项目标题是「PyTorch框架学习 2. 手写数字识别问题」我按一线调模型的实际顺序把它拆开讲数据管道、模型结构、训练循环、调参记录、报错排查最后补上几条工程化习惯。全是能直接抄去跑的代码和我踩过的坑建议对着自己的环境边看边敲。1. 先把这件事的定位摆正1.1 手写数字识别到底在解决什么问题手写数字识别这件事说白了就是给一张 28×28 的灰度小图让模型回答一个问题这张图上是 0 到 9 里的哪一个数字。输入是一个 28×28 的矩阵每个像素 0~255输出是 10 个类别的概率分布属于最典型的单标签多分类任务。它之所以被无数教程当作 PyTorch 的入门第二课不是因为任务本身有多难而是因为它把深度学习里所有的基础零件都用上了数据加载、张量变换、网络定义、前向传播、损失计算、反向传播、参数更新、评估验证一个都不缺而且单卡 CPU 跑几分钟就能出结果。从行业角度看这个任务的真实价值在于它是最廉价的验证场。你要试一个新的优化器、一个新的数据增强策略、一套新的训练循环写法先在它上面跑通比直接上大模型省下几百倍的时间。我在实际工作里带新人第一周基本都让他们在这个数据集上把整套流程手写三遍不许复制粘贴目的就是让每一个 API 调用都落到肌肉记忆里。因为后面做图像分类、做检测、做分割骨架是同一副骨架只是零件变复杂了。适合谁来读刚学完张量基本操作、知道nn.Module是干什么但还没独立写过完整训练脚本的人或者早就用高层封装跑通过、但说不清zero_grad为什么必须写的人。如果你已经能闭眼写出训练循环这篇里关于归一化、设备一致性、loss.item()的那几段仍然值得扫一眼这些都是面试和实际项目里最容易翻车的地方。1.2 从调库跑通到真正懂之间差了什么很多人第一次跑这个任务是照着某个教程把代码敲进去看到屏幕上冒出Epoch 1 loss: 0.3 accuracy: 0.91就觉得完事了。但等自己动手改结构、换数据集、调超参的时候问题就全冒出来了为什么我的测试集准确率一直卡在 10%那不就是瞎猜吗为什么 loss 变成 nan为什么加上 BatchNorm 之后反而掉点这些问题的答案都不在跑通的层面而在每一行代码到底改了什么状态的层面。举个最典型的例子。optimizer.zero_grad()这一行教程里都写但很多人不知道删掉它会怎样。PyTorch 的梯度是累加的不清零的话第二轮迭代的梯度会叠加在第一轮之上效果等价于把学习率偷偷放大短时间看 loss 还在降跑久了就发散或者卡在某个精度上不来。这类删掉一行也能跑但结果不对的隐性问题才是这个任务真正值得反复练的原因。我的建议是跑通之后主动把代码改坏。删掉zero_grad、删掉model.train()、把shuffleTrue改成False、把归一化去掉、把学习率乘 100然后观察每一处改动对 loss 曲线和最终精度的影响。这比看十篇原理讲解都管用因为你亲眼看到了因果。2. 整体方案设计与关键取舍2.1 数据管道为什么先别急着写模型新手最容易犯的顺序错误是先写网络结构再回头找数据喂进去。结果就是数据形状对不上、通道数不对、标签类型不对一堆报错混在一起根本分不清是模型写错了还是数据有问题。正确的顺序是反过来的先把数据管道跑通用一个 batch 验证输入输出的形状和取值范围确认无误之后再动手搭网络。在 PyTorch 里数据管道由两个组件构成Dataset负责一条样本怎么取DataLoader负责怎么攒成 batch、要不要打乱、用几个进程加载。对于这个任务内置的datasets.MNIST已经把第一条包了我们只需要配好变换和加载器。from torchvision import datasets, transforms from torch.utils.data import DataLoader transform transforms.Compose([ transforms.ToTensor(), # 把 PIL 图像变成 [0,1] 的张量, 形状 (1,28,28) transforms.Normalize((0.1307,), (0.3081,)) # 按通道做标准化 ]) train_set datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_set datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) train_loader DataLoader(train_set, batch_size64, shuffleTrue, num_workers0) test_loader DataLoader(test_set, batch_size256, shuffleFalse, num_workers0)这里每一行都有讲究。ToTensor()不只是转类型它同时把 0~255 的整数压到 0~1 的浮点这一步直接决定了后面损失函数的数值量级漏掉就会出现 loss 大到梯度爆炸的情况。Normalize的 0.1307 和 0.3081 是这个数据集训练集的像素均值和标准差属于业界约定俗成的经验值照抄就行不用自己重新统计。shuffleTrue只给训练集加验证集和测试集千万不要打乱虽然打乱不影响整体准确率但会让你在做错例分析的时候对不上位置纯属自找麻烦。num_workers在笔记本和 Windows 环境下建议先设 0设大了容易在启动阶段卡死等确认流程没问题再往上调。注意downloadTrue只在第一次需要它会去官方地址拉数据。如果你的网络环境不通提前把压缩包放到root目录下然后把download设成False避免每次启动都卡在下载环节。数据管道验证起来很简单取一个 batch 打印形状就够了images, labels next(iter(train_loader)) print(images.shape, images.dtype, labels.shape, labels.dtype) # 期望输出: torch.Size([64, 1, 28, 28]) torch.float32 torch.Size([64]) torch.int64形状是[batch, channel, height, width]这是 PyTorch 的固定顺序跟某些框架的通道在后完全不同卷积层和全连接层接的时候最容易在这里出问题。标签的 dtype 必须是int64也就是long因为交叉熵损失内部要拿它做索引查表传 float 会直接报错。2.2 模型结构全连接到卷积该怎么选这个任务的模型有两档选择我用一张表把差别摆清楚维度全连接网络MLP小卷积网络CNN参数量约 23 万28×28×256 那一层就占 20 万约 5 万但有效感受野更大训练速度CPU快慢 2~3 倍3 轮后测试精度约 97%约 99%对平移的鲁棒性差像素挪一格就全变好卷积核自带平移共享适合练什么练训练循环、练张量变形练结构设计、练 BN 与 Dropout入门阶段我建议两条都写。先写全连接版本因为它简单到没有隐藏变量能让你专注在训练流程上跑通之后再换卷积版本用同一套训练代码你就能直观感受到模型结构带来的收益。这种对比实验的价值远大于单纯把精度刷到 99%。全连接版本的关键是那一次形状展平import torch.nn as nn class MLP(nn.Module): def __init__(self): super().__init__() self.net nn.Sequential( nn.Flatten(), # [B,1,28,28] - [B,784] nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 128), nn.ReLU(), nn.Linear(128, 10) # 输出 10 个 logits ) def forward(self, x): return self.net(x)卷积版本我倾向在小网络上就加上 BatchNorm 和 Dropout不是为了刷分而是为了让这两个组件在简单场景下先正常出现过一次你才知道它们正常时的表现是什么样class SmallCNN(nn.Module): def __init__(self): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 32, kernel_size3, padding1), # 28x28 - 28x28 nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 28x28 - 14x14 nn.Conv2d(32, 64, kernel_size3, padding1), # 14x14 - 14x14 nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2) # 14x14 - 7x7 ) self.classifier nn.Sequential( nn.Flatten(), # [B,64,7,7] - [B,3136] nn.Linear(64 * 7 * 7, 128), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(128, 10) ) def forward(self, x): return self.classifier(self.features(x))2.3 训练三件套损失、优化器、评估指标怎么定损失函数这里没有别的选择多分类单标签就用交叉熵。但有一个细节必须说清楚PyTorch 的nn.CrossEntropyLoss内部已经把log_softmax和nll_loss合在一起了所以网络的最后一层必须输出原始 logits绝对不能在后面再接一个softmax。接了会怎样模型依然能训但梯度被压缩收敛变慢而且你在算 loss 的时候相当于对已经归一化的分布再做一次 softmax数值上就不对了。这个坑初学者踩得最多因为从输出概率的直觉出发加 softmax 看起来天经地义。优化器我一般给两个配置SGD(lr0.01, momentum0.9)和Adam(lr1e-3)。前者收敛曲线更平滑适合观察学习率的影响后者对学习率不敏感适合快速拿到一个能用的结果。新手先上 Adam把流程跑通再切回 SGD 体会一下调参的必要性。评估指标就用准确率别一上来就搞 F1、AUC。这个数据集类别基本均衡准确率足够说明问题。但要注意准确率的算法把整个 batch 的预测和标签比较后求和而不是算每个 batch 的准确率再平均。后者在最后一个 batch 不满的时候会有偏差虽然这里样本数刚好整除但养成习惯总没错。3. 核心代码逐段拆解与实操要点3.1 训练循环五行代码里的五个坑训练循环是所有教程都会给的那十行但真正决定你能不能训出结果的就是这十行里的顺序和细节。def train_one_epoch(model, loader, criterion, optimizer, device): model.train() # 坑 1: 忘了切换模式 total_loss, correct, total 0.0, 0, 0 for images, labels in loader: images, labels images.to(device), labels.to(device) # 坑 2: 只搬了一半 optimizer.zero_grad() # 坑 3: 忘了清零, 梯度累加 logits model(images) loss criterion(logits, labels) loss.backward() optimizer.step() total_loss loss.item() * images.size(0) # 坑 4: 直接累加 loss correct (logits.argmax(dim1) labels).sum().item() total images.size(0) return total_loss / total, correct / total坑一model.train()和model.eval()。它们影响的是 BatchNorm 的统计量更新和 Dropout 的开关。训练时不写model.train()如果你的模型是新建的默认就是训练模式看起来没事但一旦你从评估阶段切回来忘了切BN 会用推理时的滑动均值Dropout 也不起作用表现出来就是精度莫名其妙上不去。坑二设备一致性。images.to(device)写了labels.to(device)忘了报错信息是Expected all tensors to be on the same device指向的却是损失函数那一行很容易看错地方。更隐蔽的情况是模型没搬model.to(device)漏了输入在 GPU 上、参数在 CPU 上同样报错。坑三zero_grad()的位置。放在前向之前是最常见的写法也可以放在step()之后效果一样但绝对不能不放。前面说过梯度是累加的遗漏的后果是学习率等效放大训练后期容易震荡。坑四loss.item()。直接写total_loss loss会把整个计算图挂在累加变量上显存一路涨几个 epoch 之后就 OOM。.item()只取标量值断开计算图。同时要注意乘以images.size(0)因为criterion默认返回的是 batch 内的平均值你必须还原成总和再除以总样本数否则最后一个不满的 batch 会带来偏差。坑五argmax(dim1)的方向。logits的形状是[B, 10]要在类别维上取最大值dim1写成dim0就是在 batch 维上取结果完全错而且不报错只是精度一直是十几。这类错误最难查因为程序不会崩只会安静地给你一个垃圾结果。3.2 评估函数与推理脚本评估函数和训练函数的差别不只是with torch.no_grad()还有模式切换和指标统计方式torch.no_grad() def evaluate(model, loader, criterion, device): model.eval() total_loss, correct, total 0.0, 0, 0 for images, labels in loader: images, labels images.to(device), labels.to(device) logits model(images) loss criterion(logits, labels) total_loss loss.item() * images.size(0) correct (logits.argmax(dim1) labels).sum().item() total images.size(0) return total_loss / total, correct / totaltorch.no_grad()是必须的它不是优化而是正确性问题加上内存问题。评估阶段不需要梯度不关掉的话每个 batch 都会构图显存快速堆满而且速度慢一截。用装饰器比用with包裹整个循环更省事也不容易漏。单独写一个推理函数对着单张图用是排查问题的利器。训练完之后发现某张图预测错了直接把那张图塞进去看输出分布比盯着准确率数字有用得多torch.no_grad() def predict_one(model, image, device): model.eval() image image.unsqueeze(0).to(device) # [1,28,28] - [1,1,28,28] logits model(image) prob torch.softmax(logits, dim1) conf, pred prob.max(dim1) return pred.item(), conf.item()unsqueeze(0)那一步是必须的因为模型期待的是带 batch 维的输入。这里用softmax只是为了把 logits 转成便于人看的置信度不影响模型本身。3.3 训练主循环的组装方式把上面两个函数串起来主循环要处理三件事轮次、日志、保存最优模型。保存这一步很多人省掉导致训完关掉进程模型就没了白跑。device torch.device(cuda if torch.cuda.is_available() else cpu) model SmallCNN().to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) best_acc 0.0 for epoch in range(1, 6): tr_loss, tr_acc train_one_epoch(model, train_loader, criterion, optimizer, device) te_loss, te_acc evaluate(model, test_loader, criterion, device) print(fepoch {epoch} | train loss {tr_loss:.4f} acc {tr_acc:.4f} f| test loss {te_loss:.4f} acc {te_acc:.4f}) if te_acc best_acc: best_acc te_acc torch.save(model.state_dict(), best_mnist.pt)几个细节。保存用state_dict()而不是整个model对象前者只存参数几十 KB后者会把类的定义路径也序列化进去换环境加载容易出问题。日志里训练和测试的 loss 都打出来是为了观察过拟合训练 loss 一直在降、测试 loss 开始回升那就是该停了。best_acc的初始值设为 0.0 而不是某个直觉上的高值保证第一轮一定会存一次。有人设成 0.9结果模型最好只到 0.88一次都没保存上。4. 实测记录与调参经验4.1 基线配置和实际跑出来的数字我记录了一组在单卡机器上的实测结果你可以拿去对照。全连接网络用 Adam、学习率 1e-3、batch size 64跑 5 个 epoch卷积网络用同样的优化器和学习率也跑 5 个 epoch。模型参数量第 1 轮第 3 轮第 5 轮单轮耗时CPUMLP(784-256-128-10)约 23.5 万94.1%96.8%97.4%约 18 秒SmallCNN约 5.0 万98.2%98.9%99.1%约 45 秒第一轮就能看到差距卷积网络的起点比全连接网络高三到四个点这不是训练技巧的功劳纯粹是结构先验更贴合图像数据。像素之间的空间关系被卷积核显式利用了而全连接层把 28×28 拉平之后相邻像素和隔 28 个位置的像素在它眼里没有本质区别。还有一个反直觉的现象MLP 的参数量是 CNN 的四倍多效果反而更差。这件事很好地说明了一个道理参数量不等于表达能力归纳偏置比参数堆叠更重要。后面你在真实项目里做选型时先想数据结构适合什么网络再想加大模型顺序不能反。4.2 学习率与 batch size 的联动学习率是这个任务上最敏感的超参。同一份代码学习率从 1e-3 改成 0.1第一轮 loss 直接从 0.5 蹦到 2.3 然后卡住不动因为步子太大直接跨过了最优区域。改成 1e-5loss 降得极慢5 个 epoch 下来准确率还不到 80%你会误以为是模型有问题。我用 Adam 试了三档结果如下学习率第 1 轮测试精度第 5 轮测试精度现象1e-297.9%98.4%前期掉点后期震荡不稳定1e-398.2%99.1%平稳推荐起点1e-496.5%98.6%收敛慢5 轮还没到位1e-588.1%91.2%明显欠拟合batch size 的影响没有学习率那么大但它和学习率是有联动的。batch 变大梯度的方差变小理论上可以用更大的学习率。在 batch64 时用 1e-3 很稳如果把 batch 提到 5121e-3 就显得偏小收敛会慢一些。不过在这个任务规模下我不建议细调这个收益远不如换模型结构。提示如果你用 SGD学习率要给到 0.01 到 0.05 之间还要配 momentum 0.9。SGD 在这个任务上收敛曲线比 Adam 更教科书画适合用来演示学习率的作用但实践里我一般还是先用 Adam 拿到基线。4.3 归一化到底带不带一次对照实验这个实验我强烈建议你自己跑一遍因为它打破了很多人的直觉。我把Normalize去掉其余配置完全一致用 SmallCNN 跑 5 轮配置第 1 轮测试精度第 5 轮测试精度ToTensor Normalize98.2%99.1%仅 ToTensor不归一化97.6%98.8%差距不算悬殊但收敛速度确实有区别前两轮尤其明显。原因是未归一化的输入取值范围是 0~1均值不在 0 附近第一层的梯度尺度不均衡优化器需要多走几步才能把权重调整过来。归一化之后输入分布更接近标准正态各维度的梯度尺度更一致。这个经验在真实项目里会放大很多倍。我做过一个图像任务输入是 16 位深度的医学影像不归一化直接训loss 在几十的量级上下横跳归一化之后立刻开始稳定下降。所以别看这里只差零点几个点这个习惯是要带走的。有一个必须避开的错误训练集和测试集用了不同的变换。我见过有人训练时加了归一化验证时忘了加结果测试精度比训练精度低了二十多个点然后花一整天怀疑模型。数据管道的变换一定要在同一个transform变量里定义训练集和测试集共用从源头上杜绝这种不一致。5. 常见问题排查速查表5.1 精度类问题的定位顺序精度上不去是最难查的一类问题因为程序不报错。我按排查成本从低到高列了一个顺序照着走基本能在半小时内定位。现象最可能的原因排查动作测试精度恒定在 10% 左右输出维度错、argmax维写错、或模型根本没在学打印一个 batch 的 logits看是不是全一样训练精度高、测试精度低 15 点以上训练测试变换不一致或者数据泄漏对比两边的transform检查数据集有没有重叠loss 一直不动稳定在 2.3 附近学习率太小或者梯度没回传打印参数梯度范数确认非零loss 变 nan学习率过大或者输入未归一化导致溢出学习率降一个数量级补上归一化前几轮正常后面突然崩梯度累加没清零等效学习率越来越大检查zero_grad()是否在循环内精度在 90% 左右卡死能力不足全连接网络的天花板换卷积结构这里第一条恒定 10%值得展开。10 个类别瞎猜的期望准确率就是 10%所以看到这个数字基本可以断定模型输出的是一个常量分布或者预测结果和标签的对应关系完全错位。打印logits[0]看一眼如果十个值一模一样说明网络没学到东西如果值有差异但预测全是同一个数字那多半是数据管道里标签被打乱了或者学习率大到让权重直接塌陷。第二条训练测试差 15 点很多人第一反应是过拟合然后加 Dropout、加正则。但在这个任务上5 个 epoch 的模型不可能过拟合到这种程度。更常见的原因是训练和测试的变换不一致或者你评估的时候忘了model.eval()BatchNorm 还在用当前 batch 的统计量。先查这两项再考虑正则。5.2 报错类问题与设备一致性报错信息看着吓人但类型其实很有限。我把踩过的几类整理成速查报错关键字原因修法Expected all tensors to be on the same device模型或数据有一边没搬到目标设备检查model.to(device)和每个 batch 的.to(device)Expected object of scalar type Long标签是 float标签做.long()交叉熵只认 int64mat1 and mat2 shapes cannot be multiplied全连接层输入维度算错手算一遍展平后的维度或用print(x.shape)逐层验CUDA out of memory累加 loss 时保留了计算图改成loss.item()RuntimeError: DataLoader worker exited unexpectedlynum_workers过大或平台限制先设成 0确认流程后再调加载模型时报weights_only相关警告新版默认行为变化显式传weights_onlyTrue纯权重设备一致性这个问题我想多说两句。它之所以高频是因为一台机器上 CPU 和 GPU 是两个世界而 PyTorch 不会自动帮你搬。我的做法是在脚本开头就把device定好然后在三个固定位置检查模型创建后立刻.to(device)每个 batch 的图像和标签一起搬保存和加载时用map_location指定位置。model SmallCNN().to(device) state torch.load(best_mnist.pt, map_locationcpu, weights_onlyTrue) model.load_state_dict(state)map_location的作用是让权重在指定设备上还原。你在 GPU 上存的权重拿到没有 GPU 的机器上直接load会报错加了map_locationcpu就没事。反过来也成立加载完之后再把模型整体搬到 GPU。6. 几条值得带着走的工程习惯6.1 随机种子让结果可复现这个任务上有个很现实的困扰同样的代码跑两遍精度差 0.3 个点你就分不清是改动生效了还是随机波动。解决办法是固定种子import random import numpy as np import torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark False set_seed(42)要注意deterministicTrue会让部分卷积算法退回到不那么快的实现速度会慢一些。所以我建议的开发节奏是调参实验阶段开确定性保证对比公平最终跑正式结果的时候关掉追求速度。这两件事不要同时图省事。固定种子还有一个用处排查问题时能稳定复现。前端时间我遇到一个偶发的 loss 变 nan固定种子之后重新跑第三次迭代必现然后在那个 batch 上打印输入的最大值发现是一条极端样本问题直接定位。没有种子的话这类偶发问题能耗掉一整天。6.2 把训练和推理拆成两个文件单文件脚本在入门阶段没问题但只要你要拿它做点别的事就会发现混在一起很麻烦。我的习惯是拆成三个部分数据与模型定义放一个文件训练脚本放一个推理脚本放一个中间用state_dict文件做桥梁。推理脚本大概长这样二十行以内能直接接收一张图输出结果import torch from PIL import Image from torchvision import transforms def build_transform(): return transforms.Compose([ transforms.Grayscale(1), transforms.Resize((28, 28)), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) def load_model(path, device): model SmallCNN().to(device) model.load_state_dict(torch.load(path, map_locationdevice, weights_onlyTrue)) model.eval() return model def infer(model, image_path, device): tf build_transform() img Image.open(image_path).convert(L) x tf(img).unsqueeze(0).to(device) with torch.no_grad(): logits model(x) return logits.argmax(dim1).item()这里有几个容易漏的点。convert(L)是把彩色图转灰度如果你的输入是手机拍的彩色照片不转的话通道数对不上。Resize((28, 28))是必须的因为真实拍的照片尺寸不固定。最重要的是变换顺序必须和训练时完全一致ToTensor在Normalize之前Resize在ToTensor之前顺序错了数值就不对预测结果会很离谱而且看不出原因。还有一个我踩过的坑真实手写数字和这个数据集里的样本风格差别很大。数据集里是居中、规整、笔画粗细均匀的样本你用手机拍的往往是偏斜的、有阴影的、笔画占了整张图的。直接把拍的照片缩到 28×28 喂进去准确率会掉得很厉害。要解决的话得在预处理里加一步居中裁剪把数字的外接框找出来缩放到 20×20 再贴到 28×28 的画布中心尽量向数据集的分布靠。这套预处理反而比调模型更见效。6.3 关于训练轮数的一个经验判断很多人问这个任务到底该训多少轮。我的答案是不看轮数看测试 loss 的拐点。前面那组数据里CNN 在第 3 轮就到 98.9%第 5 轮 99.1%边际收益已经很小了再往后跑测试 loss 大概率开始回升。所以 3 到 5 轮是个合理的区间具体数字按你的机器和时间定。判断标准我给一个可操作的连续两轮测试准确率提升小于 0.2 个点就停。这个阈值不是拍脑袋来的在这个数据集上测试集有一万张样本0.2 个点就是 20 张图属于正常波动范围再训下去提升的东西很可能只是噪声。训练完之后我建议做一件教程里很少提但特别有用的事把预测错的样本挑出来看一遍。代码不长价值很高torch.no_grad() def dump_errors(model, loader, device, max_show20): model.eval() shown 0 for images, labels in loader: images, labels images.to(device), labels.to(device) preds model(images).argmax(dim1) mask preds ! labels for img, p, t in zip(images[mask], preds[mask], labels[mask]): if shown max_show: return print(f预测 {p.item()} / 真实 {t.item()}) shown 1看完之后你会发现错的那几十张基本集中在几种情况写得像 4 也像 9 的、笔画断开的 8、写法极端的 7。这些是人类看都费劲的样本模型错得不冤。搞清楚错误分布比盲目加层数有意义得多。最后分享我自己带人时常说的一句话这个任务的价值不在 99% 这个数字上而在于它是唯一一个你能在两小时内把整套流程改坏、修好、再改坏一遍的地方。真正到了大项目里你没有这样的试错空间。所以别急着往下学检测和分割先把这里每一行代码删一遍、跑一遍、看一遍日志该踩的坑在这个阶段踩完后面能省下大量时间。