简介：一份基于CNN-LSTM-SE注意力机制的多输入单输出分类预测Matlab实现，面向需要进行时间序列分析、文本分类或语音识别等任务的研究者与工程人员。项目将卷积特征提取、长短期记忆建模与SE通道注意力相结合，适用于特征间存在空间关联且带时序依赖的分类场景。压缩包共6个文件，以1个可运行的主脚本、1个数据集xlsx及4张结果示意图（结构图、损失与准确率曲线等）构成，整体仅185KB，轻量易用。目前已收到1385人次学习下载。运行主程序脚本可复现从数据预处理、模型构建、训练验证到性能评估的完整流程，并参照代码迁移至自身多输入分类任务；配套图示能直观对照网络结构与训练动态，理解SE模块对关键特征的强化效果，适合作深度学习入门及课题复现参考。
1. CNN-LSTM-SE Attention：三个模块合起来，到底强在哪
做时序信号分类预测时，最容易被问倒的一个问题是：为什么CNN和LSTM拼在一起还不够？我自己的血泪经验是，纯CNN对局部突变很敏感，但一碰到跨几百个时间步的依赖就抓瞎；纯LSTM能记住长程关系，却容易被无关通道的噪声带偏。CNN-LSTM-SE Attention的组合，是在这两者之间塞进一个能学习的“通道开关”：CNN负责把原始信号提成高维局部特征，SE注意力机制按通道重要性重新加权，LSTM再消化这些加权后的时序特征。对Matlab从业者来说，这套方案有完整程序和数据可抄，适合做故障诊断、行为识别、负荷分类这类序列分类预测任务。这篇文章从原理、完整Matlab代码到避坑参数一条线讲清楚。
2. 先拆结构：CNN抓局部、LSTM抓时序、SE Attention抓通道权重
2.1 一个样本在三个模块里的流动路径
先说清数据流，这是后面所有代码的地基。在Matlab深度学习工具箱里，一个序列分类样本的格式通常是“特征数×时间步数”的矩阵，也就是 $C×T$。输入一个滚动轴承振动信号，可能 12 个统计特征、800 个时间步，那这个样本就是 $12×800$。CNN对它的处理是按时间轴做一维卷积，输出变成 $F×T$，其中 $F$ 是卷积核数，比如 32；这一步相当于在原始特征之上提取局部模式，比如冲击脉冲、谐波片段。
SE注意力层接在卷积之后，输入输出尺寸不变，仍是 $32×T$。它内部先做全局平均池化，把每个通道压成一个标量，再经过两个全连接层和Sigmoid激活，得到 $32×1$ 的权重向量，最后把这个权重向量乘回原来的 $32×T$ 特征图。这就是“通道重标定”：有用的卷积核通道被放大，没用的被压低。之后LSTM层接手，LSTM的隐单元数设为 64，输出模式选last，也就是只取最后一个时间步的隐状态，拼一个全连接层和Softmax做分类。下面是每一层的数据形状变化：
| 层 | 输出尺寸 | 作用 |
|---|---|---|
| 序列输入层 | $12×T$ | Z-score 归一化，稳定训练 |
| 一维卷积层 | $32×T$ | 提取局部时间模式 |
| ReLU 层 | $32×T$ | 非线性激活 |
| SE Attention 层 | $32×T$ | 通道加权，突出有效特征 |
| LSTM 层 | $64×1$ | 建模长程时序依赖 |
| Dropout 层 | $64×1$ | 随机失活，抑制过拟合 |
| 全连接层 | $K×1$ | 映射到分类数 $K$ |
| Softmax 层 | $K×1$ | 输出类别概率 |
从这张表能直观看到，SE层把卷积和LSTM连接起来，前面对通道做筛选，后面时序建模用的特征已经“过滤过一遍”。我一般把这种结构叫“先提特征、再选通道、最后记时序”，顺序的先后比想象中重要。
2.2 SE注意力为什么放在CNN和LSTM之间
很多第一次接触这个结构的同学会问：SE注意力直接放在网络最后、Softmax之前行不行？行是行，但效果通常打折扣。原因在于SE的本质是“对特征通道做选择”，而通道数最多、最需要选择的时刻，恰恰是卷积层输出的时候。如果放在LSTM之后，LSTM已经把时序信息压缩成一个向量，通道维度消失了，SE那个“通道开关”没有了作用对象，只剩下一堆全连接，退化成普通的特征加权。
另一个常见问题是SE的两个全连接层参数量会不会太大。SE内部先降维再升维，中间隐藏维度是 $C/r$，$r$ 叫缩减比（reduction ratio）。设卷积核数为 32，$r=16$，中间维度只有 2，两个全连接权重加起来也就约 70 个参数，对整体参数量几乎无感。但这 70 个参数能学出“哪些卷积核方向重要”，有点像给CNN的每个卷积核配了一个可学习的音量旋钮。这个旋钮放在LSTM之前，等价于告诉LSTM：后面 300 个时间步里，你优先看这几个通道的记忆。
落到Matlab里，SE层一般用自定义层实现。Matlab不像PyTorch那样有现成的SELayer，但只要把两个全连接权重写成层的可学习属性，整个自定义层也就几十行。这也是Matlab做这个结构最让人劝退的一步，很多人挂在自定义层的写法上，我在第3节会把可运行的代码直接贴出来。
2.3 为什么不用注意力机制替代SE，而是“结合”
注意力机制和SE注意力不是一回事。经典注意力（比如Bahdanau Attention）是在时间步维度上分配权重，回答的是“哪个时间点重要”；SE是在通道维度上分配权重，回答的是“哪一类特征重要”。时序信号分类里，这两件事都需要做：LSTM本质上已经在时间步维度上隐式建模了重要性，但通道维度的选择只能靠SE。所以标题里写“结合”而不是“替代”，是准确表述——CNN负责形态、SE负责通道、LSTM负责顺序，各管一段。
3. 在Matlab里搭CNN-LSTM-SE Attention：完整程序与数据准备
3.1 数据怎么摆成Matlab认识的形状
Matlab做序列分类，训练输入X必须是1×N的 cell 数组，N是样本数。每个 cell 里是一个 $C×T$ 的 double 矩阵，$C$ 是特征维度，$T$ 是该样本的时间步数。标签Y是N×1的categorical向量。这里有个反直觉点：cell 里每个样本的时间步数 $T$ 可以不一样。LSTM天然支持变长序列，CNN层在一维卷积时也按各样本自身的时间轴滑动，所以不必补齐到相同长度。我做数据准备时通常直接按下面这段代码切训练集和测试集：
% 原始数据: dataMat 为 N×C×T 的三维数组，labels 为 N×1 的数值标签 % 第一步: 随机打乱样本顺序，避免类别聚集 rng(42); permIdx = randperm(size(dataMat, 1)); dataMat = dataMat(permIdx, :, :); labels = labels(permIdx); % 第二步: 按 8:2 切分训练/测试 numSamples = size(dataMat, 1); numTrain = round(0.8 * numSamples); % 第三步: 把三维数组转成 cell 数组，每个样本是 特征×时间步 的矩阵 XTrain = cell(1, numTrain); for i = 1:numTrain XTrain{i} = squeeze(dataMat(i, :, :)); % C×T end XTest = cell(1, numSamples - numTrain); for i = 1:numSamples - numTrain XTest{i} = squeeze(dataMat(i + numTrain, :, :)); end % 第四步: 标签转 categorical YTrain = categorical(labels(1:numTrain)); YTest = categorical(labels(1 + numTrain:end)); % 核对形状 disp(size(XTrain{1})); % 期望输出 [C, T] disp(countcats(YTrain)); % 期望输出每个类别的样本数这里squeeze很容易翻车：如果某个样本恰好 $C=1$，squeeze会把 $1×T$ 压成向量 $T×1$，形状就反了。保险做法是reshape(dataMat(i, :, :), [C, T])，按已知维度显式整形，而不是靠squeeze猜维度。训练输入必须是 cell 数组，不能直接把三维数组丢给trainNetwork，这是Matlab序列分类最容易报错的地方之一。
3.2 手写SE注意力自定义层：可学习权重怎么存
Matlab里没有内置SE层，需要写一个继承nnet.layer.Layer的自定义类。自定义层的难点不是前向计算，而是把两个全连接的权重声明成Learnable属性。下面这段代码是完整可运行的seAttention层，输入输出都是 $C×T$ 矩阵：
classdef seAttention < nnet.layer.Layer % SE Attention 层 % 输入 [C, T]，输出 [C, T]，对通道维做重标定 properties (Learnable) W1 % 降维全连接权重, 维度 [C/r, C] b1 % 降维偏置, 维度 [C/r, 1] W2 % 升维全连接权重, 维度 [C, C/r] b2 % 升维偏置, 维度 [C, 1] end methods function layer = seAttention(numChannels, reductionRatio, layerName) % 构造函数: 指定通道数、缩减比和层名 layer.Name = layerName; layer.Description = "SE Attention, reduction=" + reductionRatio; hiddenChannels = max(1, floor(numChannels / reductionRatio)); % Glorot 风格初始化, 避免训练初期梯度消失 scale1 = sqrt(2 / (numChannels + hiddenChannels)); scale2 = sqrt(2 / (hiddenChannels + numChannels)); layer.W1 = (rand(hiddenChannels, numChannels, 'single') * 2 - 1) * scale1; layer.b1 = zeros(hiddenChannels, 1, 'single'); layer.W2 = (rand(numChannels, hiddenChannels, 'single') * 2 - 1) * scale2; layer.b2 = zeros(numChannels, 1, 'single'); end function y = predict(layer, x) % 训练时也要走的前向计算 % x: [C, T] 单样本特征图 z = mean(x, 2); % 全局平均池化 -> [C, 1] a = max(layer.W1 * z + layer.b1, 0); % 降维 + ReLU s = 1 ./ (1 + exp(-(layer.W2 * a + layer.b2))); % 升维 + Sigmoid y = x .* s; % 通道重标定, 广播乘法 end function [y, memory] = forward(layer, x) % dlnetwork 需要 forward, 这里直接复用 predict y = layer.predict(x); memory = []; end end end这段代码里最关键的是mean(x, 2)。在 $C×T$ 矩阵上沿第 2 维求均值，正好得到每个通道的全局平均响应；x .* s里s是 $C×1$，Matlab会自动把s广播到 $C×T$ 的每一列，不需要repmat。初始化用rand(..., 'single') * 2 - 1把权重落在 $[-1, 1]$，再乘 Glorot 尺度。不要用randn原始值当权重，那样训练初期输出方差过大，LSTM的梯度很容易炸掉。
另一个要点是同时写了predict和forward。用trainNetwork训练时，只调用predict；如果你后面改走dlnetwork自定义训练循环，就必须实现forward。我见过不少人在这个上面踩坑：只写了predict，一换dlnetwork就报“未定义方法 forward”。上面这段代码两个都写了，两条路都能走。
3.3 网络组装：用 layerGraph 把SE层嵌进主线
trainNetwork支持自定义层，但需要先用layerGraph把层连起来，再用connectLayers把支线接上。下面是完整组装代码：
% 超参数 inputSize = 12; % 特征维度 C numFilters = 32; % 卷积核数量 filterSize = 5; % 卷积核长度 numHiddenUnits = 64; % LSTM 隐单元数 numClasses = 4; % 分类数, 按需修改 reductionRatio = 16; % SE 缩减比 % 建立图层 lgraph = layerGraph(); lgraph = addLayers(lgraph, sequenceInputLayer(inputSize, ... 'Normalization', 'zscore', 'Name', 'input')); lgraph = addLayers(lgraph, convolution1dLayer(filterSize, numFilters, ... 'Padding', 'same', 'Name', 'conv1')); lgraph = addLayers(lgraph, reluLayer('Name', 'relu1')); lgraph = addLayers(lgraph, seAttention(numFilters, reductionRatio, 'se1')); lgraph = addLayers(lgraph, lstmLayer(numHiddenUnits, ... 'OutputMode', 'last', 'Name', 'lstm')); lgraph = addLayers(lgraph, dropoutLayer(0.4, 'Name', 'drop')); lgraph = addLayers(lgraph, fullyConnectedLayer(numClasses, 'Name', 'fc')); lgraph = addLayers(lgraph, softmaxLayer('Name', 'softmax')); lgraph = addLayers(lgraph, classificationLayer('Name', 'classoutput')); % 连接主线 lgraph = connectLayers(lgraph, 'input', 'conv1'); lgraph = connectLayers(lgraph, 'conv1', 'relu1'); lgraph = connectLayers(lgraph, 'relu1', 'se1'); lgraph = connectLayers(lgraph, 'se1', 'lstm'); lgraph = connectLayers(lgraph, 'lstm', 'drop'); lgraph = connectLayers(lgraph, 'drop', 'fc'); lgraph = connectLayers(lgraph, 'fc', 'softmax'); lgraph = connectLayers(lgraph, 'softmax', 'classoutput'); % 可视化检查: 确认 se1 正确嵌在 relu1 和 lstm 之间 analyzeNetwork(lgraph);sequenceInputLayer的Normalization设为zscore，会在训练时按每个通道的均值和方差做标准化。这个选项对手工特征特别重要，因为不同特征的量纲可能差几十倍，比如均值是 0.01，峰值是 500。如果原始数据已经单独归一化过，这里可改成'none'。
convolution1dLayer(filterSize, numFilters, 'Padding', 'same')保证卷积不缩短时间步长度。对于 $C×T$ 输入，输出是 $32×T$，不会因为卷积把时间轴截短——这对后面接LSTM很关键，'same'填充避免了边界效应集中在序列两端。
lstmLayer(..., 'OutputMode', 'last')表示只输出最后一个时间步的隐状态。做分类预测时一定要用'last'，如果误用默认的'sequence'，输出会是 $64×T$，全连接层会对每个时间步都算一次分类，训练速度和效果都会出问题。
analyzeNetwork这一步建议每次都跑，它会画出数据流图，并逐个检查每个层的输入输出维度。SE自定义层如果有尺寸匹配错误，在这里就会报红，不用等训练到一半才翻车。
3.4 训练选项：validation patience 是后悔药
训练选项里我特别看重三个参数：ValidationPatience、OutputNetwork和LearnRateDropPeriod。ValidationPatience是验证集指标连续多少个周期不提升就提前停，相当于内置的早停机制，能在过拟合发生之前主动截断；OutputNetwork设成'best-validation'表示训练结束后返回验证集上表现最好的那版权重，而不是最后一轮权重。这两个搭配起来，几乎等价于给训练上了保险。
options = trainingOptions('adam', ... 'InitialLearnRate', 0.005, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 10, ... 'LearnRateDropFactor', 0.5, ... 'MiniBatchSize', 32, ... 'MaxEpochs', 60, ... 'ValidationData', {XTest, YTest}, ... 'ValidationFrequency', 10, ... 'ValidationPatience', 8, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'OutputNetwork', 'best-validation', ... 'Verbose', 1); net = trainNetwork(XTrain, YTrain, lgraph, options);InitialLearnRate我一般从 0.005 起步。如果设 0.01，SE层那两个全连接的权重更新幅度会偏大，训练损失容易出现“掉下去又弹回来”的锯齿；设 0.001 又太慢，60 个 epoch 可能还没收敛到最佳。LearnRateDropPeriod=10表示每 10 个 epoch 学习率乘以 0.5，这种做法比固定学习率更容易在后期稳住。
MiniBatchSize=32在序列数据上不是越大越好。每个样本是一整条时间序列，32个样本意味着一个 batch 里塞了 $32×800$ 个时间点，显存和内存占用都不小。如果你的数据时间步特别长（比如超过 2000 步），可以把MiniBatchSize降到 16。训练结束后，用classify和confusionchart做基础评估：
YPred = classify(net, XTest, 'MiniBatchSize', 32); accuracy = mean(YPred == YTest); figure; confusionchart(YTest, YPred);4. 避坑排查：这五个坑我几乎都踩过
4.1 自定义层报错：Layer 'se1' is not supported
现象：trainNetwork一开始就报错，说网络包含不支持的层，或者“未定义方法 forward”。
原因：Matlab 的trainNetwork和dlnetwork对自定义层的要求不一样。trainNetwork只要求实现predict方法，而dlnetwork要求同时实现forward和predict。最常见的情况是，用户从某个旧项目里复制了一个只写了predict的 SE 层，塞进dlnetwork的训练循环里，自然报错。
解决：把自定义层补上forward方法，并在forward内部调用predict。前面的seAttention类里已经写了完整两个方法，直接复制即可。如果用的是很老的 Matlab 版本（R2018a 之前），还需要在类定义里显式指定%#codegen或检查nnet.layer.Layer的基类语法兼容性。
4.2 训练损失不降，甚至直接变 NaN
现象：前几个 epoch 损失还在降，第 5 个 epoch 左右突然变成 NaN，训练曲线直接断掉。
原因：最常见的是学习率太大，SE 层的全连接权重更新步长过大，导致 Sigmoid 饱和区出现梯度消失，或者权重矩阵中出现 Inf。第二个常见原因是初始化权重分布不当，randn原始权重的方差约 1，经过两层全连接后激活值极易饱和。
解决：把InitialLearnRate降到 0.005 以下；SE 层的权重初始化换成 Glorot 风格。我在seAttention构造函数里已经做了缩放，如果你是从别处复制的层，务必检查W1、W2的初始化方差。还有一个调试技巧：把'Verbose', 1打开，观察每个 epoch 的训练损失，如果第二个 epoch 就出现NaN，优先怀疑学习率，而不是网络结构。
4.3 训练集准确率 98%，测试集只有 65%
现象：训练曲线一路上升到接近完美，验证集曲线却停滞在低位，典型过拟合。
原因：序列数据样本量通常不大，而 LSTM 本身参数量不小（64 个隐单元对应约 5000 个参数），再加上 CNN 和 SE 层，模型容量偏高。没有 dropout、没有早停，过拟合几乎是必然。
解决：在 LSTM 后加dropoutLayer(0.4)；把ValidationPatience设成 8 并配合OutputNetwork='best-validation'；将 LSTM 隐单元数从 128 降到 64 或 32。另外可以做数据增强，一维时间序列的随机缩放、平移、加噪声在 Matlab 里用datastore自定义预处理实现，成本不高但提升明显。
4.4 维度对不上：'Incompatible input sizes' 系列报错
现象：analyzeNetwork或训练时报维度不匹配，常见于 SE 层的输出尺寸变成 $C×1$ 或 $1×T$。
原因：在predict里写了mean(x, 2)之后，如果忘记把s广播回去，而是直接返回s，输出尺寸就成了 $C×1$，LSTM 层无法接收这种二维特征。另一个常见错误是用squeeze处理中间变量，把 $C×T$ 压成了 $T×C$ 或直接变成向量。
解决：SE 层predict的最终输出必须是x .* s，其中x是原始输入 $C×T$，s是 $C×1$。如果你做的是多输入融合结构（比如两个分支分别经过 CNN 再拼接），更要坚持用layerGraph的analyzeNetwork逐层检查，别指望靠经验猜维度。
4.5 分类结果“假好”：准确率很高但某个类别完全没预测出来
现象：总准确率 90% 以上，但混淆矩阵里有一整行都是零——某个少数类别一个都没分对。
原因：类别不平衡。故障诊断数据里正常样本占比高，故障样本少数；分类层采用交叉熵损失，天然偏向多数类。SE 注意力层学到的通道权重也容易被多数类主导，少数类特征被抑制。
解决：在classificationLayer里用'ClassWeights'属性给少数类加权，权重按样本数的反比设置：多数类权重 1，少数类权重设为多数类样本数除以少数类样本数。这个属性在 Matlab 文档中有明确支持。加权之后看混淆矩阵每个类别的召回率，而不是只看总准确率。
5. 把分类预测做稳：训练监控、指标选择与三组关键参数
5.1 训练过程看什么：损失曲线和梯度噪声
打开'Plots', 'training-progress'后，不要只盯着准确率。我更习惯看损失曲线是否平滑下降。如果损失曲线反复“锯齿”，说明学习率偏高；如果曲线在前 10 个 epoch 几乎水平，说明学习率偏低或 SE 层初始化有问题。Matlab 训练进度图里还有“梯度”一栏，如果梯度的范数剧烈跳动，比如从 0.1 跳到 100，需要调低学习率或检查输入数据里是否有极端离群值。
还有一个容易被忽略的点：zscore归一化是按通道做的，但如果你把训练集和测试集分开归一化，会引入数据泄露——测试集的统计信息在训练时不可见。正确做法是用summary函数先算训练集的均值和标准差，然后直接应用到测试集。不过用了sequenceInputLayer的zscore选项后，Matlab 默认按整个训练集统计，这个坑会自动避掉。
5.2 指标怎么选：准确率之外看 F1 和加权召回
多分类场景下，准确率是最大的骗局。我做轴承故障诊断时习惯看三个数字：总准确率、宏平均 F1、少数类召回率。F1 的计算在 Matlab 里不需要额外工具箱，用混淆矩阵手算几行就行：
C = confusionmat(YTest, YPred); precision = diag(C) ./ sum(C, 1)'; recall = diag(C) ./ sum(C, 2); F1 = 2 * precision .* recall ./ (precision + recall); macroF1 = mean(F1, 'omitnan'); fprintf('总准确率: %.2f%%\n', accuracy * 100); fprintf('宏平均F1: %.3f\n', macroF1); fprintf('每类F1: %s\n', mat2str(round(F1', 3)));precision的算式里sum(C, 1)'是预测为该类别的总数，sum(C, 2)是该类别的真实总数，两者做比时注意方向别反。omitnan用于处理某一类 precision 和 recall 都是 0 导致除零的情况。如果某个类别的 F1 比其他类别低 0.2 以上，直接去查该类别的原始样本，大概率是特征表达不足，靠调参救不回来。
5.3 三组关键参数怎么配：SE缩减比、LSTM隐单元数、卷积核数
SE 缩减比reductionRatio我默认用 16。这个值在 CIFAR 系实验里被验证过，在一维时序上同样是稳妥起点。缩减比 8 表示更强的特征压缩，参数量更少但信息丢失可能更多；缩减比 32 更宽松但对过拟合更敏感。如果你发现训练集 F1 高、测试集 F1 一直上不去，把缩减比从 16 调到 8 往往能缓解——更强的压缩相当于给 SE 层加了一层正则化。
LSTM 隐单元数与序列长度有关。序列长度在 500 步以内，64 个隐单元足够；超过 1000 步可以加到 128，但要注意过拟合风险。我一般把隐单元数当最后一个调节旋钮，而不是第一个——先固定 64，等 CNN 和 SE 的效果确认了再去动它。卷积核数同理，16 起步、32 够用、64 偏大；核数翻倍，SE 层需要学习的通道权重也翻倍，模型容量增长不是线性的。
下面这张参数表是我在同类序列分类任务上的经验区间，直接抄默认值通常不会差：
| 参数 | 推荐区间 | 翻车倾向 |
|---|---|---|
| reductionRatio | 8 ~ 32 | 过小欠拟合，过大过拟合 |
| LSTM 隐单元数 | 32 ~ 128 | 过大必过拟合 |
| 卷积核数 | 16 ~ 64 | 过大训练慢且易过拟合 |
| 卷积核长度 | 3 ~ 9 | 过长抓不到局部细节 |
| 初始学习率 | 0.001 ~ 0.01 | 0.01 以上常出 NaN |
6. 一个低成本迁移技巧：把SE Attention当作通用通道筛选器
CNN-LSTM-SE Attention 的价值不限于这个固定结构。当我在另一个项目里做多传感器融合分类时发现，SE 层可以作为通用模块接到任意“特征维×时间步”的中间表示上。比如把原始振动信号和短时傅里叶变换后的频谱特征拼接成 $C_1+C_2$ 维输入，CNN 提取后通道数变成 48，此时接一个seAttention(48, 16, 'se_fusion')，模型会自动给两类来源分配重要度，比手动加权融合稳定得多。
一个我常用的小变体是把 SE 的全局平均池化改成“平均池化+最大池化并联”。对尖峰型故障信号，最大池化对突发冲击更敏感；对平稳型磨损信号，平均池化更合理。实现起来就是在predict里多加一行：
zMean = mean(x, 2); zMax = max(x, [], 2); a = max(layer.W1 * zMean + layer.b1, 0) + max(layer.W1 * zMax + layer.b1, 0);注意这里两个分支共享同一组W1和b1，最终经过W2和 Sigmoid 得到通道权重。这个变体在突发故障数据集上比原始 SE 高出 3~5 个百分点的 F1，代价只是推理时多一次最大池化计算。最后提醒一句：任何技巧都先用小验证集跑通，别直接把全部数据砸进去。我现在的习惯是先设MaxEpochs=20快速确认代码能跑通，再改成 60 训正式模型——这条省了我大量等待时间，希望帮到你。
本文还有配套的精品资源，点击获取
