选视觉骨干网络别只盯着参数量Swin-Large 的 228M 参数到底强在哪一次讲透【免费下载链接】swin_large_patch4_window7_224.ms_in22k项目地址: https://ai.gitcode.com/hf_mirrors/timm/swin_large_patch4_window7_224.ms_in22k开篇当模型选择困难症找上门朋友最近做项目遇到了一个经典难题手里的图像分类任务要选骨干网络候选名单从 ResNet 到 ViT 列了一长串模型仓库里还躺着一堆看起来差不多的 Swin 变体。他问我模型一个比一个大我到底该选哪个参数多是不是就一定好这个问题其实戳中了很多人的痛点——模型名字越长越不敢下手担心跑不动、用不好、选了又后悔。今天我就拿仓库里这个swin_large_patch4_window7_224.ms_in22k当样本把选骨干网络这件事拆开聊清楚。它顶着 228M 参数的大个头在 ImageNet-22k 上预训练过背后是微软研究院提出的 Swin Transformer 架构。读完这篇文章你不仅能搞懂它内部是怎么工作的还能直接上手把它跑起来甚至知道什么时候该选它、什么时候该绕开它。白话原理课它究竟是怎么看图的先别急着背术语我们用一个场景来理解 Swin 的思路。想象你站在一幅巨大的画作前要想看懂它你会怎么做正常人不会一眼扫完全画就下结论而是先看整体轮廓这幅画是什么色调、什么构图再走近看局部细节人物表情、树叶纹理。这个先看个大概、再细看局部的过程就是 Swin Transformer 分层结构的核心思想它和人眼的天然习惯不谋而合。传统的 ViT 模型是怎么做的它把整张图一次性切成几百个小块然后让所有小块之间互相对话计算注意力。这种做法的代价是小块数量越多计算量按平方级别暴涨图像一大就跑不动了。Swin Transformer 换了套打法它有三板斧第一板斧局部注意力相当于滑动的取景框。它不让所有图像小块都互相认识而是先把图面划成一个个 7×7 的小窗口注意力只在窗口内部计算。窗口就好比一个取景框局部算完再整体挪动取景框的位置让不同窗口之间产生信息交换。这样一来单次计算量被牢牢锁死在窗口大小内不再随图像尺寸平方爆炸。第二板斧分层金字塔相当于由粗到细的看图过程。模型分四个阶段逐层处理每一层都会把特征图缩小一半同时把通道数加厚。从最初的细粒度小图块一步步浓缩成语义越来越强的大图块。这正是它能像 CNN 一样成为万能骨干的关键——检测、分割这类任务天然需要多尺度特征。第三板斧相对位置编码相当于给每个取景框里的物体标上方位。普通的注意力机制对位置不敏感Swin 则在计算时额外注入各小块之间的相对偏移量让模型知道这块在上方、那块在左侧空间感一下子就出来了。一句话总结它用取景框压住了计算量用金字塔拿到了多尺度用相对位置编码补上了空间感。这三招组合起来就是Swin 为什么能又准又省的答案。数字背后的门道228M 参数到底买到了什么光看参数多说明不了任何问题。我们把这些数字掰开揉碎看看它们各自在讲什么故事。228.6M 参数意味着什么它代表模型有约 2.3 亿个可学习的权重这是一个大体量选手。体型大的好处是容量足能装下 ImageNet-22k 那种千万级图像里提炼出的丰富视觉知识代价则是推理更慢、显存占用更高。换句话说它买的是上限不是下限。34.6 GMACs 的计算量好还是坏放在 228M 参数这个体量下看34.6 的 GMACs 其实是相当划算的。因为窗口注意力的存在计算量没有随 token 数平方爆炸而是被压制在接近线性的水平。做个粗对比传统全局注意力的 ViT 在同等输入下计算量通常要高出一个量级。这就是它重而不笨的底气。224×224 的输入尺寸意味着什么这是模型的设计分辨率也是推理时最省事的尺寸。它背后还有一层含义config.json里标注了fixed_input_size: true说明这个预训练配置是围绕 224 分辨率调优的想换更大分辨率不是不行但要付出额外的微调代价。21841 个类别从哪来的这是 ImageNet-22k 数据集的类别数。注意这个数字本身不重要重要的是它泄露了一个信息这个模型见过 1400 万张、跨越 2 万多个类别的图片通用视觉知识储备非常厚实。你在下游任务微调时等于站在一个读过万卷书的肩膀上。1536 维特征向量用来干嘛这是模型最终输出的特征维度。用num_classes0去掉分类头后每张图会被压缩成一个 1536 维的向量这个向量就是图像嵌入可以直接拿去检索、聚类或作为其他模型的输入。预处理三件套mean/std/crop_pct为什么不能瞎改均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225] 是训练时用的归一化参数crop_pct0.9表示推理时按 90% 的比例裁剪后缩放。这些数字和权重是配套的用 timm 的resolve_model_data_config自动取就行别手写错。很多人踩过模型精度莫名其妙掉几个点的坑往往就是预处理跟训练时不一致。手把手实战把模型跑起来亲眼看看理论说再多不如跑一次。我们用一个真实的小任务把整条链路走通。第一步准备环境。只需要三个库其中 timm 是加载模型的主力pip install timm torch pillow如果你想把权重文件放在本地、离线使用也可以先把这个仓库克隆下来git clone https://gitcode.com/hf_mirrors/timm/swin_large_patch4_window7_224.ms_in22k第二步加载模型 自动预处理。用 timm 最省心的地方在于它会把上面那套 mean/std/crop_pct 参数打包好你一行代码就能拿到和训练时完全一致的预处理流程import torch from PIL import Image import timm model timm.create_model(swin_large_patch4_window7_224.ms_in22k, pretrainedTrue) model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse)注意eval()这一步模型里有 DropPath 之类的训练专用机制不切到评估模式输出结果是不稳定的。第三步推理看它认不认识这张图。我们拿一张本地图片试试img Image.open(your_image.jpg).convert(RGB) out model(transforms(img).unsqueeze(0)) # 加一维变成 batch1 probs, idx torch.topk(out.softmax(dim1) * 100, k5) print(probs, idx) # 前5名置信度与类别编号softmax(dim1) * 100是把分数转成百分比概率topk(k5)取前五名。如果是 in22k 权重类别编号对应 ImageNet-22k 的类别表跟常见的 1000 类索引并不一样注意别对错表。第四步把模型当特征提取器用。很多任务其实不需要最后的分类头我们要的是中间层的特征图。设置features_onlyTrue后模型会吐出四个阶段的特征金字塔model timm.create_model( swin_large_patch4_window7_224.ms_in22k, pretrainedTrue, features_onlyTrue, ).eval() outs model(transforms(img).unsqueeze(0)) for o in outs: print(o.shape) # 输出示例Swin 是 NHWC 布局 # torch.Size([1, 56, 56, 192]) # torch.Size([1, 28, 28, 384]) # torch.Size([1, 14, 14, 768]) # torch.Size([1, 7, 7, 1536])看到没这就是前面说的分层金字塔的直观证据空间分辨率 56→28→14→7 逐层减半通道数 192→384→768→1536 逐层加厚。这四个尺度的特征图正是目标检测FPN和语义分割U-Net 风格解码器最需要的东西。第五步拿图像嵌入。如果你想要一个 1536 维的图向量去掉分类头即可model timm.create_model( swin_large_patch4_window7_224.ms_in22k, pretrainedTrue, num_classes0, ).eval() emb model(transforms(img).unsqueeze(0)) # 形状 (1, 1536)可直接用于检索/聚类到这里推理、特征提取、嵌入三大用法就全跑通了。接下来聊聊进阶玩法。进阶技巧与避坑从能用到好用技巧一微调时别把分类头建错。这个模型的原始分类头是 21841 维的下游任务一般只有几十到几千类。正确做法是新建一个随机初始化的头只训练新头、冻结主干或者用较小的学习率微调主干。timm 里传num_classes你的类别数会自动替换分类头预训练权重不受影响。技巧二理解 in22k 和 in1k 的区别再下手。名字里的ms_in22k表示这套权重只在 ImageNet-22k 上预训练没有经过 ImageNet-1k 的微调。这意味着它的原始分类能力直接用并不理想类别体系是 22k 的但它作为迁移学习的起点反而更纯粹、更通用。如果你只是想要一个开箱即用的 1000 类分类器请去换_in1k版本。技巧三换分辨率要三思。fixed_input_size: true意味着权重是为 224 分辨率调校的。强行喂 384×384 的图模型虽然能跑但相对位置编码的比例和窗口划分都会错位精度会打折扣。如果确实需要高分辨率建议对模型做短时微调几百步即可来适配。避坑一显存不够怎么办228M 参数在单张消费级显卡上推理没问题但训练/微调时 batch 别开太大。可以先用torch.cuda.amp混合精度显存立省近一半。避坑二别忽略 NHWC 布局。Swin 的输出是 (B, H, W, C) 而不是 PyTorch 常见的 (B, C, H, W)。做特征图可视化或接下游模块时先确认自己有没有permute正确这个细节坑过很多人。横向对比与选型它适合出现在你的哪个项目里放在同类模型里看Swin-Large 的定位会更清晰vs 小号 Swin如 Swin-TinyTiny 只有 28M 参数速度快、内存友好适合移动端或实时场景Large 精度天花板更高适合质量优先的任务。二者共用同一套架构代码可以无缝切换。vs 经典 CNN如 ResNetSwin 在同等参数下通常精度更高且天然输出多尺度特征但 CNN 生态成熟、推理框架支持广、部署更省心。如果你在工业部署且对延迟极敏感老牌 CNN 依然是稳妥选择。vs 传统 ViT如 ViT-Large两者参数规模接近但 ViT 的全局注意力计算量大得多训练数据需求也更苛刻。Swin 的窗口注意力让它对数据量更宽容这也是它在 ImageNet 上表现亮眼的原因之一。那到底什么时候选它给你一个简单的判断标准你有一个中等规模以上的数据集想做分类、检测或分割且追求效果上限 → 选它用 in22k 权重做迁移学习起点你在做图像检索、向量数据库这类看重特征质量的任务 → 选它1536 维嵌入足够能打你的场景是实时推理、边缘设备、显存捉襟见肘→ 绕开它去挑小号模型你只需要开箱即用的 1000 类分类 → 记得换 in1k 版本。一句话它是能力型选手适合当底座不太适合当快枪手。收尾一个模型两种价值回头再看开头那个问题——参数多是不是一定好现在你心里应该有答案了参数量只是起点关键在于架构怎么把这些参数用起来。Swin-Large 用移动窗口锁住了计算量用分层结构换来了多尺度能力用 22k 的大规模预训练攒下了扎实的视觉知识这三件事加在一起才让 228M 参数显得物有所值。它的价值其实有两层对工程师它是一个即拿即用的高性能骨干分类、检索、特征提取一行代码搞定对学习者它是一份绝佳的架构教材——读懂它你就同时理解了 Transformer、注意力机制和特征金字塔这三块现代视觉的基石。想继续深入的话建议从三处入手一是读原始论文理解移位窗口的数学细节二是翻 timm 的源码看这个模型如何被拆成 Patch Embed、Stage、Head 三个组件三是亲手在你自己数据集上跑一遍微调感受预训练权重带来的加速效果。动手永远是最好的老师。最后按学术惯例给出引用信息方便你在论文或报告中注明出处inproceedings{liu2021Swin, title{Swin Transformer: Hierarchical Vision Transformer using Shifted Windows}, author{Liu, Ze and Lin, Yutong and Cao, Yue and Hu, Han and Wei, Yixuan and Zhang, Zheng and Lin, Stephen and Guo, Baining}, booktitle{Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)}, year{2021} }misc{rw2019timm, author {Ross Wightman}, title {PyTorch Image Models}, year {2019}, journal {GitHub repository}, doi {10.5281/zenodo.4414861} }模型是 MIT 协议开源可以放心用在商业项目里。希望这篇文章能帮你少踩几个坑选对模型跑通任务。下次再有人问模型越大越好吗你大概也能给出一个有层次的答案了。【免费下载链接】swin_large_patch4_window7_224.ms_in22k项目地址: https://ai.gitcode.com/hf_mirrors/timm/swin_large_patch4_window7_224.ms_in22k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 选视觉骨干网络别只盯着参数量：Swin-Large 的 228M 参数到底强在哪，一次讲透
选视觉骨干网络别只盯着参数量Swin-Large 的 228M 参数到底强在哪一次讲透【免费下载链接】swin_large_patch4_window7_224.ms_in22k项目地址: https://ai.gitcode.com/hf_mirrors/timm/swin_large_patch4_window7_224.ms_in22k开篇当模型选择困难症找上门朋友最近做项目遇到了一个经典难题手里的图像分类任务要选骨干网络候选名单从 ResNet 到 ViT 列了一长串模型仓库里还躺着一堆看起来差不多的 Swin 变体。他问我模型一个比一个大我到底该选哪个参数多是不是就一定好这个问题其实戳中了很多人的痛点——模型名字越长越不敢下手担心跑不动、用不好、选了又后悔。今天我就拿仓库里这个swin_large_patch4_window7_224.ms_in22k当样本把选骨干网络这件事拆开聊清楚。它顶着 228M 参数的大个头在 ImageNet-22k 上预训练过背后是微软研究院提出的 Swin Transformer 架构。读完这篇文章你不仅能搞懂它内部是怎么工作的还能直接上手把它跑起来甚至知道什么时候该选它、什么时候该绕开它。白话原理课它究竟是怎么看图的先别急着背术语我们用一个场景来理解 Swin 的思路。想象你站在一幅巨大的画作前要想看懂它你会怎么做正常人不会一眼扫完全画就下结论而是先看整体轮廓这幅画是什么色调、什么构图再走近看局部细节人物表情、树叶纹理。这个先看个大概、再细看局部的过程就是 Swin Transformer 分层结构的核心思想它和人眼的天然习惯不谋而合。传统的 ViT 模型是怎么做的它把整张图一次性切成几百个小块然后让所有小块之间互相对话计算注意力。这种做法的代价是小块数量越多计算量按平方级别暴涨图像一大就跑不动了。Swin Transformer 换了套打法它有三板斧第一板斧局部注意力相当于滑动的取景框。它不让所有图像小块都互相认识而是先把图面划成一个个 7×7 的小窗口注意力只在窗口内部计算。窗口就好比一个取景框局部算完再整体挪动取景框的位置让不同窗口之间产生信息交换。这样一来单次计算量被牢牢锁死在窗口大小内不再随图像尺寸平方爆炸。第二板斧分层金字塔相当于由粗到细的看图过程。模型分四个阶段逐层处理每一层都会把特征图缩小一半同时把通道数加厚。从最初的细粒度小图块一步步浓缩成语义越来越强的大图块。这正是它能像 CNN 一样成为万能骨干的关键——检测、分割这类任务天然需要多尺度特征。第三板斧相对位置编码相当于给每个取景框里的物体标上方位。普通的注意力机制对位置不敏感Swin 则在计算时额外注入各小块之间的相对偏移量让模型知道这块在上方、那块在左侧空间感一下子就出来了。一句话总结它用取景框压住了计算量用金字塔拿到了多尺度用相对位置编码补上了空间感。这三招组合起来就是Swin 为什么能又准又省的答案。数字背后的门道228M 参数到底买到了什么光看参数多说明不了任何问题。我们把这些数字掰开揉碎看看它们各自在讲什么故事。228.6M 参数意味着什么它代表模型有约 2.3 亿个可学习的权重这是一个大体量选手。体型大的好处是容量足能装下 ImageNet-22k 那种千万级图像里提炼出的丰富视觉知识代价则是推理更慢、显存占用更高。换句话说它买的是上限不是下限。34.6 GMACs 的计算量好还是坏放在 228M 参数这个体量下看34.6 的 GMACs 其实是相当划算的。因为窗口注意力的存在计算量没有随 token 数平方爆炸而是被压制在接近线性的水平。做个粗对比传统全局注意力的 ViT 在同等输入下计算量通常要高出一个量级。这就是它重而不笨的底气。224×224 的输入尺寸意味着什么这是模型的设计分辨率也是推理时最省事的尺寸。它背后还有一层含义config.json里标注了fixed_input_size: true说明这个预训练配置是围绕 224 分辨率调优的想换更大分辨率不是不行但要付出额外的微调代价。21841 个类别从哪来的这是 ImageNet-22k 数据集的类别数。注意这个数字本身不重要重要的是它泄露了一个信息这个模型见过 1400 万张、跨越 2 万多个类别的图片通用视觉知识储备非常厚实。你在下游任务微调时等于站在一个读过万卷书的肩膀上。1536 维特征向量用来干嘛这是模型最终输出的特征维度。用num_classes0去掉分类头后每张图会被压缩成一个 1536 维的向量这个向量就是图像嵌入可以直接拿去检索、聚类或作为其他模型的输入。预处理三件套mean/std/crop_pct为什么不能瞎改均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225] 是训练时用的归一化参数crop_pct0.9表示推理时按 90% 的比例裁剪后缩放。这些数字和权重是配套的用 timm 的resolve_model_data_config自动取就行别手写错。很多人踩过模型精度莫名其妙掉几个点的坑往往就是预处理跟训练时不一致。手把手实战把模型跑起来亲眼看看理论说再多不如跑一次。我们用一个真实的小任务把整条链路走通。第一步准备环境。只需要三个库其中 timm 是加载模型的主力pip install timm torch pillow如果你想把权重文件放在本地、离线使用也可以先把这个仓库克隆下来git clone https://gitcode.com/hf_mirrors/timm/swin_large_patch4_window7_224.ms_in22k第二步加载模型 自动预处理。用 timm 最省心的地方在于它会把上面那套 mean/std/crop_pct 参数打包好你一行代码就能拿到和训练时完全一致的预处理流程import torch from PIL import Image import timm model timm.create_model(swin_large_patch4_window7_224.ms_in22k, pretrainedTrue) model.eval() data_config timm.data.resolve_model_data_config(model) transforms timm.data.create_transform(**data_config, is_trainingFalse)注意eval()这一步模型里有 DropPath 之类的训练专用机制不切到评估模式输出结果是不稳定的。第三步推理看它认不认识这张图。我们拿一张本地图片试试img Image.open(your_image.jpg).convert(RGB) out model(transforms(img).unsqueeze(0)) # 加一维变成 batch1 probs, idx torch.topk(out.softmax(dim1) * 100, k5) print(probs, idx) # 前5名置信度与类别编号softmax(dim1) * 100是把分数转成百分比概率topk(k5)取前五名。如果是 in22k 权重类别编号对应 ImageNet-22k 的类别表跟常见的 1000 类索引并不一样注意别对错表。第四步把模型当特征提取器用。很多任务其实不需要最后的分类头我们要的是中间层的特征图。设置features_onlyTrue后模型会吐出四个阶段的特征金字塔model timm.create_model( swin_large_patch4_window7_224.ms_in22k, pretrainedTrue, features_onlyTrue, ).eval() outs model(transforms(img).unsqueeze(0)) for o in outs: print(o.shape) # 输出示例Swin 是 NHWC 布局 # torch.Size([1, 56, 56, 192]) # torch.Size([1, 28, 28, 384]) # torch.Size([1, 14, 14, 768]) # torch.Size([1, 7, 7, 1536])看到没这就是前面说的分层金字塔的直观证据空间分辨率 56→28→14→7 逐层减半通道数 192→384→768→1536 逐层加厚。这四个尺度的特征图正是目标检测FPN和语义分割U-Net 风格解码器最需要的东西。第五步拿图像嵌入。如果你想要一个 1536 维的图向量去掉分类头即可model timm.create_model( swin_large_patch4_window7_224.ms_in22k, pretrainedTrue, num_classes0, ).eval() emb model(transforms(img).unsqueeze(0)) # 形状 (1, 1536)可直接用于检索/聚类到这里推理、特征提取、嵌入三大用法就全跑通了。接下来聊聊进阶玩法。进阶技巧与避坑从能用到好用技巧一微调时别把分类头建错。这个模型的原始分类头是 21841 维的下游任务一般只有几十到几千类。正确做法是新建一个随机初始化的头只训练新头、冻结主干或者用较小的学习率微调主干。timm 里传num_classes你的类别数会自动替换分类头预训练权重不受影响。技巧二理解 in22k 和 in1k 的区别再下手。名字里的ms_in22k表示这套权重只在 ImageNet-22k 上预训练没有经过 ImageNet-1k 的微调。这意味着它的原始分类能力直接用并不理想类别体系是 22k 的但它作为迁移学习的起点反而更纯粹、更通用。如果你只是想要一个开箱即用的 1000 类分类器请去换_in1k版本。技巧三换分辨率要三思。fixed_input_size: true意味着权重是为 224 分辨率调校的。强行喂 384×384 的图模型虽然能跑但相对位置编码的比例和窗口划分都会错位精度会打折扣。如果确实需要高分辨率建议对模型做短时微调几百步即可来适配。避坑一显存不够怎么办228M 参数在单张消费级显卡上推理没问题但训练/微调时 batch 别开太大。可以先用torch.cuda.amp混合精度显存立省近一半。避坑二别忽略 NHWC 布局。Swin 的输出是 (B, H, W, C) 而不是 PyTorch 常见的 (B, C, H, W)。做特征图可视化或接下游模块时先确认自己有没有permute正确这个细节坑过很多人。横向对比与选型它适合出现在你的哪个项目里放在同类模型里看Swin-Large 的定位会更清晰vs 小号 Swin如 Swin-TinyTiny 只有 28M 参数速度快、内存友好适合移动端或实时场景Large 精度天花板更高适合质量优先的任务。二者共用同一套架构代码可以无缝切换。vs 经典 CNN如 ResNetSwin 在同等参数下通常精度更高且天然输出多尺度特征但 CNN 生态成熟、推理框架支持广、部署更省心。如果你在工业部署且对延迟极敏感老牌 CNN 依然是稳妥选择。vs 传统 ViT如 ViT-Large两者参数规模接近但 ViT 的全局注意力计算量大得多训练数据需求也更苛刻。Swin 的窗口注意力让它对数据量更宽容这也是它在 ImageNet 上表现亮眼的原因之一。那到底什么时候选它给你一个简单的判断标准你有一个中等规模以上的数据集想做分类、检测或分割且追求效果上限 → 选它用 in22k 权重做迁移学习起点你在做图像检索、向量数据库这类看重特征质量的任务 → 选它1536 维嵌入足够能打你的场景是实时推理、边缘设备、显存捉襟见肘→ 绕开它去挑小号模型你只需要开箱即用的 1000 类分类 → 记得换 in1k 版本。一句话它是能力型选手适合当底座不太适合当快枪手。收尾一个模型两种价值回头再看开头那个问题——参数多是不是一定好现在你心里应该有答案了参数量只是起点关键在于架构怎么把这些参数用起来。Swin-Large 用移动窗口锁住了计算量用分层结构换来了多尺度能力用 22k 的大规模预训练攒下了扎实的视觉知识这三件事加在一起才让 228M 参数显得物有所值。它的价值其实有两层对工程师它是一个即拿即用的高性能骨干分类、检索、特征提取一行代码搞定对学习者它是一份绝佳的架构教材——读懂它你就同时理解了 Transformer、注意力机制和特征金字塔这三块现代视觉的基石。想继续深入的话建议从三处入手一是读原始论文理解移位窗口的数学细节二是翻 timm 的源码看这个模型如何被拆成 Patch Embed、Stage、Head 三个组件三是亲手在你自己数据集上跑一遍微调感受预训练权重带来的加速效果。动手永远是最好的老师。最后按学术惯例给出引用信息方便你在论文或报告中注明出处inproceedings{liu2021Swin, title{Swin Transformer: Hierarchical Vision Transformer using Shifted Windows}, author{Liu, Ze and Lin, Yutong and Cao, Yue and Hu, Han and Wei, Yixuan and Zhang, Zheng and Lin, Stephen and Guo, Baining}, booktitle{Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)}, year{2021} }misc{rw2019timm, author {Ross Wightman}, title {PyTorch Image Models}, year {2019}, journal {GitHub repository}, doi {10.5281/zenodo.4414861} }模型是 MIT 协议开源可以放心用在商业项目里。希望这篇文章能帮你少踩几个坑选对模型跑通任务。下次再有人问模型越大越好吗你大概也能给出一个有层次的答案了。【免费下载链接】swin_large_patch4_window7_224.ms_in22k项目地址: https://ai.gitcode.com/hf_mirrors/timm/swin_large_patch4_window7_224.ms_in22k创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考