简介：这套CNN-LSTM卷积-长短期记忆网络数据回归预测Python方案，面向需要处理时间序列回归任务的研究者与开发者，帮助理解并落地CNN特征提取与LSTM时序建模的融合方法。资源共包含3个文件，除1个完整的Python实现脚本外，还提供2个CSV数据文件，分别用于模型训练与测试验证；整体压缩包仅2.68MB，轻量易部署。已有975人学习下载，适合希望快速搭建回归预测模型、开展对比实验或进行课程设计的读者。代码覆盖数据加载、预处理、CNN-LSTM模型构建、训练与结果评估等关键环节，可直接替换数据运行，也可基于注释进行参数调优与二次开发，能有效节省从零编码与调试时间。
1. CNN-LSTM 卷积-长短期记忆网络数据回归预测：为什么说它比纯 LSTM 更值得先试
数据回归预测做到一定阶段，你会发现纯 LSTM 的瓶颈不在「记不住」，而在「看不懂」。它能把序列里的长期依赖背下来，却很难主动抓住「相邻几个点共同构成一个形态」这类局部特征。比如预测设备剩余寿命时，一个微小但持续的振动幅值抬升，往往比某一次离群的抖动更有信号意义。CNN-LSTM 正是冲着这个痛点来的：先用卷积层把局部模式提炼成更高层的特征，再把特征序列交给 LSTM 去学习时间维度的依赖。这套组合在故障预测、负荷预测、气象回归这类任务里，已经被反复验证过效果稳定。适合谁？手里已有时间序列数据、试过线性模型或单一 LSTM、对预测精度还有更高要求的人。接下来我会把从数据预处理到模型部署的完整链路摊开讲，每一个参数后面都有它不得不那样设的理由。
2. CNN-LSTM 结构拆解：卷积与循环网络的分工边界
2.1 卷积层在时序任务里的真实角色：特征提取而不是序列建模
很多人第一次把 Conv1D 用到时间序列上时，会下意识把它当成一个「小号的 LSTM」。这是理解上的偏差。卷积层在 CNN-LSTM 里的核心职责是从原始输入中提取局部形态特征——模式是平的、尖的、带趋势的、震荡的——而 LSTM 负责在时间维度上把这些特征拼接成有因果关系的序列逻辑。
我在实际项目中一般把卷积核看作一个特征扫描器：它在时间窗口上滑动，将相邻若干时间步的信息压缩成一个特征值。这里有个容易翻车的细节，时间序列卷积和图像卷积在边界处理上逻辑完全不同。图像可以随便做 padding 把边缘信息补出来，但在时间序列里，如果用了 padding='same'，首尾两端会被强行补零，LSTM 会把这个虚假的零当成真实信息去建模，边界预测直接失真。我通常的做法是卷积层用 padding='valid'，让序列自然缩短，再由 LSTM 去承接；如果担心信息量不够，就在数据送入网络之前先做长度补齐，而不是寄希望于卷积层帮你兜底。
2.2 长短期记忆网络：依赖顺序的记忆机制
LSTM 在整体结构里解决的是「顺序依赖」问题。卷积层提炼出的特征序列仍然有先后次序，某个局部形态出现在前半个周期还是后半个周期，对预测结果的影响完全不同。LSTM 内部的遗忘门和输入门相互配合，决定哪些历史信息需要长期保留，哪些可以随时间步逐步丢弃。这个过程与卷积层互补——一个管空间形态，一个管时间逻辑。
参数选型上，我习惯从 64 个 LSTM 单元起步。单元数太少，记忆容量不够，模型只能学到表面规律；单元数太多，比如一上来就堆 256，训练时间翻倍，而且在小数据集上过拟合得非常快。如果你发现训练集表现好但验证集一塌糊涂，那大概率是单元数超出数据复杂度所能承载的容量。
2.3 组合结构的工作流程：输入数据到预测输出的完整链路
数据输入模型之后，流动路径是：原始序列先经过 Reshape 整理成卷积层能处理的三维张量，形状为（样本数，时间步，特征数）。然后 Conv1D 在时间维度上扫描，把每个局部窗口压缩成特征图，特征图保留了时间顺序。接着进入 LSTM，它在这些特征序列上继续做随时间步的递推。最后经过一个全连接层，把高维特征映射到回归目标值上。
这里有一个关键点：卷积层负责把信息密度提高，LSTM 负责在提高后的信息序列上做时序建模，而不是直接对原始数据建模。如果数据本身就是高噪声的原始序列，LSTM 很容易把噪声也当作特征记下来，泛化性能会很差。卷积层相当于做了一次信息筛选，去掉高频毛刺，保留有意义的局部结构。这也就是为什么 CNN-LSTM 在真实业务数据上往往比纯 LSTM 更稳的原因——它不是模型结构更高级，而是信息处理流程更合理。
3. 数据预处理与滑动窗口：这一步决定了模型性能的一半
3.1 数据清洗与归一化的落地手法
数据清洗是回归预测里最容易被低估的一环。你拿到的原始数据里经常有缺失值、重复时间戳和极端异常点，这些脏数据如果直接进入模型，会在损失函数里制造虚假梯度，让训练过程变得很不稳定。我的一般流程是先对缺失值做线性插值——这个方向大多数场景已经足够，不需要上什么高级插值算法。然后对极端异常点做截断处理，比如用分位数法把超过 99.5% 分位数的值拉回到边界值，防止它们主导归一化之后的数值分布。
归一化我固定用 MinMaxScaler，把数据压缩到 [0,1] 区间。这里有一个核心理由：LSTM 内部的状态更新依赖 sigmoid 和 tanh 激活函数，它们的敏感区域在零点附近，输入量级过大时激活函数会迅速饱和，梯度趋近于零，模型就很难学了。用 MinMaxScaler 能让输入落在激活函数的线性敏感区，训练效率会好很多。但 MinMaxScaler 对异常值敏感——如果数据里有一个极端尖峰，归一化后正常数据会被压缩到一个非常窄的区间里，导致模型几乎无法区分不同数值之间的差异。所以必须先做异常值截断，再做归一化，顺序不要颠倒。
3.2 滑动窗口长度 lookback 的确定：从自相关分析到实际选值
滑动窗口长度 lookback，本质上决定了模型每次能「看到」多长的历史。设短了，模型记忆不足，只会做惯性外推；设长了，历史噪声被当成有效信息，预测结果反而被无关扰动干扰。我自己比较可靠的做法是算自相关系数：对序列做自相关分析，找到自相关系数衰减到 0.1 以下的滞后阶数，那个阶数附近就是合理的窗口长度。
如果手头没有时间做细致分析，经验值也能救急。小时级数据取 24 或 48，覆盖一天到两天的周期；分钟级数据取 60 到 120，覆盖一小时到两小时的短期波动。窗口长度不是越大越好，我见过有人把 lookback 设到 200，模型在训练集上表现不错，验证集却崩得很惨——那多半就是历史噪声干扰了当前时刻的预测。
3.3 训练集与验证集切分：时间顺序切分而不是随机打乱
时间序列预测里最致命的错误就是把数据随机打乱后切分训练集和验证集。因为时间序列本质上是顺序关联的，某一天的数据可能和几十天前的数据在模式上相似，但随机打乱会让模型「偷看」到未来信息，验证集的评估结果就会虚高，甚至高到让你产生模型已经完美的错觉。等你真正上线跑新数据，立刻被打回原形。
我一般按时间顺序切分，前 80% 做训练集，后 20% 做验证集。切分时确保训练集和验证集之间没有时间重叠。如果数据存在明显的趋势漂移——比如数据整体均值在缓慢上移——我会把训练集占比调到 70%，因为验证集如果落在趋势变化剧烈的区间，评估结果会被系统性偏差主导，模型本身的表现反而被掩盖。
4. 用 Keras 搭建 CNN-LSTM 回归模型：完整代码与逐层参数解析
4.1 最小可运行模型：单变量时间序列回归
以单变量时间序列为例，假设我们有一组历史数据 raw_data，形状为 (样本数,)。下面这段代码搭建了一个完整的 CNN-LSTM 回归模型，可以直接跑通。
import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, LSTM, Conv1D, Reshape, Dropout from sklearn.preprocessing import MinMaxScaler # 数据准备：归一化 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(raw_data.reshape(-1, 1)) # 滑动窗口构造样本 lookback = 24 # 窗口长度，覆盖 24 个小时的周期 X, y = [], [] for i in range(len(scaled_data) - lookback): X.append(scaled_data[i:i + lookback, 0]) y.append(scaled_data[i + lookback, 0]) X = np.array(X) # 形状: (样本数, lookback) y = np.array(y) # 形状: (样本数,) X = X.reshape(X.shape[0], X.shape[1], 1) # (样本数, 时间步, 特征数) # 按时间顺序切分数据，前 80% 训练，后 20% 验证 split = int(len(X) * 0.8) X_train, X_val = X[:split], X[split:] y_train, y_val = y[:split], y[split:] # 构建 CNN-LSTM 模型 model = Sequential() model.add(Reshape((lookback, 1), input_shape=(lookback, 1))) model.add(Conv1D(filters=64, kernel_size=3, activation='relu', padding='valid')) model.add(Dropout(0.1)) model.add(LSTM(units=64, activation='tanh', recurrent_dropout=0.2)) model.add(Dense(units=1)) model.compile(optimizer='adam', loss='mse', metrics=['mae']) model.summary()这段代码里有两个值得展开的点。
第一，Reshape 层看起来像是多余——输入本来就是三维 (lookback, 1)，再 reshape 成 (lookback, 1) 似乎没变化，不是画蛇添足。但我保留它的真正目的是让数据流维度显式化。假如你的输入特征数变化了，比如从单变量变成 3 个特征，只需要把输入换成 (lookback, 3)，同时把这里的目标形状改成 (lookback, 3)，后面所有层的输入输出形状会自动适配，不需要动结构主体。
第二，Conv1D 的 padding='valid' 会让序列长度从 24 缩到 22，LSTM 接收的特征图形状是 (22, 64)。若想保留原始长度可以用 padding='same'，但边界补零会引入虚假信息。在时间序列上我不会主动开 'same'，除非验证集效果差异明显，否则保持序列自然缩短更接近真实信号的表达。
4.2 关键参数选择：filters、kernel_size、units 与 dropout
filters 是卷积核数量，决定了模型能提取多少种不同的局部模式。我一般先用 64 起步，欠拟合就加到 128，过拟合就降到 32。诚实地讲，这个调参过程没有捷径，要在验证集上观察 loss 表现来判断欠拟合还是过拟合的打法。
kernel_size 决定感受野大小——每个卷积核一次能看多长的局部窗口。取 3 时对细碎波动敏感，取 5 时更平滑、抗噪能力更强，但会丢失一些快速突变信息。对于小时级数据，kernel_size=3 默认；如果数据较平稳、低频成分多，可以试 5。
LSTM units 我习惯与 filters 保持一致，64 对 64。这样卷积层提取的特征维度与 LSTM 的记忆容量匹配，训练时梯度回传更顺畅。如果两者差距过大，信息在传递过程中会有瓶颈或冗余。
dropout 与 recurrent_dropout 是两个最容易纠结的参数。dropout 作用于输入到 LSTM 隐层的连接，recurrent_dropout 作用于隐层到隐层的时间步连接。在时间序列任务上，recurrent_dropout 对抑制过拟合的效果更直接，因为它打断了时间维度的记忆链。但这也是把双刃剑，recurrent_dropout 开太大会降低模型对长程依赖的学习能力。我的底线是：recurrent_dropout 不超过 0.3，dropout 不超过 0.2，两个不要同时开大，否则模型在训练集上就会「学不动」。
5. 模型训练与调参：早停、学习率与过拟合的真实对抗
5.1 训练过程与回调函数：EarlyStopping 和 ModelCheckpoint 的正确姿势
模型训练的轮数和批大小不是写死的第一版，而是通过回调函数动态调整的。我训练时固定带两个回调：EarlyStopping 和 ModelCheckpoint。
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint early_stop = EarlyStopping( monitor='val_loss', patience=10, # 允许验证集 loss 连续 10 轮不下降 restore_best_weights=True, # 训练结束后恢复到验证集最优的那套权重 verbose=1 ) checkpoint = ModelCheckpoint( 'best_model.h5', # 权重保存路径 monitor='val_loss', save_best_only=True, verbose=1 ) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=100, # 上限 100 轮，实际会早停 batch_size=32, callbacks=[early_stop, checkpoint], verbose=1 )patience 这个参数很关键。设 10 意味着模型在验证集 loss 不再下降后还能再撑 10 轮，给 loss 曲线一个从平台期继续探底的空间。设太大，模型在已经躺平的时候继续空转，纯粹浪费算力；设太小，比如 3，模型还在震荡期就会被强行截停，经常会错过真正的最优点。数据量偏小时，loss 曲线波动更剧烈，我会把 patience 放宽到 15。
restore_best_weights=True 这个选项一定要开。否则训练结束时模型权重是最后一轮的状态，未必是验证集上表现最好的那一版。开着这个参数，早停触发后模型会自动回退到验证集 loss 最低的权重，前面的等待才有意义。
batch_size 的选择容易被忽略，但它对训练稳定性影响不小。时间序列样本之间存在时间相关性，如果 batch_size 太小，比如 8，每个批次里的样本可能都挤在同一个时间窗口里，梯度估计方差大，训练过程会剧烈震荡。batch_size 取 32 是我的底线；数据量足够大时可以用 64，训练速度有明显提升，验证集 loss 曲线也会更平滑。
5.2 学习率调整策略：从固定学习率到自适应降级
Adam 优化器默认学习率是 0.001，对大部分场景够用。但训练后期 loss 进入平台期时，固定学习率会让模型在最优点附近反复震荡，提不上去。我会配合 EarlyStopping 再叠加一个 ReduceLROnPlateau 回调，当验证集 loss 连续若干轮不下降时，自动把学习率降一个量级。
from tensorflow.keras.callbacks import ReduceLROnPlateau reduce_lr = ReduceLROnPlateau( monitor='val_loss', factor=0.5, # 学习率每次乘以 0.5 patience=5, # 连续 5 轮不下降就触发降级 min_lr=1e-5, # 学习率下限，避免降得太低 verbose=1 ) # 在 model.fit 的 callbacks 列表里加入 reduce_lr history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=100, batch_size=32, callbacks=[early_stop, checkpoint, reduce_lr], verbose=1 )这个组合拳的实际效果是：前期用 0.001 的学习率快速下降，进入平台期后自动降为 0.0005，再在更小的步长下精细搜索最优点。我见过不少模型在调低学习率之后，验证集 loss 又挤出一截可观的下降。
5.3 训练过程中的常见误区：过度关注训练集 loss
新手最容易陷入的一个误区是死盯训练集 loss，看到它一路降到接近零就兴奋。但在回归预测里，训练集 loss 降到极低往往不是好事——它说明模型已经把训练数据里的噪声和细节全部背下来了，本质上是过拟合。
我的习惯是盯验证集 loss 和训练集 loss 的差距。如果两者都在下降且差距不大，那说明模型在学习泛化特征；如果训练集 loss 持续下降而验证集 loss 开始反弹，那就是过拟合的信号，需要立即介入，而不是等到训练结束再去反思。介入的手段按优先级排列：先调大 recurrent_dropout，再考虑缩小 LSTM 单元数，最后才考虑减少卷积核数量。因为卷积核数量影响的是特征提取的丰富度，砍太狠会伤及模型对有效模式的捕捉能力。
6. CNN-LSTM 回归预测里的 5 个典型坑：现象、原因与解决办法
6.1 训练集 loss 正常下降，验证集 loss 却震荡不收敛
现象：训练集上 loss 一路向下，甚至降到一个非常低的值；验证集上却在某个阈值附近来回波动，没有明显下降趋势。整体来看，模型不像是在「收敛」，更像是在原地打转。
原因：最常见的是数据切分时混入了未来信息，比如随机打乱了样本顺序，导致验证集中的部分样本和训练集在时间上有重叠，验证集评估本身就已经失真。学习率过大也会导致类似的症状——模型在最优点附近来回跳跃，根本停不下来。
解决：先确认训练集和验证集之间没有时间交集；再把学习率从 0.001 调低到 0.0005，配合 ReduceLROnPlateau 做自适应降级。如果数据分布本身存在明显的趋势漂移，比如前半年和后半年的数据均值差异很大，那就改用滚动预测交叉验证，而不是一次性固定切分。
6.2 预测结果整体滞后于真实值：曲线形态对但相位偏移
现象：预测曲线和真实曲线在形状上很接近，但整体向右偏移了一段，看起来像是把真实曲线「平移」到了未来方向。这是时间序列预测里非常典型的一种失效模式。
原因：lookback 太短，模型学不到完整的周期信息。面对周期波动明显的数据，它只能基于最近一小段趋势做惯性外推，无法感知到「上一个周期的这个位置之后会发生什么」。卷积核尺寸太小也会加剧这个问题，因为局部感受野不足以覆盖一个完整周期。
解决：增大 lookback，至少要覆盖一个完整周期。日周期数据取 24 小时以上，周周期数据取 168 小时以上；同时把 kernel_size 从 3 调到 5，让卷积核能看到更长一段局部信息。如果增大窗口后训练时间明显变长，可以考虑在卷积层后面加一个 MaxPooling1D 做降采样，而不是无脑堆卷积核数量。
6.3 卷积层之后接 LSTM 时维度报错
现象：报错信息通常类似Input 0 of layer lstm is incompatible with the layer，后面跟着一长串维度说明。模型 summary 看起来每一层都对，但跑起来就报错。
原因：Conv1D 的输出形状是三维张量 (batch_size, steps, filters)，但如果你在卷积层后面直接接了 Dense 层或者用了不支持三维输入的层，维度就对不上了。另一个常见情况是堆叠多层 LSTM 时，中间层的 return_sequences 没设为 True，输出丢失了时间步维度，下一层 LSTM 接不住。
解决：按顺序逐层检查输出形状，用model.summary()把每一层的输出形状打出来，对比下一层的期望输入形状，方向对了再接下一步。多层 LSTM 场景下，除了最后一层，中间所有 LSTM 层的 return_sequences 必须为 True。之前某开发者在多层 LSTM 堆叠时卡了三个小时，最后发现是中间层少了这个参数——这种错误报错信息很直接，但确实不容易一眼看出来。
6.4 反归一化后预测值超出合理范围：出现负值或异常大值
现象：模型在归一化空间里输出的预测值在 0 到 1 之间，看着正常。但 inverse_transform 之后，预测值变成了负数，或者远超历史最大值的量级，业务方直接质疑结果不可用。
原因：回归模型在归一化空间里的预测值本身就会有微小越界——输出 1.02 或者 -0.03 很正常。问题在于 MinMaxScaler 的反变换会把这种微小越界放大回原始量纲的偏差，导致输出值超出合理区间。
解决：在反归一化之前先对预测值做 clip，限制在 [0, 1] 之间，再做 inverse_transform。虽然这治标不治本，但至少不会让预测的库存量或温度出现负数这种尴尬数值。深层原因如果持续存在，就需要检查训练数据里是否缺少某些极端情况的样本，模型没见过，自然就预测不出来。
6.5 同一份数据多次运行结果差异巨大
现象：同样的数据、同样的模型结构、同样的训练轮数，连续跑三次，验证集上的评估指标每次都不一样，而且差异大到影响结论。
原因：模型权重初始化和 dropout 都带有随机性。如果数据量本身不大，随机初始化的影响会被放大，多次运行的结果波动自然明显。这并不代表模型有问题，只是随机性在起作用。如果你没有固定随机种子，别人也很难复现你的结果。
解决：固定随机种子是标准做法。在脚本开头设置 numpy 随机种子和 tensorflow 随机种子，保证每次运行的初始状态一致。如果固定种子之后结果依然波动，那说明数据量的随机性已经超出了结构所能稳定的范围，这时候多次运行取平均值反而是更诚实的做法——它反映的是模型的「期望水平」，而不是某一次运行的运气。
7. 进阶用法：让 CNN-LSTM 从「能跑」到「真能用」
7.1 多变量输入：从单序列到多特征并行的实战调整
大多数时候业务场景不会只给你一条时间序列。比如预测室内温度，除了温度本身，还有室外温度、湿度、风速、能耗等多个特征同时在演变。把这些特征堆叠到每个时间步里，模型能学到特征之间的耦合关系——某个特征在其他特征的配合下，对预测目标的影响方向会发生变化。这种交互关系是单变量模型学不到的。
实现上就是把输入形状从 (lookback, 1) 改成 (lookback, num_features)。比如 lookback=24，特征数=4，输入形状就是 (24, 4)。X.reshape(X.shape[0], 24, 4)这一步要提前做好。归一化必须按特征分别做，不能把所有特征拉平到同一个 scaler 里——不同特征的量纲差异很大，统一缩放会让小量纲特征的信息被大量纲特征淹没。
7.2 多步预测：设计输出层结构与损失函数调整
如果你要预测的不只是下一个时间点，而是未来 6 小时或未来 7 天，那输出层就不能只有一个神经元。常见做法是把输出层改成多个神经元，每个神经元对应未来某个步长的预测值。比如预测未来 24 小时，输出层就是 24 个神经元。
model = Sequential() model.add(Reshape((lookback, num_features), input_shape=(lookback, num_features))) model.add(Conv1D(filters=64, kernel_size=3, activation='relu', padding='valid')) model.add(Dropout(0.1)) model.add(LSTM(units=64, activation='tanh', recurrent_dropout=0.2)) model.add(Dense(units=horizon)) # horizon 为预测的步长数 model.compile(optimizer='adam', loss='mse')这里有一个设计权衡要说明：让模型直接输出一个长度为 horizon 的向量，与「自回归逐个预测」相比，其误差累积风险更小。自回归方式需要把上一步的预测值当作下一步的输入，但预测值本身有误差，误差就像一个滚雪球的过程，越往后累积越大。一次性输出整个 horizon，每一步的预测都基于真实历史信息，误差不会在预测过程中相互传染。代价是输出层需要更多神经元来拟合不同步长上的目标模式，训练难度略有增加。
7.3 模型结构的进一步探索：Bidirectional LSTM 的适用边界
在 LSTM 层外面包一层 Bidirectional，让模型同时在正向和反向两个方向上读取序列信息，在很多任务上都能带来可观的提升——文本分类、语音识别都是典型例子。但放在时间序列预测里必须极其谨慎：如果业务任务是「用历史预测未来」，那么预测时刻之后的信息在推理时天然不可见，双向结构在训练时看起来效果很好，上线后就完全失效，因为推理阶段根本没有「未来数据」可喂。
双向 LSTM 只有在预测目标是「序列中间某一段的补全」或「平滑去噪」这类任务上才真正合理。比如你有连续一个月的数据，中间缺了三天，想做插补，那缺失段前后都包含有效信息，双向就能合理利用两侧的上下文。如果你的目标是预测未来，不要因为验证集指标变好就上头，要想清楚业务里哪些信息是推理时真能拿到的。
8. 最后的几句实话：CNN-LSTM 的适用边界与我的使用习惯
从最基础的结构拆解到实际训练调参，再到那些反复被踩的坑，你应该已经对 CNN-LSTM 有了一套完整的操作框架。回到最初的问题——它到底值不值得做？我的答案是：只有当你的数据同时具备「局部模式明显」和「存在跨时间的依赖关系」这两个特征时，CNN-LSTM 才比纯 LSTM 或纯 CNN 有明显的优势。如果数据本身只是简单趋势加随机噪声，那纯 LSTM 甚至线性回归都能达到差不多的效果，你用 CNN-LSTM 纯粹是在给自己增加调参的负担。
模型失效的边界条件你也需要提前知道。CNN-LSTM 对数据分布突变非常敏感——卷积层提取的局部模板是基于历史分布学出来的，当数据分布发生突变时，这些模板就失效了。所以每隔一段时间用最新数据重新训练，保持模型新鲜度，比调任何参数都重要。这是我在多个项目上踩过坑之后总结出来的铁律。
我现在的习惯是，每次跑完一个模型，都会顺手把验证集上某几个代表性样本的预测值、真实值、模型版本号和数据时间范围记录在本地一张表里。等哪天业务方问「这个版本为什么和之前表现不一样」，我能立刻翻出记录对比，而不是重新训练一遍去猜。这个习惯帮我避免过很多次的无效排查和重复劳动。CNN-LSTM 这条路说难不难，但每一步都有值得留神的细节；希望这篇能帮你把关键坑都提前避开，少折腾几轮，把时间花在真正能提升预测效果的地方。希望帮到你。
本文还有配套的精品资源，点击获取
