SegFormer
原始文本:
huggingface.co/docs/transformers/v4.37.2/en/model_doc/segformer
概述
SegFormer 模型是由 Enze Xie、Wenhai Wang、Zhiding Yu、Anima Anandkumar、Jose M. Alvarez、Ping Luo 在SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers中提出的。该模型由一个分层 Transformer 编码器和一个轻量级的全 MLP 解码头组成,以在 ADE20K 和 Cityscapes 等图像分割基准上取得出色的结果。
论文摘要如下:
我们提出了 SegFormer,这是一个简单、高效但功能强大的语义分割框架,将 Transformer 与轻量级多层感知(MLP)解码器统一起来。SegFormer 具有两个吸引人的特点:1)SegFormer 包括一个新颖的分层结构 Transformer 编码器,输出多尺度特征。它不需要位置编码,因此避免了位置代码的插值,这会导致测试分辨率与训练不同时性能下降。2)SegFormer 避免了复杂的解码器。所提出的 MLP 解码器从不同层中聚合信息,从而结合了局部注意力和全局注意力,以生成强大的表示。我们展示了这种简单且轻量级的设计是实现 Transformer 上高效分割的关键。我们将我们的方法扩展到从 SegFormer-B0 到 SegFormer-B5 的一系列模型,达到了比以前更好的性能和效率。例如,SegFormer-B4 在 ADE20K 上达到了 50.3%的 mIoU,参数为 64M,比以前最佳方法小 5 倍,效果提高了 2.2%。我们最好的模型 SegFormer-B5 在 Cityscapes 验证集上达到了 84.0%的 mIoU,并在 Cityscapes-C 上展现出出色的零样本鲁棒性。
下图展示了 SegFormer 的架构。摘自原始论文。
这个模型是由nielsr贡献的。模型的 TensorFlow 版本是由sayakpaul贡献的。原始代码可以在这里找到。
使用提示
- SegFormer 由一个分层 Transformer 编码器和一个轻量级的全 MLP 解码器头组成。SegformerModel 是分层 Transformer 编码器(在论文中也称为 Mix Transformer 或 MiT)。SegformerForSemanticSegmentation 在顶部添加了全 MLP 解码器头,用于执行图像的语义分割。此外,还有 SegformerForImageClassification,可用于对图像进行分类。SegFormer 的作者首先在 ImageNet-1k 上对 Transformer 编码器进行了预训练,以对图像进行分类。接下来,他们丢弃了分类头,并用全 MLP 解码头替换。然后,他们在 ADE20K、Cityscapes 和 COCO-stuff 上一起对模型进行微调,这些是语义分割的重要基准。所有检查点都可以在hub上找到。
- 使用 SegFormer 的最快方法是查看示例笔记本(展示了推理和在自定义数据上微调的示例)。也可以查看博客文章介绍 SegFormer 并说明如何在自定义数据上进行微调。
- TensorFlow 用户应参考此存储库,展示现成的推理和微调。
- 您也可以查看Hugging Face Spaces 上的交互式演示,尝试在自定义图像上使用 SegFormer 模型。
- SegFormer 适用于任何输入大小,因为它会填充输入,使其可以被
config.patch_sizes
整除。 - 可以使用 SegformerImageProcessor 为模型准备图像和相应的分割图。请注意,此图像处理器相当基础,不包括原始论文中使用的所有数据增强。原始预处理流程(例如 ADE20k 数据集)可以在这里找到。最重要的预处理步骤是将图像和分割图随机裁剪和填充到相同大小,例如 512x512 或 640x640,然后进行归一化。
- 还有一件事要记住的是,可以使用
reduce_labels
设置为True
或False
来初始化 SegformerImageProcessor。在一些数据集(如 ADE20k)中,0 索引用于背景的注释分割图。但是,ADE20k 不包括其 150 个标签中的“背景”类。因此,reduce_labels
用于减少所有标签 1,并确保不为背景类计算损失(即,它将注释地图中的 0 替换为 255,这是 SegformerForSemanticSegmentation 使用的损失函数的ignore_index)。然而,其他数据集使用 0 索引作为背景类,并将此类包含在所有标签中。在这种情况下,应将reduce_labels
设置为False
,因为损失也应计算背景类。 - 与大多数模型一样,SegFormer 有不同的大小,详情可以在下表中找到(取自原始论文的表 7)。
模型变体 | 深度 | 隐藏大小 | 解码器隐藏大小 | 参数(百万) | ImageNet-1k Top 1 |
MiT-b0 | [2, 2, 2, 2] | [32, 64, 160, 256] | 256 | 3.7 | 70.5 |
MiT-b1 | [2, 2, 2, 2] | [64, 128, 320, 512] | 256 | 14.0 | 78.7 |
MiT-b2 | [3, 4, 6, 3] | [64, 128, 320, 512] | 768 | 25.4 | 81.6 |
MiT-b3 | [3, 4, 18, 3] | [64, 128, 320, 512] | 768 | 45.2 | 83.1 |
MiT-b4 | [3, 8, 27, 3] | [64, 128, 320, 512] | 768 | 62.6 | 83.6 |
MiT-b5 | [3, 6, 40, 3] | [64, 128, 320, 512] | 768 | 82.0 | 83.8 |
请注意,上表中的 MiT 指的是 SegFormer 中引入的 Mix Transformer 编码器骨干。有关 SegFormer 在 ADE20k 等分割数据集上的结果,请参阅论文。
资源
一个官方 Hugging Face 和社区(由🌎表示)资源列表,帮助您开始使用 SegFormer。
图像分类
语义分割:
- SegformerForSemanticSegmentation 由这个示例脚本支持。
- 关于在自定义数据集上微调 SegFormer 的博客可以在这里找到。
- 在 SegFormer 上有更多演示笔记本(包括对自定义数据集的推理和微调),可以在这里找到。
- TFSegformerForSemanticSegmentation 由这个示例笔记本支持。
- 语义分割任务指南
如果您有兴趣提交资源以包含在此处,请随时打开 Pull Request,我们将对其进行审查!资源应该展示一些新东西,而不是重复现有资源。
SegformerConfig
class transformers.SegformerConfig
( num_channels = 3 num_encoder_blocks = 4 depths = [2, 2, 2, 2] sr_ratios = [8, 4, 2, 1] hidden_sizes = [32, 64, 160, 256] patch_sizes = [7, 3, 3, 3] strides = [4, 2, 2, 2] num_attention_heads = [1, 2, 5, 8] mlp_ratios = [4, 4, 4, 4] hidden_act = 'gelu' hidden_dropout_prob = 0.0 attention_probs_dropout_prob = 0.0 classifier_dropout_prob = 0.1 initializer_range = 0.02 drop_path_rate = 0.1 layer_norm_eps = 1e-06 decoder_hidden_size = 256 semantic_loss_ignore_index = 255 **kwargs )
参数
num_channels
(int
, optional, defaults to 3) — 输入通道的数量。num_encoder_blocks
(int
, optional, defaults to 4) — 编码器块的数量(即 Mix Transformer 编码器中的阶段)。depths
(List[int]
, optional, defaults to[2, 2, 2, 2]
) — 每个编码器块中的层数。sr_ratios
(List[int]
, optional, defaults to[8, 4, 2, 1]
) — 每个编码器块中的序列缩减比率。hidden_sizes
(List[int]
, optional, defaults to[32, 64, 160, 256]
) — 每个编码器块的维度。patch_sizes
(List[int]
, optional, defaults to[7, 3, 3, 3]
) — 每个编码器块之前的补丁大小。strides
(List[int]
, optional, defaults to[4, 2, 2, 2]
) — 每个编码器块之前的步幅。num_attention_heads
(List[int]
, optional, defaults to[1, 2, 5, 8]
) — 每个 Transformer 编码器块中每个注意力层的注意力头数量。mlp_ratios
(List[int]
, optional, defaults to[4, 4, 4, 4]
) — 编码器块中 Mix FFN 的隐藏层大小与输入层大小的比率。hidden_act
(str
orfunction
, optional, defaults to"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果是字符串,支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。hidden_dropout_prob
(float
, optional, defaults to 0.0) — 嵌入层、编码器和池化器中所有全连接层的 dropout 概率。attention_probs_dropout_prob
(float
, optional, defaults to 0.0) — 注意力概率的 dropout 比率。classifier_dropout_prob
(float
, optional, defaults to 0.1) — 分类头之前的 dropout 概率。initializer_range
(float
, optional, defaults to 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。drop_path_rate
(float
, optional, defaults to 0.1) — 随机深度中用于块的 dropout 概率,用于 Transformer 编码器中的块。layer_norm_eps
(float
, optional, defaults to 1e-06) — 层归一化层使用的 epsilon。decoder_hidden_size
(int
, optional, defaults to 256) — 所有 MLP 解码头的维度。semantic_loss_ignore_index
(int
, optional, defaults to 255) — 语义分割模型的损失函数中被忽略的索引。
这是用于存储 SegformerModel 配置的配置类。它用于根据指定的参数实例化 SegFormer 模型,定义模型架构。使用默认值实例化配置将产生类似于 SegFormer nvidia/segformer-b0-finetuned-ade-512-512架构的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读来自 PretrainedConfig 的文档以获取更多信息。
示例:
>>> from transformers import SegformerModel, SegformerConfig >>> # Initializing a SegFormer nvidia/segformer-b0-finetuned-ade-512-512 style configuration >>> configuration = SegformerConfig() >>> # Initializing a model from the nvidia/segformer-b0-finetuned-ade-512-512 style configuration >>> model = SegformerModel(configuration) >>> # Accessing the model configuration >>> configuration = model.config
SegformerFeatureExtractor
class transformers.SegformerFeatureExtractor
( *args **kwargs )
__call__
( images segmentation_maps = None **kwargs )
对一批图像和可选的分割地图进行预处理。
覆盖Preprocessor
类的__call__
方法,以便可以将图像和分割地图作为位置参数传递。
post_process_semantic_segmentation
( outputs target_sizes: List = None ) → export const metadata = 'undefined';semantic_segmentation
参数
outputs
(SegformerForSemanticSegmentation) — 模型的原始输出。target_sizes
(长度为batch_size
的List[Tuple]
,可选) — 每个预测的请求最终大小(高度,宽度)的元组列表。如果未设置,预测将不会被调整大小。
返回
语义分割
长度为batch_size
的List[torch.Tensor]
,其中每个项目都是形状为(高度,宽度)的语义分割地图,对应于target_sizes
条目(如果指定了target_sizes
)。每个torch.Tensor
的每个条目对应于一个语义类别 id。
将 SegformerForSemanticSegmentation 的输出转换为语义分割地图。仅支持 PyTorch。
SegformerImageProcessor
class transformers.SegformerImageProcessor
( do_resize: bool = True size: Dict = None resample: Resampling = <Resampling.BILINEAR: 2> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_reduce_labels: bool = False **kwargs )
参数
do_resize
(bool
,可选,默认为True
) — 是否将图像的(高度,宽度)维度调整为指定的(size["height"],size["width"])
。可以通过preprocess
方法中的do_resize
参数进行覆盖。size
(Dict[str, int]
可选,默认为{"height" -- 512, "width": 512}
):调整大小后的输出图像大小。可以通过preprocess
方法中的size
参数进行覆盖。resample
(PILImageResampling
,可选,默认为Resampling.BILINEAR
) — 如果调整图像大小,则要使用的重采样滤波器。可以通过preprocess
方法中的resample
参数进行覆盖。do_rescale
(bool
,可选,默认为True
) — 是否按指定比例rescale_factor
重新缩放图像。可以通过preprocess
方法中的do_rescale
参数进行覆盖。rescale_factor
(int
或float
,可选,默认为1/255
) — 是否对图像进行归一化。可以通过preprocess
方法中的do_normalize
参数进行覆盖。do_normalize
(bool
,可选,默认为True
) — 是否对图像进行归一化。可以通过preprocess
方法中的do_normalize
参数进行覆盖。image_mean
(float
或List[float]
, 可选, 默认为IMAGENET_STANDARD_MEAN
) — 如果对图像进行归一化,要使用的均值。这是一个浮点数或与图像通道数相同长度的浮点数列表。可以通过preprocess
方法中的image_mean
参数覆盖。image_std
(float
或List[float]
, 可选, 默认为IMAGENET_STANDARD_STD
) — 如果对图像进行归一化,要使用的标准差。这是一个浮点数或与图像通道数相同长度的浮点数列表。可以通过preprocess
方法中的image_std
参数覆盖。do_reduce_labels
(bool
, 可选, 默认为False
) — 是否减少分割地图的所有标签值。通常用于数据集中将 0 用于背景,并且背景本身不包含在数据集的所有类中(例如 ADE20k)。背景标签将被替换为 255。可以通过preprocess
方法中的do_reduce_labels
参数覆盖。
构造一个 Segformer 图像处理器。
preprocess
( images: Union segmentation_maps: Union = None do_resize: Optional = None size: Optional = None resample: Resampling = None do_rescale: Optional = None rescale_factor: Optional = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None do_reduce_labels: Optional = None return_tensors: Union = None data_format: ChannelDimension = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None **kwargs )
参数
images
(ImageInput
) — 要预处理的图像。期望单个或批量图像,像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的图像,请设置do_rescale=False
。segmentation_maps
(ImageInput
, 可选) — 要预处理的分割地图。do_resize
(bool
, 可选, 默认为self.do_resize
) — 是否调整图像大小。size
(Dict[str, int]
, 可选, 默认为self.size
) — 应用resize
后的图像大小。resample
(int
, 可选, 默认为self.resample
) — 调整图像大小时要使用的重采样滤波器。可以是枚举PILImageResampling
中的一个。仅在do_resize
设置为True
时有效。do_rescale
(bool
, 可选, 默认为self.do_rescale
) — 是否将图像值重新缩放为 [0 - 1]。rescale_factor
(float
, 可选, 默认为self.rescale_factor
) — 如果do_rescale
设置为True
,则按照此因子重新缩放图像。do_normalize
(bool
, 可选, 默认为self.do_normalize
) — 是否对图像进行归一化。image_mean
(float
或List[float]
, 可选, 默认为self.image_mean
) — 图像均值。image_std
(float
或List[float]
, 可选, 默认为self.image_std
) — 图像标准差。do_reduce_labels
(bool
, 可选, 默认为self.do_reduce_labels
) — 是否减少分割地图的所有标签值。通常用于数据集中将 0 用于背景,并且背景本身不包含在数据集的所有类中(例如 ADE20k)。背景标签将被替换为 255。return_tensors
(str
或TensorType
, 可选) — 要返回的张量类型。可以是以下之一:
- 未设置: 返回一个
np.ndarray
列表。 TensorType.TENSORFLOW
或'tf'
: 返回类型为tf.Tensor
的批处理。TensorType.PYTORCH
或'pt'
: 返回类型为torch.Tensor
的批处理。TensorType.NUMPY
或'np'
: 返回类型为np.ndarray
的批处理。TensorType.JAX
或'jax'
: 返回类型为jax.numpy.ndarray
的批处理。
data_format
(ChannelDimension
或str
, 可选, 默认为ChannelDimension.FIRST
) — 输出图像的通道维度格式。可以是以下之一:
ChannelDimension.FIRST
: 图像以 (通道数, 高度, 宽度) 格式。ChannelDimension.LAST
: 图像以 (高度, 宽度, 通道数) 格式。
input_data_format
(ChannelDimension
或str
, 可选) — 输入图像的通道维度格式。如果未设置,则从输入图像中推断通道维度格式。可以是以下之一:
"channels_first"
或ChannelDimension.FIRST
: 图像以 (通道数, 高度, 宽度) 格式。"channels_last"
或ChannelDimension.LAST
: 图像以 (高度, 宽度, 通道数) 格式。"none"
或ChannelDimension.NONE
:图像以 (高度,宽度) 格式。
预处理图像或图像批处理。
post_process_semantic_segmentation
( outputs target_sizes: List = None ) → export const metadata = 'undefined';semantic_segmentation
参数
outputs
(SegformerForSemanticSegmentation) — 模型的原始输出。target_sizes
(List[Tuple]
of lengthbatch_size
, optional) — 每个预测的请求最终大小(高度,宽度)对应的元组列表。如果未设置,预测将不会被调整大小。
返回
semantic_segmentation
List[torch.Tensor]
of length batch_size
,其中每个项目是形状为(高度,宽度)的语义分割地图,对应于 target_sizes
条目(如果指定了 target_sizes
)。每个 torch.Tensor
的每个条目对应于一个语义类别 id。
将 SegformerForSemanticSegmentation 的输出转换为语义分割地图。仅支持 PyTorch。
PytorchHide Pytorch content
SegformerModel
class transformers.SegformerModel
( config )
参数
config
(SegformerConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
裸的 SegFormer 编码器(Mix-Transformer)输出原始隐藏状态,没有特定的头部。这个模型是一个 PyTorch torch.nn.Module 子类。将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有相关信息。
forward
( pixel_values: FloatTensor output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.modeling_outputs.BaseModelOutput or tuple(torch.FloatTensor)
参数
pixel_values
(torch.FloatTensor
,形状为(batch_size, num_channels, height, width)
) — 像素值。默认情况下将忽略填充。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 SegformerImageProcessor.call
()。output_attentions
(bool
, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请查看返回的张量下的attentions
。output_hidden_states
(bool
, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请查看返回的张量下的hidden_states
。return_dict
(bool
, optional) — 是否返回一个 ModelOutput 而不是一个普通元组。
返回
transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutput 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时)包含根据配置(SegformerConfig)和输入的各种元素。
last_hidden_state
(torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层的隐藏状态序列输出。hidden_states
(tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(如果模型有嵌入层,则为嵌入输出的一个+每层输出的一个)。
模型在每一层输出的隐藏状态以及可选的初始嵌入输出。attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每层一个)。
注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
SegformerModel 的前向方法,覆盖了__call__
特殊方法。
虽然前向传递的步骤需要在此函数内定义,但应该在此之后调用Module
实例,而不是在此处调用,因为前者会处理运行前后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoImageProcessor, SegformerModel >>> import torch >>> from datasets import load_dataset >>> dataset = load_dataset("huggingface/cats-image") >>> image = dataset["test"]["image"][0] >>> image_processor = AutoImageProcessor.from_pretrained("nvidia/mit-b0") >>> model = SegformerModel.from_pretrained("nvidia/mit-b0") >>> inputs = image_processor(image, return_tensors="pt") >>> with torch.no_grad(): ... outputs = model(**inputs) >>> last_hidden_states = outputs.last_hidden_state >>> list(last_hidden_states.shape) [1, 256, 16, 16]
SegformerDecodeHead
class transformers.SegformerDecodeHead
( config )
forward
( encoder_hidden_states: FloatTensor )
SegformerForImageClassification
class transformers.SegformerForImageClassification
( config )
参数
config
(SegformerConfig) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained()方法以加载模型权重。
SegFormer 模型变换器,顶部带有图像分类头(最终隐藏状态的线性层),例如用于 ImageNet。
这个模型是 PyTorch torch.nn.Module 的子类。将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以获取与一般用法和行为相关的所有内容。
forward
( pixel_values: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.segformer.modeling_segformer.SegFormerImageClassifierOutput or tuple(torch.FloatTensor)
参数
pixel_values
(torch.FloatTensor
,形状为(batch_size, num_channels, height, width)
) — 像素值。默认情况下将忽略填充。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 SegformerImageProcessor.call
()。output_attentions
(bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量中的attentions
。output_hidden_states
(bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的hidden_states
。return_dict
(bool
,可选) — 是否返回一个 ModelOutput 而不是一个普通元组。labels
(形状为(batch_size,)
的torch.LongTensor
,可选)— 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
范围内。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回值
transformers.models.segformer.modeling_segformer.SegFormerImageClassifierOutput
或tuple(torch.FloatTensor)
一个transformers.models.segformer.modeling_segformer.SegFormerImageClassifierOutput
或一个torch.FloatTensor
元组(如果传递return_dict=False
或config.return_dict=False
时)包含各种元素,取决于配置(SegformerConfig)和输入。
loss
(形状为(1,)
的torch.FloatTensor
,可选,当提供labels
时返回)— 分类(或回归,如果config.num_labels==1
)损失。logits
(形状为(batch_size, config.num_labels)
的torch.FloatTensor
)— 分类(或回归,如果config.num_labels==1
)得分(SoftMax 之前)。hidden_states
(tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回)— 形状为(batch_size, num_channels, height, width)
的torch.FloatTensor
元组。模型在每个阶段输出的隐藏状态(也称为特征图)。attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回)— 形状为(batch_size, num_heads, patch_size, sequence_length)
的torch.FloatTensor
元组(每层一个)。
在自注意力头中用于计算加权平均值的注意力 softmax 之后的注意力权重。
SegformerForImageClassification 的前向方法,覆盖了__call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但应该在此之后调用Module
实例,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。
示例:
>>> from transformers import AutoImageProcessor, SegformerForImageClassification >>> import torch >>> from datasets import load_dataset >>> dataset = load_dataset("huggingface/cats-image") >>> image = dataset["test"]["image"][0] >>> image_processor = AutoImageProcessor.from_pretrained("nvidia/mit-b0") >>> model = SegformerForImageClassification.from_pretrained("nvidia/mit-b0") >>> inputs = image_processor(image, return_tensors="pt") >>> with torch.no_grad(): ... logits = model(**inputs).logits >>> # model predicts one of the 1000 ImageNet classes >>> predicted_label = logits.argmax(-1).item() >>> print(model.config.id2label[predicted_label]) tabby, tabby cat
Transformers 4.37 中文文档(七十一)(2)https://developer.aliyun.com/article/1564222