简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 深度学习
• 机器学习
• TensorFlow
• 人工智能
• Python
• 算法
• 数据科学
• 神经网络
• 书籍
• 技术

店铺： 蓝墨水图书专营店

出版社： 电子工业出版社

ISBN：9787121312700

商品编码：12653561851

7册 深入浅出深度学习+深度学习原理与TensorFlow实践+TensorFlow实战+Tensorflow 实战Google+Caffe+语音识别+神经网络与深度学习

9787121312700 9787121312984 9787121309120 9787121309595 9787121287961 9787121301186 9787121288692

深入浅出深度学习：原理剖析与Python实践

定价: 79.00元 

 

作者： 黄安埠   

出版社：电子工业出版社

ISBN：9787121312700

上架时间：2017-5-12

出版日期：2017 年5月

开本：16开

页码：344

版次：1-1

所属分类：计算机

 

编辑推荐

本书*大的特色在于取舍明确，一切无助于迅速理解深度学习精髓的内容全被摒弃了，并着重阐述了技术上的重点和难点；表达上深入浅出：即便是从未接触过AI知识的人，也能从作者简明清晰的表述中，一窥深度学习的殿堂。

对任何一位想成为AI/深度学习领域工程师的读者来说，《深入浅出深度学习：原理剖析与Python实践》能帮你迅速打开AI的大门，并成长为一名合格的AI工程师。

 

    计算机书籍

《深入浅出深度学习：原理剖析与Python实践》介绍了深度学习相关的原理与应用，全书共分为三大部分，，部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和*优化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。

《深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的*后都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。*后，理论与实践相结合，《深入浅出深度学习：原理剖析与Python实践》针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看《深入浅出深度学习：原理剖析与Python实践》的代码（https://github.com/innovation-cat/DeepLearningBook）。 

作译者

黄安埠，2012年毕业于清华大学，获硕士学位，在校期间活跃于TopCoder等编程竞赛社区。现为腾讯基础研究高级工程师，研究领域包括个性化推荐、自然语言处理和大规模的相似度优化计算，特别是对于深度学习在推荐系统的应用有深入的研究，并申请了国内十余项相关专利。

本书的配套代码，读者也可以在作者的Github主页中下载查看：

https://github.com/innovation-cat/DeepLearningBook) 

第1 部分 概要 1

1 绪论 2

1.1 人工智能、机器学习与深度学习的关系 3

1.1.1 人工智能--机器推理 4

1.1.2 机器学习--数据驱动的科学 5

1.1.3 深度学习--大脑的仿真 8

1.2 深度学习的发展历程 8

1.3 深度学习技术概述 10

1.3.1 从低层到高层的特征抽象 11

1.3.2 让网络变得更深 13

1.3.3 自动特征提取 14

1.4 深度学习框架 15

2 Theano 基础 19

2.1 符号变量 20

2.2 符号计算的抽象--符号计算图模型 23

2.3 函数 26

2.3.1 函数的定义 26

2.3.2 Logistic回归 27

2.3.3 函数的复制 29

2.4 条件表达式 31

2.5 循环 32

2.6 共享变量 39

2.7 配置 39

2.7.1 通过THEANO_FLAGS配置 40

2.7.2 通过. theanorc文件配置 41

2.8 常用的Debug技巧 42

2.9 小结 43

第2 部分 数学与机器学习基础篇 45

3 线性代数基础 46

3.1 标量、向量、矩阵和张量 46

3.2 矩阵初等变换 47

3.3 线性相关与向量空间 48

3.4 范数 49

3.4.1 向量范数 49

3.4.2 矩阵范数 53

3.5 特殊的矩阵与向量 56

3.6 特征值分解 57

3.7 奇异值分解 58

3.8 迹运算 60

3.9 样例：主成分分析 61

4 概率统计基础 64

4.1 样本空间与随机变量 65

4.2 概率分布与分布函数 65

4.3 一维随机变量 66

4.3.1 离散型随机变量和分布律 66

4.3.2 连续型随机变量和概率密度函数 67

4.4 多维随机变量 68

4.4.1 离散型二维随机变量和联合分布律 69

4.4.2 连续型二维随机变量和联合密度函数 69

4.5 边缘分布 70

4.6 条件分布与链式法则 71

4.6.1 条件概率 71

4.6.2 链式法则 73

4.7 多维随机变量的独立性分析 73

4.7.1 边缘独立 74

4.7.2 条件独立 74

4.8 数学期望、方差、协方差 75

4.8.1 数学期望 75

4.8.2 方差 76

4.8.3 协方差 76

4.8.4 协方差矩阵 78

4.9 信息论基础 81

4.9.1 信息熵 81

4.9.2 条件熵 83

4.9.3 互信息 84

4.9.4 相对熵与交叉熵 84

5 概率图模型 87

5.1 生成模型与判别模型 89

5.2 图论基础 90

5.2.1 图的结构 90

5.2.2 子图 91

5.2.3 路径、迹、环与拓扑排序 92

5.3 贝叶斯网络 95

5.3.1 因子分解 96

5.3.2 局部马尔科夫独立性断言 99

5.3.3 I-Map与因子分解 100

5.3.4 有效迹 103

5.3.5 D-分离与全局马尔科夫独立性 108

5.4 马尔科夫网络 108

5.4.1 势函数因子与参数化表示 109

5.4.2 马尔科夫独立性 111

5.5 变量消除 114

5.6 信念传播 116

5.6.1 聚类图 116

5.6.2 团树 120

5.6.3 由变量消除构建团树 123

5.7 MCMC采样原理 126

5.7.1 随机采样 127

5.7.2 随机过程与马尔科夫链 128

5.7.3 MCMC采样 132

5.7.4 Gibbs采样 134

5.8 参数学习 137

5.8.1 *大似然估计 137

5.8.2 期望*大化算法 138

5.9 小结 140

6 机器学习基础 142

6.1 线性模型 143

6.1.1 线性回归 143

6.1.2 Logistic回归 148

6.1.3 广义的线性模型 150

6.2 支持向量机 151

6.2.1 *优间隔分类器 152

6.2.2 对偶问题 155

6.2.3 核函数 156

6.3 朴素贝叶斯 160

6.4 树模型 162

6.4.1 特征选择 163

6.4.2 剪枝策略 165

6.5 聚类 166

6.5.1 距离度量 167

6.5.2 层次聚类 168

6.5.3 K-means聚类 171

6.5.4 谱聚类 172

7 数值计算与*优化 177

7.1 无约束极小值的*优化条件 177

7.2 梯度下降 179

7.2.1 传统更新策略 181

7.2.2 动量更新策略 183

7.2.3 改进的动量更新策略 184

7.2.4 自适应梯度策略 187

7.3 共轭梯度 188

7.4 牛顿法 192

7.5 拟牛顿法 194

7.5.1 拟牛顿条件 194

7.5.2 DFP算法 195

7.5.3 BFGS算法 196

7.5.4 L-BFGS算法 197

7.6 约束*优化条件 200

第3 部分 理论与应用篇 205

8 前馈神经网络 206

8.1 生物神经元结构 207

8.2 人工神经元结构 208

8.3 单层感知机 209

8.4 多层感知机 212

8.5 激活函数 217

8.5.1 激活函数的作用 217

8.5.2 常用的激活函数 219

9 反向传播与梯度消失 225

9.1 经验风险*小化 227

9.2 梯度计算 228

9.2.1 输出层梯度 228

9.2.2 隐藏层梯度 230

9.2.3 参数梯度 234

9.3 反向传播 235

9.4 深度学习训练的难点 237

9.4.1 欠拟合--梯度消失 237

9.4.2 过拟合 240

10 自编码器及其相关模型 243

10.1 自编码器 243

10.2 降噪自编码器 245

10.3 栈式自编码器 247

10.4 稀疏编码器 250

10.5 应用：cifar10图像分类 254

11 玻尔兹曼机及其相关模型 258

11.1 玻尔兹曼机 258

11.2 能量模型 261

11.2.1 能量函数 261

11.2.2 从能量函数到势函数 262

11.2.3 从势函数到概率分布 263

11.3 推断 264

11.3.1 边缘分布 265

11.3.2 条件分布 267

11.4 学习 270

11.4.1 *大似然估计 271

11.4.2 对比散度 274

11.5 应用：个性化推荐 276

11.5.1 个性化推荐概述 276

11.5.2 个性化推荐架构与算法 279

11.5.3 RBM与协同过滤 285

12 递归神经网络 291

12.1 Elman递归神经网络 292

12.2 时间反向传播 295

12.3 长短时记忆网络 299

12.4 结构递归神经网络 302

12.5 应用：语言模型 308

12.5.1 N元统计模型 308

12.5.2 基于LSTM 构建语言模型 312

13 卷积神经网络 318

13.1 卷积运算 319

13.2 网络结构 320

13.3 卷积层 324

13.4 池化层 329

13.5 应用：文本分类 333 

↑折 叠

 

 

2.

深度学习原理与TensorFlow实践

出版社: 电子工业出版社; 第1版 (2017年6月1日)

平装

ISBN: 9787121312984

条形码: 9787121312984

品牌: 电子工业出版社

 

 

3.

Tensorflow：实战Google深度学习框架（首著惊现 豪门力促一统DL江湖 面向未来 抢占人工智能至高点）

 

才云科技Caicloud郑泽宇 顾思宇 著

 

ISBN 978-7-121-30959-5

 

2017年3月出版

 

定价：79.00元

 

 

4.

Tensorflow：实战Google深度学习框架

 

定价：￥79.00

 

 

作者：才云科技Caicloud 郑泽宇 顾思宇  

 

出版社：电子工业出版社

 

ISBN：9787121309595

 

上架时间：2017-2-10

 

出版日期：2017 年3月

 

开本：16开

 

页码：296

 

版次：1-1

 

 

 

5.

深度学习——Caffe之**模型详解与实战

 

 

 

 

 

 

定价：￥79.00

 

 

作者： 乐毅   

出版社：电子工业出版社

ISBN：9787121301186

上架时间：2016-11-8

出版日期：2016 年10月

开本：16开

页码：344

版次：1-1

所属分类：计算机 > 人工智能 > 综合

 

 

6.

神经网络与深度学习

 

 

 

 

 

 

定价：￥59.00

 

 

作者： 吴岸城   

出版社：电子工业出版社

ISBN：9787121288692

上架时间：2016-6-16

出版日期：2016 年6月

开本：16开

页码：232

版次：1-1

所属分类：计算机 > 人工智能 > 综合

 

 

7.

解析深度学习：语音识别实践

 

 

 

 

 

 

定价：￥79.00

 

 

作者： 俞栋   

出版社：电子工业出版社

ISBN：9787121287961

上架时间：2016-6-15

出版日期：2016 年6月

开本：16开

页码：336

版次：1-1

所属分类：计算机 > 人工智能 > 综合

 

编辑推荐

AlphaGo与李世石的围棋大战激发了人们对人工智能是非的诸多争论。人工智能背后的工作原理深度学习跳入大众的视野。AlphaGo的大获全胜一定程度展示了深度学习在应用领域的成功，而语音识别正是深度学习取得显著成功的应用领域之一。

本书是首次以深度学习为主线介绍语音识别应用的书籍，对读者了解语音识别技术及其发展历程有重要的参考价值。

本书作者俞栋、邓力均是该领域的著名专家，他们是深度学习在应用领域取得突破性进展的推动者与实践者，他们在书中分享的研究成果一定程度上代表了本领域·新的研究进展；译者俞凯、钱彦旻也是本领域的资深专家，并有众多实践成果。对于从事此领域研究的读者来说，本书无疑有重要的参考价值。

一本探索人工智能前沿理论与实践的著作，它将带您领略机器学习的宏伟蓝图，深入剖析神经网络的奥秘，并逐步掌握当下最炙手可热的深度学习框架。本书内容丰富，逻辑严谨，既有扎实的理论基础，又有贴合实际的编程实践，力求让您在最短的时间内，以最有效的方式，成为一名合格的深度学习工程师。 第一部分：深度学习的理论基石 在人工智能的浪潮中，深度学习无疑是其中最耀眼的明星。本书的开篇，将为您构建坚实的理论基石，让您深刻理解深度学习的核心思想与工作原理。 机器学习概览： 在深入深度学习之前，我们首先回顾机器学习的基本概念。您将了解监督学习、无监督学习、强化学习等主要范式，以及特征工程、模型评估等关键环节。我们将探讨不同算法的优劣，为后续的学习打下坚实的基础。 神经网络的起源与演进： 神经网络是深度学习的灵魂。本书将追溯神经网络的发展历程，从简单的感知机到多层感知机，再到更复杂的深度神经网络。您将理解神经元的结构、激活函数的作用，以及如何通过反向传播算法训练网络。 核心深度学习模型解析： 卷积神经网络（CNN）： 专为处理图像数据而设计，CNN在图像识别、目标检测等领域取得了革命性的成就。我们将详细解析卷积层、池化层、全连接层的原理，并通过实例展示CNN在计算机视觉中的强大应用。 循环神经网络（RNN）及其变体： RNN是处理序列数据（如文本、语音）的利器。您将学习RNN的循环结构如何捕捉时间依赖性，并深入了解LSTM（长短期记忆网络）和GRU（门控循环单元）如何解决梯度消失问题，实现更长序列的有效建模。 Transformer 模型： 作为当前自然语言处理（NLP）领域最前沿的模型，Transformer以其自注意力机制彻底改变了序列建模。本书将详细阐述其核心组件——自注意力机制、多头注意力、位置编码，以及它如何实现并行化计算，大幅提升训练效率。 优化算法与正则化技术： 训练深度神经网络并非易事，需要精密的优化算法和有效的正则化技术来指导。我们将介绍梯度下降及其变种（如SGD、Adam），以及Dropout、Batch Normalization等正则化方法，帮助您避免过拟合，提升模型的泛化能力。 损失函数与评估指标： 选择合适的损失函数和评估指标是衡量模型性能的关键。本书将介绍分类、回归任务中常用的损失函数（如交叉熵、均方误差），并讲解准确率、召回率、F1分数、AUC等评估指标的意义与计算方法。 第二部分：TensorFlow实战指南 理论的掌握离不开实践的检验。TensorFlow作为Google推出的开源深度学习框架，以其灵活性和强大的生态系统，成为众多开发者首选的工具。本书将带领您循序渐进地掌握TensorFlow的使用。 TensorFlow入门： 安装与配置： 提供详细的安装指南，帮助您快速搭建TensorFlow开发环境，包括CPU和GPU版本的安装。 TensorFlow核心概念： 深入理解TensorFlow中的张量（Tensor）、计算图（Computational Graph）、操作（Operation）、会话（Session）等基本概念，这是使用TensorFlow进行编程的基础。 API概览： 介绍TensorFlow提供的各种高级API，如tf.keras，它将极大地简化神经网络的构建和训练过程。 使用tf.keras构建模型： tf.keras是TensorFlow官方推荐的高层API，它提供了模块化、易于使用的接口来构建和训练神经网络。 Sequential API： 学习如何通过Sequential API按顺序堆叠神经网络层，快速搭建简单的模型。 Functional API： 掌握Functional API的灵活性，构建更复杂的模型，如多输入、多输出模型，以及带有共享层的模型。 Model Subclassing： 了解如何通过继承Model类来创建自定义模型，实现更高级的定制化需求。 数据预处理与加载： 高质量的数据是模型成功的关键。本书将介绍如何在TensorFlow中进行高效的数据预处理，包括数据清洗、特征缩放、数据增强等。您还将学习如何使用tf.data API构建高效的数据管道，实现数据的并行加载和预取，从而加快训练速度。 模型训练与评估： 编译模型： 学习如何使用`compile`方法配置模型的优化器、损失函数和评估指标。 训练模型： 使用`fit`方法训练模型，并理解训练过程中的批量（Batch）和周期（Epoch）的概念。 评估与监控： 使用`evaluate`方法评估模型性能，并通过TensorBoard等工具进行训练过程的可视化监控，及时发现潜在问题。 模型保存与加载： 学习如何保存训练好的模型权重，以便后续的部署和推理，以及如何加载模型进行微调或继续训练。 常见深度学习任务的TensorFlow实现： 图像分类： 使用CNN模型实现经典的图像分类任务，如MNIST、CIFAR-10数据集。 文本分类与序列标注： 利用RNN、LSTM、GRU或Transformer模型解决文本分类、情感分析、命名实体识别等NLP问题。 目标检测与图像分割： 介绍如何使用TensorFlow实现YOLO、SSD等目标检测算法，以及U-Net等图像分割模型。 生成模型： 探索GAN（生成对抗网络）和VAE（变分自编码器）等生成模型，用于图像生成、文本生成等任务。 部署与推理： 学习如何将训练好的TensorFlow模型导出为SavedModel格式，并在不同的平台（如服务器、移动设备）上进行高效的推理。 第三部分：深度学习的前沿与进阶 在掌握了深度学习的基本理论和TensorFlow的实践技巧后，本书将带领您探索更广阔的深度学习领域。 迁移学习与预训练模型： 了解迁移学习的思想，如何利用在大规模数据集上预训练的模型（如ResNet, VGG, BERT）来加速和提升您在特定任务上的模型性能。 无监督学习与自监督学习： 探索非监督学习和自监督学习的最新进展，它们能够在没有大量标注数据的情况下，从数据本身学习有用的表示。 强化学习基础： 简要介绍强化学习的基本概念，如智能体、环境、奖励、策略，以及Q-learning、Deep Q-Network（DQN）等经典算法。 模型部署与优化： 深入讨论模型在实际应用中的部署挑战，包括模型压缩、量化、推理加速等技术。 深度学习伦理与安全： 关注深度学习在伦理、隐私、偏见和安全等方面的重要议题，引导读者负责任地开发和使用AI技术。 未来趋势展望： 对深度学习的未来发展方向进行展望，包括图神经网络（GNN）、可解释AI（XAI）、联邦学习等新兴领域。 本书旨在成为您深度学习学习旅程中的得力助手，无论您是初学者，还是希望深化理解的开发者，都能从中获益。通过理论与实践的完美结合，您将不仅理解深度学习“如何工作”，更能掌握“如何让它为你工作”。

评分☆☆☆☆☆

我最近沉醉在一本关于深度学习在时间序列分析中的应用的书籍中。这本书的视角非常独特，它不仅仅局限于传统的统计模型，而是将目光投向了如何利用深度学习强大的模式识别能力来处理具有时间依赖性的数据。我特别喜欢书中对ARIMA、ETS等经典时间序列模型的简要回顾，并在此基础上，详细介绍了如何将其与神经网络结合。例如，作者讲解了如何使用RNN、LSTM和GRU来捕捉时间序列中的长期依赖关系，以及如何利用卷积神经网络（CNN）来提取时间序列中的局部特征。书中还重点探讨了Transformer模型在时间序列预测中的应用，解释了其自注意力机制如何有效地捕捉序列中的任意位置关系，而不仅仅是局部的依赖。我印象最深刻的是书中关于天气预测、股票市场分析和用户行为预测等多个实际案例的详细分析。作者通过具体的代码示例，展示了如何构建和训练深度学习模型来解决这些复杂的时间序列问题。这本书的理论深度和实践指导性都非常强，它让我看到了深度学习在处理金融、气象、交通等多个领域的时间序列数据方面的巨大潜力。

评分☆☆☆☆☆

我近期深入阅读了一本聚焦于自然语言处理（NLP）核心技术的书籍。这本书的重点在于词嵌入（Word Embeddings）和循环神经网络（RNN）的演进，以及Transformer模型的崛起。作者以一种非常细腻的笔触，从最基础的One-hot编码讲起，逐步引出了Word2Vec、GloVe等词向量模型，清晰地解释了它们如何捕捉词语之间的语义关系。我尤其赞赏书中对RNN及其变种（如LSTM和GRU）的讲解，他用生动的比喻，比如“记忆长廊”，来形容RNN的循环结构，并详细阐述了它们在处理序列数据时的优势和局限性。然而，这本书的真正亮点在于对Transformer模型的全面解读。作者花了大量的篇幅，从自注意力机制（Self-Attention）到多头注意力（Multi-Head Attention），再到位置编码（Positional Encoding），一步步构建起Transformer的宏伟蓝图。书中还深入探讨了BERT、GPT等预训练模型的原理和应用，并提供了一些将这些模型应用于文本生成、机器翻译、情感分析等任务的实践指导。读完这本书，我感觉自己对NLP领域的前沿技术有了前所未有的深入理解，也为我未来在该领域的深入研究奠定了坚实的基础。

评分☆☆☆☆☆

我最近沉迷于一本关于强化学习在复杂系统中的应用的书籍。这本书的视角非常独特，它不是简单地罗列算法，而是从“智能体如何与环境交互并做出最优决策”这一核心问题出发，构建了一个完整的知识体系。书中详细讲解了Q-learning、Deep Q-Networks (DQN)、Policy Gradients等经典强化学习算法，并用生动的案例，比如机器人导航、游戏AI设计等，来阐述这些算法的原理和适用场景。我印象最深刻的是关于“信用分配问题”的讨论，作者通过一个复杂的迷宫游戏，一步步剖析了智能体如何学习到哪些动作是真正带来奖励的关键，以及如何处理延迟奖励带来的挑战。这本书的逻辑性非常强，从基础概念到高级应用，过渡自然流畅。它还特别强调了在实际应用中，如何处理高维状态空间、稀疏奖励等问题，并提供了一些实用的技巧和经验。读完这本书，我感觉自己对如何设计能够解决现实世界复杂问题的AI系统有了全新的认识。它让我明白，强化学习不仅仅是算法的堆叠，更是一种解决问题的思维方式，一种不断试错、学习和优化的过程。这本书的深度和广度都令人称赞，对于想要深入了解强化学习并将其应用于实际的读者来说，是一本必读之作。

评分☆☆☆☆☆

我最近花了大量时间研究一本关于计算机视觉中的深度学习模型的书。这本书非常系统地梳理了从早期的卷积神经网络（CNN）到如今最前沿的注意力机制在视觉领域的应用。我特别喜欢作者对CNN的经典架构，如LeNet、AlexNet、VGG、GoogLeNet和ResNet的详细剖析。他不仅仅是列出网络结构，而是深入讲解了每一代网络在设计上的创新点，比如AlexNet中的ReLU激活函数、GoogLeNet中的Inception模块，以及ResNet中残差连接的妙用。书中的配图非常精美，清晰地展示了卷积、池化、全连接等基本操作，以及特征图的演变过程。更难得的是，这本书还花费了大量篇幅介绍目标检测（如Faster R-CNN、YOLO）和图像分割（如FCN、U-Net）等具体任务的模型。作者通过实际的代码片段和算法流程图，让这些复杂的技术变得触手可及。我尝试用书中提供的方法在自己的数据集上训练一个简单的图像分类模型，效果出乎意料的好。这本书不仅仅是知识的传授，更是一种思维的启迪，它让我看到了深度学习在理解和处理图像方面的强大能力，也为我未来的研究方向提供了明确的指引。

评分☆☆☆☆☆

这本书的名字是《包邮7册 深入浅出深度学习+深度学习原理与TensorFlow实践+TensorFlow实》，但我的阅读体验聚焦在了其中一本关于生成式AI模型原理与应用的探索的图书上。这本书以一种非常直观的方式，从最基础的数学概念讲起，层层递进，揭示了Transformer架构的精妙之处。我尤其喜欢作者对于Attention机制的讲解，他用类比和图示相结合的方式，将一个看似复杂的技术概念变得清晰易懂。书中还详细介绍了如何从零开始构建一个简单的语言模型，并提供了丰富的代码示例，让我能够亲手实践，加深理解。更令人惊喜的是，这本书还深入探讨了Diffusion Model和GANs等生成式模型的原理，并结合实际案例，讲解了如何在图像生成、文本创作等领域应用这些技术。我曾尝试用书中的方法复现一些知名的生成式模型，虽然过程充满挑战，但最终的成果让我非常有成就感。这本书不仅仅是理论的堆砌，更是一份实践的指南，对于想要进入生成式AI领域的研究者或开发者来说，绝对是一份不可多得的宝藏。它让我看到了AI在创造性领域的巨大潜力，也激发了我对未来AI发展的无限遐想。