使用 MobileNet和ImageHash做图片相似度匹配(以图搜图)

2024-06-02 12:12

本文主要是介绍使用 MobileNet和ImageHash做图片相似度匹配(以图搜图),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

很多应用中有以图搜图的应用,那么我们应该如何实现呢?

传统的文本搜索主要是关键字匹配,而目前图片和音乐的搜索却使用使用特征向量的方式。
向量就是使用一组数从多个维度描述特征,虽然每个维度的含义我们可能无法得知,但是模型知道就足够了;

如果您的目标是快速比较两张图片的特征值,并且需要计算量较小的算法,那么使用较轻量级的模型或特征提取方法会更适合。以下是可选方案:

综合对比

  • 图像哈希:适合快速比对,计算速度快,实现简单,适用于对精度要求不高的应用场景。
  • ORB 特征:适合捕捉局部特征,计算速度快,适用于实时应用和动态场景,对光照和视角变化敏感。
  • MobileNet:高精度和鲁棒性,适合对精度要求高的应用场景,计算资源需求较高。

1. 使用 MobileNet

MobileNet 是一个轻量级的卷积神经网络,设计用于在移动和嵌入式设备上高效运行。与 VGG16 相比,它更快且计算量更小。

MobileNet 是一种轻量级的深度神经网络模型,由 Google 在 2017 年提出。它主要用于图像分类和特征提取任务,并且相比于传统的深度神经网络模型,MobileNet 具有更小的模型尺寸和更低的计算成本,适用于移动设备等资源受限的环境。

MobileNet 的设计思想是通过深度可分离卷积(Depthwise Separable Convolution)来减少模型参数和计算量。深度可分离卷积将标准卷积分解为两个步骤:深度卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)。深度卷积对每个输入通道进行单独卷积操作,而逐点卷积则对深度卷积的结果进行 1x1 卷积操作,以融合不同通道的信息。

MobileNet 的结构比较简单,由若干个深度可分离卷积层和激活函数层组成,最后通过全局平均池化(Global Average Pooling)将特征图转换为固定长度的特征向量。该特征向量可以用于图像分类、相似度计算等任务。

MobileNet 通过在 ImageNet 数据集上进行预训练,可以提取图像中的语义信息,并用于各种计算机视觉任务。在 TensorFlow 中,可以通过使用 tensorflow.keras.applications.MobileNet 类加载预训练的 MobileNet 模型,并在自己的任务中使用它。

这里我测试了两张一样的图片,其中一张的缩小的版本:

import tensorflow as tf
from tensorflow.keras.applications import MobileNet
from tensorflow.keras.applications.mobilenet import preprocess_input
from tensorflow.keras.preprocessing import image
import numpy as np
from PIL import Image# 加载预训练的MobileNet模型,不包括顶部的全连接层
model = MobileNet(weights='imagenet', include_top=False, pooling='avg')def get_image_feature_vector(img_path):img = Image.open(img_path)img = img.resize((224, 224))x = image.img_to_array(img)x = np.expand_dims(x, axis=0)x = preprocess_input(x)features = model.predict(x)return features.flatten()# 获取两张图片的特征向量
features1 = get_image_feature_vector('image/1.jpg')
features2 = get_image_feature_vector('image/2.jpg')# 计算余弦相似度
similarity = np.dot(features1, features2) / (np.linalg.norm(features1) * np.linalg.norm(features2))
print("Similarity:", similarity)# Similarity: 0.99791807

GO版本

package mainimport ("fmt""log""math"tf "github.com/tensorflow/tensorflow/tensorflow/go""github.com/disintegration/imaging"
)func main() {// 加载预训练的 MobileNet 模型model, err := tf.LoadSavedModel("mobilenet_saved_model", []string{"serve"}, nil)if err != nil {log.Fatalf("无法加载模型: %v", err)}defer model.Session.Close()// 加载并预处理图像img1, err := loadImageAndPreprocess("image/1.jpg")if err != nil {log.Fatalf("无法加载图像: %v", err)}img2, err := loadImageAndPreprocess("image/2.jpg")if err != nil {log.Fatalf("无法加载图像: %v", err)}// 获取图像的特征向量features1, err := extractImageFeatureVector(model, img1)if err != nil {log.Fatalf("无法提取特征向量: %v", err)}features2, err := extractImageFeatureVector(model, img2)if err != nil {log.Fatalf("无法提取特征向量: %v", err)}// 计算余弦相似度similarity := cosineSimilarity(features1, features2)fmt.Println("Similarity:", similarity)
}// loadImageAndPreprocess 加载图像并进行预处理
func loadImageAndPreprocess(imgPath string) (*tf.Tensor, error) {img, err := imaging.Open(imgPath)if err != nil {return nil, fmt.Errorf("无法打开图像: %v", err)}img = imaging.Resize(img, 224, 224, imaging.Lanczos)preprocessedImg := preprocessImage(img)return tensorFromImage(preprocessedImg), nil
}// preprocessImage 对图像进行预处理
func preprocessImage(img image.Image) image.Image {// 在这里添加预处理逻辑,如归一化、标准化等return img
}// tensorFromImage 从图像创建 TensorFlow 张量
func tensorFromImage(img image.Image) *tf.Tensor {bounds := img.Bounds()width, height := bounds.Max.X, bounds.Max.Yvar pixels []float32for y := 0; y < height; y++ {for x := 0; x < width; x++ {r, g, b, _ := img.At(x, y).RGBA()pixels = append(pixels, float32(r>>8), float32(g>>8), float32(b>>8))}}return tf.NewTensor(pixels)
}// extractImageFeatureVector 提取图像的特征向量
func extractImageFeatureVector(model *tf.SavedModel, img *tf.Tensor) (*tf.Tensor, error) {output, err := model.Session.Run(map[tf.Output]*tf.Tensor{model.Graph.Operation("input_1").Output(0): img,},[]tf.Output{model.Graph.Operation("global_average_pooling2d/Mean").Output(0),},nil,)if err != nil {return nil, fmt.Errorf("无法提取特征向量: %v", err)}return output[0], nil
}// cosineSimilarity 计算余弦相似度
func cosineSimilarity(features1, features2 *tf.Tensor) float32 {numerator, err := tf.MatMul(features1, features2, false, true)if err != nil {log.Fatalf("无法计算余弦相似度的分子: %v", err)}denominator := tf.Norm(features1, 2).Mul(tf.Norm(features2, 2))similarity := numerator.Reshape([]int32{}).Value().(float32) / denominator.Reshape([]int32{}).Value().(float32)return similarity
}

备注:MobileNet 是一种轻量级的深度卷积神经网络,设计用于在资源受限的设备上运行,适合提取图像的全局特征。

优点:

  • 高精度:MobileNet 提取的特征向量具有较高的表示能力,适用于精确的图像比对。
  • 对变形鲁棒:对图像的光照、视角变化具有更好的鲁棒性。
  • 预训练模型:可以利用在大规模数据集(如 ImageNet)上预训练的模型,具有较好的泛化能力。

缺点:

  • 需要预训练:需要加载预训练模型,初始加载时间较长。
  • 计算资源需求较高:虽然比其他大型模型轻量,但相比 ORB,计算资源需求仍然较高。

2. 使用 ORB 特征

ORB (Oriented FAST and Rotated BRIEF) 是一种用于特征提取和匹配的快速算法,适用于图像的快速比对。

import cv2def get_orb_features(img_path):img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)orb = cv2.ORB_create()keypoints, descriptors = orb.detectAndCompute(img, None)return descriptorsdef compare_images(img_path1, img_path2):des1 = get_orb_features(img_path1)des2 = get_orb_features(img_path2)bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)matches = bf.match(des1, des2)matches = sorted(matches, key=lambda x: x.distance)return len(matches)# 比较两张图片
num_matches = compare_images('image/1.jpg', 'image/2.jpg')
print("Number of ORB matches:", num_matches)#ORB Similarity: 0.22

同时给出go版本

package mainimport ("fmt""log""github.com/lazywei/go-opencv/opencv"
)func main() {// 读取图像img1 := opencv.LoadImage("image/1.jpg", 0)img2 := opencv.LoadImage("image/2.jpg", 0)if img1 == nil || img2 == nil {log.Fatal("无法加载图像")}defer img1.Release()defer img2.Release()// 创建 ORB 特征检测器orb := opencv.NewORB()defer orb.Release()// 在图像上检测特征点和计算特征描述符kp1, desc1 := orb.DetectAndCompute(img1, opencv.NewMat())kp2, desc2 := orb.DetectAndCompute(img2, opencv.NewMat())// 创建 BFMatcherbf := opencv.NewBFMatcher()defer bf.Release()// 匹配特征描述符matches := bf.KnnMatch(desc1, desc2, 2)// 筛选最佳匹配var goodMatches []opencv.DMatchfor _, m := range matches {if len(m) == 2 && m[0].Distance < 0.75*m[1].Distance {goodMatches = append(goodMatches, m[0])}}// 输出相似度similarity := float64(len(goodMatches)) / float64(len(kp1))fmt.Println("ORB Similarity:", similarity)
}

对比

  • ORB 特征:适合快速、实时的图像比对,不需要预训练模型,对计算资源要求较低,适用于对精度要求不高的场景。
  • MobileNet:适合需要高精度和鲁棒性的图像比对,提取的特征具有较好的表示能力,适用于对计算资源要求不太敏感的场景。

选择具体的方法应根据实际需求和应用场景决定。如果需要在移动设备或嵌入式设备上运行,且对计算速度要求较高,可以选择 ORB。如果在服务器环境中运行,且对图像比对精度要求较高,可以选择 MobileNet。

3. 使用图片哈希算法

图像感知哈希算法(如差值哈希、感知哈希)可以快速计算图像的哈希值,并比较这些哈希值以确定图像相似度。

图像哈希 (Image Hashing)

优点:

  • 速度快:计算哈希值的过程非常快,适合快速比对大规模图像。
  • 实现简单:算法简单易实现,代码量少,适合初学者和快速开发。
  • 适用于静态图像:对图像的旋转、缩放等变换有一定的鲁棒性。

缺点:

  • 精度有限:对图像内容的细微变化(如光照变化、视角变化等)不敏感,无法处理复杂的图像变换。
  • 局部特征不足:哈希值通常表示全局特征,难以捕捉局部变化。
from PIL import Image
import imagehashdef get_image_hash(img_path):img = Image.open(img_path)return imagehash.average_hash(img)def calculate_similarity(hash1, hash2):# 计算哈希值的汉明距离hamming_distance = hash1 - hash2# 将汉明距离转换为相似度(距离越小,相似度越高)max_distance = len(hash1.hash) ** 2  # 64 for aHashsimilarity = 1 - (hamming_distance / max_distance)return similarity# 获取两张图片的哈希值
hash1 = get_image_hash('image/1.jpg')
hash2 = get_image_hash('image/2.jpg')# 计算相似度
similarity = calculate_similarity(hash1, hash2)
print("Similarity (1 is identical, 0 is completely different):", similarity)

这些方法在计算速度和资源消耗方面比 VGG16 更加高效,可以满足快速比对图片特征值的需求。根据具体应用场景选择适合的方法即可。

package mainimport ("fmt""log""github.com/corona10/goimagehash""github.com/disintegration/imaging"
)func main() {// 打开图像文件img1, err := imaging.Open("image/1.jpg")if err != nil {log.Fatalf("无法打开图像: %v", err)}img2, err := imaging.Open("image/2.jpg")if err != nil {log.Fatalf("无法打开图像: %v", err)}// 计算图像的哈希值hash1, err := goimagehash.AverageHash(img1)if err != nil {log.Fatalf("无法计算哈希值: %v", err)}hash2, err := goimagehash.AverageHash(img2)if err != nil {log.Fatalf("无法计算哈希值: %v", err)}// 计算汉明距离并转换为相似度hammingDistance := hash1.Distance(hash2)maxDistance := len(hash1) * len(hash1)similarity := 1.0 - (float64(hammingDistance) / float64(maxDistance))fmt.Println("Similarity (1 is identical, 0 is completely different):", similarity)
}

不同哈希算法对比

  1. 平均哈希 (aHash):

    • 步骤:

      1. 缩小图像尺寸到 8x8。
  2. 转为灰度图。
    3. 计算像素平均值。
    4. 每个像素值与平均值比较,生成哈希值。

    • 特点: 计算过程简单快捷,适合快速图像比对。
  3. 感知哈希 (pHash):

    • 步骤:

      1. 缩小图像尺寸到 32x32。
  4. 转为灰度图。
    3. 进行离散余弦变换 (DCT)。
    4. 取左上角 8x8 的 DCT 系数,计算平均值。
    5. 每个系数与平均值比较,生成哈希值。

    • 特点: 更复杂,能捕捉更多图像的感知特征,计算速度相对较慢,但鲁棒性更好。
  5. 差值哈希 (dHash):

    • 步骤:

      1. 缩小图像尺寸到 9x8。
  6. 转为灰度图。
    3. 每行比较相邻像素,生成哈希值。

    • 特点: 计算过程简单快捷,适合快速图像比对。

总结

  • aHashdHash 通常计算速度相对较快,适用于对速度要求较高的应用场景。
  • pHash 虽然计算过程稍复杂,但能捕捉更多图像的感知特征,适用于对鲁棒性要求更高的应用场景。

4. 以图搜图

我们使用图哈希以图搜图是否能实现需求呢,其实不一定,哈希实现的精度低,可以粗略的确定范围,
再使用MobileNet再次比对,实现分级的搜索,这里测试一下:

分级对比:

from PIL import Image
import imagehash
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import MobileNet
from tensorflow.keras.applications.mobilenet import preprocess_input
from tensorflow.keras.preprocessing import image# 加载预训练的MobileNet模型,不包括顶部的全连接层
model = MobileNet(weights='imagenet', include_top=False, pooling='avg')def get_image_hash(img_path, hash_function=imagehash.average_hash):img = Image.open(img_path)return hash_function(img)def calculate_hash_similarity(hash1, hash2):hamming_distance = hash1 - hash2max_distance = len(hash1.hash) ** 2similarity = 1 - (hamming_distance / max_distance)return similaritydef get_orb_features(img_path):img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)orb = cv2.ORB_create()keypoints, descriptors = orb.detectAndCompute(img, None)return keypoints, descriptorsdef match_orb_features(descriptors1, descriptors2):bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)matches = bf.match(descriptors1, descriptors2)matches = sorted(matches, key=lambda x: x.distance)return matchesdef get_image_feature_vector(img_path):img = Image.open(img_path)img = img.resize((224, 224))x = image.img_to_array(img)x = np.expand_dims(x, axis=0)x = preprocess_input(x)features = model.predict(x)return features.flatten()# 初步哈希筛选
hash1 = get_image_hash('image/1.jpg')
hash2 = get_image_hash('image/2.jpg')
hash_similarity = calculate_hash_similarity(hash1, hash2)
print("Hash Similarity:", hash_similarity)if hash_similarity > 0.8:  # 设置一个阈值进行初步筛选# ORB特征匹配keypoints1, descriptors1 = get_orb_features('image/1.jpg')keypoints2, descriptors2 = get_orb_features('image/2.jpg')matches = match_orb_features(descriptors1, descriptors2)orb_similarity = len(matches) / min(len(descriptors1), len(descriptors2))print("ORB Similarity:", orb_similarity)# MobileNet特征比对features1 = get_image_feature_vector('image/1.jpg')features2 = get_image_feature_vector('image/2.jpg')mobile_similarity = np.dot(features1, features2) / (np.linalg.norm(features1) * np.linalg.norm(features2))print("MobileNet Similarity:", mobile_similarity)
else:print("Images are not similar enough based on hash comparison.")

5、图像分类

MobileNet 可以用于物体分类任务。MobileNet 在 ImageNet 数据集上进行了预训练,其中包含了 1000 种不同类别的物体。因此,你可以使用 MobileNet 模型对图像中的物体进行分类。

你可以使用 MobileNet 模型提取图像的特征向量,然后将这些特征向量输入到一个分类器中进行分类。在 TensorFlow 中,你可以通过加载 MobileNet 模型并在顶部添加一个分类器来实现这一点。这个分类器可以是一个全连接层或者其他类型的分类器,具体取决于你的应用需求。

除了在 ImageNet 上进行预训练的 MobileNet 外,你也可以针对特定的物体分类任务对 MobileNet 进行微调(fine-tuning),以适应你的数据集和任务要求。这样可以提高模型在特定物体分类任务上的性能和准确度。

import tensorflow as tf
import numpy as np
from tensorflow.keras.applications import MobileNet
from tensorflow.keras.applications.mobilenet import preprocess_input 
from tensorflow.keras.applications.mobilenet import decode_predictions
from tensorflow.keras.preprocessing import image# 加载预训练的 MobileNet 模型
model = MobileNet(weights='imagenet')def preprocess_image(img_path):# 加载图像并调整大小img = image.load_img(img_path, target_size=(224, 224))# 将图像转换为 NumPy 数组img_array = image.img_to_array(img)# 扩展数组的维度以匹配模型的输入要求img_array = np.expand_dims(img_array, axis=0)# 预处理图像img_array = preprocess_input(img_array)return img_arraydef classify_image(img_path):# 预处理图像img_array = preprocess_image(img_path)# 使用 MobileNet 模型进行分类preds = model.predict(img_array)# 解码预测结果(获取类别标签)decoded_preds = decode_predictions(preds, top=1)[0]# 返回预测的类别和概率return decoded_preds# 测试图像分类
img_path = './image/dog1.jpg'
predicted_class = classify_image(img_path)
print(f'Predicted Class: {predicted_class}')# Predicted Class: [('n02099601', 'golden_retriever', 0.93234175)]
# 金毛

在这里插入图片描述

其中的1000种文件分类的列表,
可以在 ImageNet 官方网站上找到标签文件。
ImageNet 官方网站:ImageNet

当然还要区分照片和真实人脸,可以考虑以下几种方法:

  1. 活体检测(Liveness Detection):活体检测是一种用于验证被扫描对象是否为真人的技术。这可以通过多种方式实现,例如检测人脸的微小运动(比如眨眼或者张嘴)、检测面部纹理和深度信息等。你可以使用活体检测技术来区分静态照片和真实的人脸。
  2. 光线反射检测:利用摄像头的光线反射特性来检测照片和真实人脸之间的区别。真实人脸会在不同光线条件下产生微小的反射变化,而静态照片则不会。
  3. 红外光检测:使用红外摄像头来捕捉面部的热量分布。真实人脸和照片在红外光下会有不同的反应,可以通过检测这些差异来区分它们。
  4. 3D深度检测:使用具有深度感知功能的摄像头或者传感器来获取人脸的三维结构信息。静态照片通常无法提供足够的深度信息,因此可以利用这一点来区分照片和真实人脸。
  5. 多模态验证:结合多种不同的检测方法,例如结合活体检测和光线反射检测,以提高准确性和安全性。

这些方法通常会结合在一起,构成一个完整的人脸识别系统,确保门禁识别系统能够有效地区分照片和真实人脸,提高安全性和可靠性。

光线反射检测的方法通常利用摄像头捕捉的图像中的光线反射特征来区分真实人脸和静态照片。以下是一个使用 OpenCV 库来实现简单光线反射检测的 Python 代码示例:

import cv2def detect_reflection(image_path):# 读取图像image = cv2.imread(image_path)# 转换为灰度图像gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 计算灰度图像的梯度gradient = cv2.Laplacian(gray, cv2.CV_64F).var()# 根据梯度阈值进行判断threshold = 100  # 调整阈值以适应不同情况if gradient < threshold:print("照片")else:print("真实人脸")# 在这里替换为你的图像路径
image_path = "path/to/your/image.jpg"
detect_reflection(image_path)

这个代码示例使用 Laplacian 算子来计算图像的梯度,然后根据梯度的方差(变化程度)来判断是否存在光线反射。如果梯度较小,就可能是静态照片;如果梯度较大,则可能是真实人脸。你可以根据实际情况调整阈值来提高准确性。

完。

这篇关于使用 MobileNet和ImageHash做图片相似度匹配(以图搜图)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1023930

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

git使用的说明总结

Git使用说明 下载安装(下载地址) macOS: Git - Downloading macOS Windows: Git - Downloading Windows Linux/Unix: Git (git-scm.com) 创建新仓库 本地创建新仓库:创建新文件夹,进入文件夹目录,执行指令 git init ,用以创建新的git 克隆仓库 执行指令用以创建一个本地仓库的

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti