练时，PyTorch的CrossEntropyLoss内部已经包含了Softmax操作，所以网络最后的输出是未经过Softmax的logits，这一点不要弄混。
另外我建议代码中添加一个“维度计算”的辅助打印或者在网络定义里写清楚每一层之后特征图的尺寸。常见的报错就是最后nn.Linear的输入维度算错，比如输入128x128的图、做了三次池化，尺寸会变成16x16，因此展平后的维度是128*16*16。如果你用了224x224的输入，这个数值就要相应调整。
2.3 训练参数：学习率、Batch Size与损失函数
模型搭好了，训练参数的选择直接影响能不能收敛。常见的学习率设置在1e-3到1e-4之间。如果直接训练一个自定义CNN，从1e-3开始通常没问题；如果是加载预训练模型做微调，骨干网络部分建议用1e-5到1e-4的低学习率，分类头可以用稍高的学习率。
Batch Size的选择受限于显存。图像尺寸是128x128时，Batch Size设为32或64都没问题；如果显存不够，降到16也可以。这里有个很多人不知道的经验：Batch Size太大会导致收敛变慢，因为梯度方向更平滑但更新次数少；Batch Size太小则每个Batch的梯度噪声大，训练不稳定。对于毕设级别的数据集，32是一个不错的默认值。
损失函数在分类任务中无脑选择交叉熵损失即可。需要理解的一点是，交叉熵对“错误分类但置信度高”的情况惩罚很重，梯度更新方向直观清晰。如果想在报告中体现一些深度，可以提一嘴标签平滑（label smoothing），它可以略微提升泛化能力，但说实话对于二分类小数据集，影响不大，属于锦上添花的选项。
优化器方面，Adam是当前实践中的主流选择，它对学习率的敏感度比SGD低，适合初学者。如果你想展示一下功底，可以说明Adam结合了动量法和RMSProp的优点，对梯度的一阶矩和二阶矩做了估计修正。原理层面的理解会让答辩加分不少。
2.4 训练流程与模型保存：不能只保存最后的权重
训练流程要形成一个闭环：每个Epoch结束时在验证集上计算指标，如果验证集准确率或F1分数比历史最好值高，就保存当前模型的权重。不要盲目用最后一个Epoch的模型，因为你不知道它是否已经过拟合。
实操中我习惯这样组织训练循环：训练模式开启model.train()，验证模式开启model.eval()；验证时用with torch.no_grad()包裹前向推理，关闭梯度计算以节省内存；每个Epoch记录训练Loss、训练准确率、验证准确率，最后用Matplotlib画出两条曲线。这些内容放在论文和答辩PPT里都非常好看，而且能直观展示模型是否过拟合——训练准确率高但验证准确率停滞，就是过拟合的典型信号。
模型保存用torch.save(model.state_dict(), "best_model.pth")即可。记得把模型结构定义和权重分开，因为加载时要先实例化模型对象，再调用load_state_dict。很多人第一次做会犯“只保存了权重但不知道结构怎么恢复”的错误，答辩演示时重新定义模型就好了。
3. 实操过程与核心环节实现
3.1 环境准备与依赖安装
我建议使用虚拟环境管理项目依赖，避免不同项目之间互相污染。以下是我实际使用的环境清单：
Python 3.8+ PyTorch 1.10+ torchvision 0.11+ opencv-python 4.5+ matplotlib 3.5+ numpy 1.21+ pillow 8.3+如果你的电脑有NVIDIA独立显卡且装好了CUDA，安装PyTorch时选择对应CUDA版本，训练速度会快很多。没有GPU也不影响完成这个项目——毕竟图像尺寸不大，模型层数不深，CPU训练几分钟到十几分钟就能跑一个完整的训练流程。我实测过，在普通台式机上用CPU训练200个Epoch，大概需要20到30分钟，完全可接受。
安装命令很简单，到PyTorch官网的Get Started页面找到适合你系统的安装命令即可，这里就不贴了。
3.2 数据预处理：归一化与数据增强
在加载数据时，有两个操作一定不能漏：归一化和数据增强。归一化是因为输入图片像素值范围是0到255，而神经网络对数值范围敏感，把像素值缩放到-1到1或0到1之间可以显著加速收敛。
torchvision的transforms模块提供了现成的工具：
from torchvision import transforms train_transforms = transforms.Compose([ transforms.Resize((128, 128)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(10), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transforms = transforms.Compose([ transforms.Resize((128, 128)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])注意两个区别：验证集不做增强，只做尺寸统一和归一化。Normalize的均值和标准差使用的是ImageNet数据集的统计值，这是一种通用的迁移学习做法。如果你不想用这些值，可以改成自己数据集的实际均值和标准差，这需要额外计算，但对于小项目来说节省的收益不明显。
3.3 训练脚本：完整的可运行版本
数据加载和模型定义就绪后，训练脚本的核心部分长这样：
import torch from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder # 加载数据 train_dataset = ImageFolder("dataset/train", transform=train_transforms) val_dataset = ImageFolder("dataset/val", transform=val_transforms) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=2) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = SimpleCNN(num_classes=2).to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) best_acc = 0.0 num_epochs = 60 for epoch in range(num_epochs): model.train() train_loss = 0.0 train_correct = 0 train_total = 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 += loss.item() * images.size(0) _, predicted = torch.max(outputs, 1) train_total += labels.size(0) train_correct += (predicted == labels).sum().item() # 验证阶段 model.eval() val_correct = 0 val_total = 0 all_val_labels = [] all_val_preds = [] with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs, 1) val_total += labels.size(0) val_correct += (predicted == labels).sum().item() all_val_labels.extend(labels.cpu().numpy()) all_val_preds.extend(predicted.cpu().numpy()) train_acc = train_correct / train_total val_acc = val_correct / val_total avg_train_loss = train_loss / train_total if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "best_model.pth") print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {avg_train_loss:.4f}, " f"Train Acc: {train_acc:.4f}, Val Acc: {val_acc:.4f}")这份代码是项目的主干逻辑。训练阶段需要计算梯度并更新参数，验证阶段则需要关闭梯度并保持模型参数不变，这样才能得到可靠的验证指标。best_model.pth只保存验证集上表现最好的那次权重，这是日常训练中一段非常实用的习惯。
3.4 单张图片预测与GUI演示界面
模型训练结束后，你需要写一个预测脚本，能够读取一张图片、输出预测类别和置信度。一个比较标准的函数如下：
def predict_image(image_path, model, device): image = Image.open(image_path).convert("RGB") image = val_transforms(image).unsqueeze(0).to(device) model.eval() with torch.no_grad(): outputs = model(image) probabilities = torch.softmax(outputs, dim=1) confidence, predicted = torch.max(probabilities, 1) class_names = ["闭眼", "睁眼"] result = class_names[predicted.item()] return result, confidence.item()这里有个细节：为什么预测时要把HxWxC的图片变成1xCxHxW的张量？因为模型的输入维度是N,C,H,W，其中N代表Batch维度。即使只有一张图片，也要扩充一个维度。unsqueeze(0)就是在最前面加上这个维度。
如果你想让演示效果更直观，可以用tkinter或streamlit写一个简单的图形界面。前者适合本地桌面演示，后者适合在答辩时用浏览器展示。很多同学直接拿命令行跑，效果不够亮眼，一个简单的上传图片并显示预测结果的小界面，能显著提升项目的完成度。
3.5 结果可视化：训练曲线与混淆矩阵
训练完成后，把训练Loss、训练准确率和验证准确率画成曲线图，这是你在论文里第一个要塞进去的图。同时，在测试集上跑一遍，生成混淆矩阵，展示每个类别的TP、FP、FN、TN分布。这些既是你评估模型的依据，也是答辩PPT的一手素材。
混淆矩阵画法推荐用sklearn.metrics.confusion_matrix加matplotlib的imshow实现，几十行代码就能做得很漂亮。重点是在矩阵的每个格子里标出具体数值，评委一眼就能看出模型在哪些样本上容易混淆。
4. 常见问题与排查技巧实录
4.1 模型准确率一直保持在50%左右，像随机猜测
这种情况我见过太多次了。问题往往出在以下几个方面：
第一，数据标签错乱。检查训练集目录下的文件夹名和图片内容是否匹配——你真的确认“closed”文件夹里的图片都是闭眼状态吗？建议随机抽几批图片人工确认。
第二，学习率设置不合理。学习率太大，损失会在一个高位来回震荡无法收敛。如果损失曲线像锯齿一样大幅波动，就把学习率除以10试试。
第三，模型没有正确训练。检查是否所有层都调用了requires_grad_()，或者在训练循环里是否忘记optimizer.zero_grad()。这个问题非常隐蔽，因为代码不会报错，只是每次梯度都会累加，更新方向非常混乱。
第四，网络最后一层激活函数是否和损失函数配套。使用CrossEntropyLoss时，网络的输出应该是未经Softmax的logits，而不是经Softmax后的概率。如果你在最后一层加了Softmax，再用交叉熵，训练初期容易出现梯度消失或者收敛非常缓慢的问题。
4.2 训练集准确率很高，验证集准确率上不去
这就是典型的过拟合。核心解决思路是增强模型的泛化能力，实操中按优先级排序：
- 增加数据增强的强度，特别是随机旋转和亮度变化。猫的眼睛在不同光线下的表现差异很大，如果训练数据清一色是明亮环境，换到昏暗环境就容易翻车。
- 在全连接层前增加
Dropout层，或者把Dropout的概率从0.3调到0.5。 - 减少模型参数规模，比如把卷积层的通道数从
64/128/256降到32/64/128。数据集只有几千张的情况下，不需要很重的模型。 - 提前停止训练，以验证集指标最优的Epoch为准，而不是一味追求训练集上的表现。
- 使用早停机制，如果验证集连续多个Epoch没有提升，就终止训练并恢复历史最优权重。
4.3 程序报维度错误，mat1 and mat2 shapes cannot be multiplied
这是PyTorch入门最常见的问题。原因在于全连接层的输入维度与实际特征图展平后的维度不一致。解决办法是在正式训练前，写一段代码打印每一层输出的特征图尺寸：
dummy = torch.randn(1, 3, 128, 128) x = model.features(dummy) print(x.shape) # 比如 torch.Size([1, 128, 16, 16])然后根据实际打印结果来设置nn.Linear的输入维度。如果你修改了网络结构，这个值一定要重新计算。
4.4 训练和预测时图片颜色偏差大
这个问题出在归一化处理不一致。如果你训练时使用的Normalize参数是ImageNet的均值标准差，预测时也必须用一模一样的参数。很多人预测时随手只用了ToTensor()，导致模型输入的分布和训练时完全不同，效果自然大打折扣。请一定把预处理流程统一封装成一个函数或transforms.Compose对象，保证训练和推理走同一个流程。
4.5 硬件资源不足导致训练崩溃
如果显存不足，优先把Batch Size减半，从32降到16，再不够就降到8。如果CPU内存不足，把num_workers设为0，关掉多线程数据加载。毕设项目的数据量不大，这些调整对最终效果的影响很小，优先保证程序能稳定跑完。
5. 从毕设到工程落地的扩展建议
5.1 部署形态：命令行脚本如何变成可演示的产品
如果你想让答辩演示更出彩，我建议至少做成两种展示形式。第一种最简单：命令行脚本，输入图片路径，输出疲劳判断结果和置信度。第二种是带界面的应用：用tkinter或streamlit写一个交互页面，用户上传一张猫的图片，界面显示“睁眼/闭眼”以及置信度百分比。我实际测试过，基于streamlit的方案开发效率很高，布局自动适配浏览器，不用纠结控件细节：
import streamlit as st from PIL import Image st.title("猫疲劳识别系统") uploaded_file = st.file_uploader("上传一张猫的图片", type=["jpg", "png", "jpeg"]) if uploaded_file is not None: image = Image.open(uploaded_file).convert("RGB") st.image(image, caption="待检测图片", use_column_width=True) result, confidence = predict_image(image, model, device) st.success(f"识别结果：{result}，置信度：{confidence:.2%}")5.2 模型轻量化与部署参考
如果你的项目报告中想提一句“后续可拓展”，可以简单带上两组关键词：模型蒸馏和ONNX导出。把训练好的PyTorch模型转换为ONNX格式：
dummy_input = torch.randn(1, 3, 128, 128).to(device) torch.onnx.export(model, dummy_input, "model.onnx", opset_version=11, input_names=["input"], output_names=["output"])这样导出的模型可以部署到手机端、Web端甚至树莓派上。对于答辩来说，这不仅仅是加分项，也证明了你不只会调包，还具备工程化思维。
5.3 答辩高频问题统一准备
根据我对毕设答辩的观察，评委围绕这类项目最爱问的问题基本固定，提前准备就好：
问：为什么选择CNN而不是更传统的机器学习方法（如SVM、KNN）？答：传统方法需要人工设计特征（如HOG、LBP），对光线、角度、遮挡的鲁棒性差；CNN通过卷积核自动提取层次化特征，无需手工设计，且在图像分类任务上有明显的性能优势。
问：你的模型在真实场景中误判的主要原因是什么？答：主要是数据集和真实场景存在分布差异。比如真实场景中的猫可能戴项圈、有不同品种的眼部形态差异、光线不均、运动模糊等。可以通过扩充数据集、加入更多增强策略来缓解。
问：二分类怎么做成多分类？答：如果要做“清醒、轻度疲劳、深度睡眠”三分类，只需要修改全连接层输出维度为3，并重新组织数据集即可。网络结构不需要大改。
这些问题准备好，再加上你确实跑通了全部流程、理解了每一行代码的含义，答辩就没有太大压力。
6. 一些真实体会和避坑心得
项目的核心任务其实不算难，但把整个链路完整走通并理解其原理，是一个非常有价值的学习过程。我自己当初做类似项目时踩过的坑，现在总结下来就几条，分享给你：
第一，不要让“开源数据集”变成黑盒。直接下载现成数据集虽然省事，但你必须亲自可视化一批样本。如果数据本身存在大量噪声，比如标签贴错、图片尺寸异常，你后面再怎么调模型都白搭。花两个小时做数据清洗，能帮你节省两天调试模型的时间。
第二，训练全程一定要保持“观察”的习惯。不要只盯着最终准确率，每个Epoch的损失值和验证集表现都很重要。训练曲线是最好的诊断工具，曲线不平滑、早期下降过快或过慢，都意味着参数或者数据有问题。
第三，任何时候都要有“最小可行验证”的意识。我先用非常小的数据集、非常小的模型跑通全流程，确定代码没有逻辑错误、评估指标能够正常计算，再换成完整数据集做正式训练。这个习惯能避免很多“训练了五小时后发现代码有bug”的崩溃瞬间。
最后多说一句，项目演示时，准备几组真实的现场图片非常有用。不要只拿训练集中的图片测试，用手机随便拍几张不同光线条件下的猫照片，模型能给你直观反馈。如果识别错了，也不要慌，这反而是展示你分析能力的机会——你能解释清楚为什么错，比模型永远正确更能体现你的专业水平。
这次从选题拆解到数据集制作，从网络结构到训练流程，从踩坑记录到答辩建议，基本把“用CNN做猫疲劳识别”这个毕业设计会涉及到的内容都聊透了。剩下的事情就简单了，找一台电脑、把代码跑起来、把报告写完整。
