梁西銀，路 霄，錢(qián)恒禮，李雙豆，蘇茂根

(1.甘肅省智能信息技術(shù)與應(yīng)用工程研究中心，西北師范大學(xué) 物理與電子工程學(xué)院，甘肅 蘭州 730070； 2.甘肅省原子分子物理與功能材料重點(diǎn)實(shí)驗(yàn)室，西北師范大學(xué) 物理與電子工程學(xué)院，甘肅 蘭州 730070)

中藥材是中醫(yī)治病防病的基礎(chǔ)，特別是道地藥材已成為我國(guó)傳統(tǒng)優(yōu)質(zhì)中藥材的代名詞.道地藥材被認(rèn)為是歷史悠久、產(chǎn)地適宜、品種優(yōu)良、療效突出、帶有地域性特點(diǎn)的中藥材[1].由于生產(chǎn)較為集中，栽培技術(shù)和采收加工等環(huán)節(jié)都有一定的講究，因而相較于非道地產(chǎn)區(qū)的同種藥材品質(zhì)和療效更佳.我國(guó)幅員遼闊，地理環(huán)境復(fù)雜多變，不同產(chǎn)區(qū)中藥材質(zhì)量存在巨大差異[2].以黃芪為例，山西恒山黃芪、甘肅隴西黃芪及內(nèi)蒙地區(qū)的黃芪是醫(yī)藥行業(yè)公認(rèn)的道地黃芪，質(zhì)量?jī)?yōu)于其它產(chǎn)地.經(jīng)中醫(yī)臨床驗(yàn)證及長(zhǎng)期應(yīng)用，也證實(shí)了藥材的有效性及臨床用藥安全性與藥材產(chǎn)地有密不可分的關(guān)系[3].然而，在當(dāng)前藥材市場(chǎng)流通過(guò)程中經(jīng)常發(fā)現(xiàn)存在摻假、混用和冒充道地藥材的現(xiàn)象，這嚴(yán)重?fù)p害了消費(fèi)者利益，也給中藥材質(zhì)量監(jiān)管帶來(lái)了挑戰(zhàn).因此，開(kāi)展中藥材產(chǎn)地快速識(shí)別研究很有必要，將會(huì)對(duì)中藥材產(chǎn)品產(chǎn)地管理、藥材來(lái)源可追溯以及保障質(zhì)量安全產(chǎn)生積極作用.

激光誘導(dǎo)擊穿光譜(Laser induced breakdown spectroscopy, LIBS)技術(shù)是一種原子發(fā)射光譜分析方法，目前已成為一種新興的元素定量檢測(cè)和成分分析技術(shù).LIBS技術(shù)具有原位分析、快速檢測(cè)、無(wú)需復(fù)雜樣品制備以及多元素聯(lián)測(cè)等優(yōu)點(diǎn)，已廣泛應(yīng)用于太空探索[4]、文物考古[5]、生物醫(yī)學(xué)[6]等領(lǐng)域.近年來(lái)，LIBS技術(shù)與監(jiān)督機(jī)器學(xué)習(xí)和化學(xué)計(jì)量學(xué)相結(jié)合在有效識(shí)別具有相似化學(xué)成分的材料方面表現(xiàn)出了巨大的潛力.張大成等[7]為了追溯銀杏葉的地理起源，利用LIBS技術(shù)結(jié)合線性判別分析(Linear discriminant analysis，LDA)和支持向量機(jī)(Support vector machine， SVM)對(duì)8個(gè)不同地點(diǎn)的銀杏葉進(jìn)行了分類(lèi)識(shí)別，LDA和SVM模型的準(zhǔn)確識(shí)別率分別為 97.50% 和 96.25%.鄭培超等[8]采用LIBS技術(shù)結(jié)合隨機(jī)森林(Random forest， RF)算法對(duì)5個(gè)等級(jí)的石斛進(jìn)行了分類(lèi)，得到最佳準(zhǔn)確識(shí)別率為96.46%.以上研究結(jié)果表明LIBS技術(shù)與傳統(tǒng)機(jī)器學(xué)習(xí)方法相結(jié)合是一種在物質(zhì)分類(lèi)和產(chǎn)地溯源等領(lǐng)域很有應(yīng)用前景的技術(shù).然而，在元素組成相似度較高的樣品識(shí)別中，分類(lèi)效果仍有提升空間.卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks, CNN)作為深度學(xué)習(xí)的代表性算法之一，廣泛應(yīng)用于圖像處理領(lǐng)域[9]，目前在光譜分析領(lǐng)域的研究也有報(bào)道.Chen 等[10]將LIBS技術(shù)與CNN模型相結(jié)合用于識(shí)別5種巖石樣品，CNN在驗(yàn)證集和測(cè)試集上的準(zhǔn)確識(shí)別率分別為 98.77%和100%.孫淼等[11]利用LIBS技術(shù)結(jié)合CNN的方法對(duì)5種不同鉛含量的土壤進(jìn)行了分類(lèi)，準(zhǔn)確識(shí)別率達(dá)到99%以上.

綜上，在同類(lèi)樣品中，由于相似的元素組成和復(fù)雜的基體效應(yīng)[12]，使得傳統(tǒng)機(jī)器學(xué)習(xí)方法難以同時(shí)滿足高效和準(zhǔn)確的要求.為了進(jìn)一步提高分類(lèi)識(shí)別的準(zhǔn)確率，文中基于LIBS光譜數(shù)據(jù)，采用CNN模型對(duì)藥材產(chǎn)地進(jìn)行快速識(shí)別，并在網(wǎng)絡(luò)結(jié)構(gòu)中加入了卷積塊注意力模塊(Convolutional block attention module， CBAM)，對(duì)卷積計(jì)算后的重要特征進(jìn)行關(guān)注，以期獲得更高的分類(lèi)準(zhǔn)確率.為了驗(yàn)證所提方法的有效性，不僅與CNN基礎(chǔ)模型進(jìn)行了比較，還與粒子群優(yōu)化支持向量機(jī)和粒子群優(yōu)化隨機(jī)森林等傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行了比較.

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)裝置

實(shí)驗(yàn)裝置如圖1所示.Nd：YAG激光器產(chǎn)生波長(zhǎng)為1 064 nm，脈寬為8 ns的脈沖激光，經(jīng)透鏡聚焦后作用在置于三維移動(dòng)平臺(tái)上的樣品表面，對(duì)樣品燒蝕產(chǎn)生等離子體，等離子體輻射經(jīng)光纖傳輸至配有增強(qiáng)型電荷耦合器件(ICCD)探測(cè)器(PI-MAX4)的中階梯光柵光譜儀(LTB，Aryelle200)，可實(shí)現(xiàn)200～800 nm波段的光譜測(cè)量.數(shù)字脈沖延遲發(fā)生器(DG535)用于激光脈沖、探測(cè)器和三維移動(dòng)平臺(tái)間的時(shí)序控制.

1.2 樣品制備

實(shí)驗(yàn)中的5種黃芪樣品分別產(chǎn)自黑龍江大興安嶺地區(qū)、山西省渾源縣、甘肅省定西市、內(nèi)蒙古赤峰市和四川省理塘縣.為了克服非均勻性對(duì)LIBS光譜的影響，實(shí)驗(yàn)前對(duì)樣品進(jìn)行簡(jiǎn)單預(yù)處理.利用研磨機(jī)將原始藥材研磨至粉末，依次用30目和200目分析篩將研磨后的藥材粉末按照顆粒大小進(jìn)行過(guò)篩分離.對(duì)5種粉末樣品，分別取3 g藥材粉末利用壓片機(jī)壓制成直徑為30 mm、厚度為2 mm的圓餅狀實(shí)驗(yàn)樣品.

圖1 LIBS實(shí)驗(yàn)裝置示意圖

表1 實(shí)驗(yàn)樣品描述

1.3 數(shù)據(jù)獲取與預(yù)處理

采用實(shí)驗(yàn)室搭建的LIBS系統(tǒng)對(duì)5種黃芪壓餅樣品進(jìn)行測(cè)量，測(cè)量時(shí)激光能量為40 mJ，焦點(diǎn)位于靶表面下方 2 mm，延遲時(shí)間設(shè)為2 200 ns，該條件測(cè)量的LIBS光譜信號(hào)強(qiáng)度、信背比和光譜穩(wěn)定性最優(yōu).實(shí)驗(yàn)中5種黃芪樣品各采集200組光譜，每組光譜數(shù)據(jù)包含了42 841個(gè)“特征”，構(gòu)成了大小為1 000×42 841的原始光譜數(shù)據(jù)集.獲取原始數(shù)據(jù)之后，為了降低系統(tǒng)負(fù)荷和提高算法的速度，對(duì)光譜數(shù)據(jù)進(jìn)行了預(yù)處理，采用最大最小值歸一化法來(lái)改變光譜強(qiáng)度范圍，將光譜強(qiáng)度縮放為0～1范圍內(nèi).歸一化的公式為

其中，y和y′分別為該波長(zhǎng)點(diǎn)歸一化前后的光譜強(qiáng)度值；ymax和ymin分別為一組光譜數(shù)據(jù)中強(qiáng)度最大值和最小值.

1.4 CNN-CBAM模型

利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)LIBS光譜進(jìn)行分類(lèi)識(shí)別時(shí)，更希望網(wǎng)絡(luò)去關(guān)注重要特征，忽視無(wú)用特征.LIBS光譜數(shù)據(jù)中存在連續(xù)背景或噪聲等干擾信號(hào)，由于CNN模型中各網(wǎng)絡(luò)層給每個(gè)輸入分配的權(quán)重是相同的，無(wú)法對(duì)某些特定的輸入進(jìn)行關(guān)注，干擾信號(hào)也保留在原始通道上參與訓(xùn)練.注意力機(jī)制的引入在一定程度上可以解決CNN框架中存在的不足，通過(guò)調(diào)整權(quán)重可使網(wǎng)絡(luò)更加關(guān)注重要的信息,從而達(dá)到優(yōu)化模型的目的.CBAM 是一種為 CNN 設(shè)計(jì)的簡(jiǎn)單、有效的注意力模塊，它結(jié)合了通道注意力模塊(Channel attention module， CAM)和空間注意力模塊(Spatial attention module， SAM)兩個(gè)部分[13]，對(duì)于輸入的特征，CBAM 會(huì)從通道和空間兩個(gè)維度計(jì)算出特征圖的權(quán)重圖，然后將權(quán)重圖與輸入的特征圖相乘來(lái)提取關(guān)鍵特征.Woo等通過(guò)實(shí)驗(yàn)研究發(fā)現(xiàn)，先進(jìn)行通道注意力機(jī)制，再對(duì)其結(jié)果施加空間注意力機(jī)制，這樣的順序會(huì)獲得更好的效果，同時(shí)CBAM模塊處于網(wǎng)絡(luò)的不同位置也會(huì)產(chǎn)生性能差異[14].圖2給出了CBAM模塊的示意圖.

圖2 卷積塊注意力模塊

通道注意力模塊結(jié)構(gòu)如圖3所示，該模塊對(duì)輸入的特征圖分別進(jìn)行全局最大池化和全局平均池化，得到通道權(quán)值矩陣.之后將得到的兩個(gè)權(quán)值矩陣輸入到一個(gè)多層感知器中學(xué)習(xí)權(quán)值的優(yōu)化，再對(duì)多層感知器兩個(gè)輸出部分逐元素相加，經(jīng)過(guò)sigmoid激活函數(shù)將此值固定到[0,1]，形成通道權(quán)重特征圖Mc.將Mc與輸入特征圖F做逐元素相乘操作，生成空間注意力模塊需要的輸入特征F′.

圖3 通道注意力模塊

空間注意力模塊結(jié)構(gòu)如圖4所示.該模塊沿通道軸來(lái)生成空間上的權(quán)重特征圖Ms.對(duì)輸入的特征圖F′首先進(jìn)行全局最大池化和全局平均池化，得到兩個(gè)特征圖，再對(duì)其進(jìn)行卷積，卷積層的通道數(shù)是1，獲得了高寬為1的特征層，利用sigmoid激活函數(shù)獲得每一個(gè)的權(quán)重.然后將權(quán)重乘上輸入的特征圖F′，得到輸出特征圖F″.

圖4 空間注意力模塊

文中提出的CNN-CBAM混合模型中，CNN框架為L(zhǎng)eNet5結(jié)構(gòu).在輸入層對(duì)LIBS光譜進(jìn)行重構(gòu)，將一維光譜數(shù)據(jù)轉(zhuǎn)換為二維矩陣.采用先卷積(20個(gè)3×3卷積核，步長(zhǎng)為1，無(wú)填充)，再池化(2×2，步長(zhǎng)為2的池化核)，再卷積(20個(gè)3×3卷積核，步長(zhǎng)為1，無(wú)填充)，再池化(2×2，步長(zhǎng)為2的池化核)，全連接層1(128個(gè)神經(jīng)元)，全連接層2(5個(gè)神經(jīng)元)的結(jié)構(gòu).在每個(gè)卷積層之后加入CBAM模塊，對(duì)卷積計(jì)算后的重要特征進(jìn)行關(guān)注.激活函數(shù)選用ReLU.CNN-CBAM模型結(jié)構(gòu)如圖5所示.

圖5 CNN-CBAM混合模型網(wǎng)絡(luò)結(jié)構(gòu)

2 結(jié)果與分析

2.1 LIBS光譜分析

圖6給出了5個(gè)不同產(chǎn)地黃芪在局部波段內(nèi)的LIBS光譜圖.從圖中可以看出，不同產(chǎn)區(qū)黃芪所含同種元素的譜線強(qiáng)度不同.通過(guò)觀察，發(fā)現(xiàn)四川理塘所產(chǎn)黃芪的發(fā)射譜線強(qiáng)度弱于其它產(chǎn)區(qū)，甘肅定西所產(chǎn)黃芪在279.55 nm和280.27 nm處具有更強(qiáng)的MgⅡ發(fā)射線，在393.36 nm和396.85 nm處具有更強(qiáng)的CaⅡ發(fā)射線，內(nèi)蒙古赤峰所產(chǎn)的黃芪在588.99 nm和589.59 nm處具有更強(qiáng)的NaⅠ發(fā)射線.譜線強(qiáng)度與元素含量有關(guān)，這種差異為分類(lèi)提供了依據(jù).

圖7給出了5個(gè)不同產(chǎn)地實(shí)驗(yàn)樣品數(shù)據(jù)經(jīng)過(guò)歸一化處理后的LIBS光譜圖，以美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院(National institute of standards and technology， NIST)原子光譜數(shù)據(jù)庫(kù)[15]為參考，對(duì)樣品主要的元素特征譜線進(jìn)行標(biāo)定.通過(guò)發(fā)射光譜獲取了黃芪的元素種類(lèi)信息，元素組成包括常量元素(O,Si,Ti,Al,Fe,Mg,Ca,Na,K等)和微量元素(P,Mn,Cl,Cu,S,H,Rb,Sr等).元素類(lèi)別及含量等信息可為理解道地藥材成因以及分析藥材有效成分與功效之間關(guān)系提供重要依據(jù).

圖6 5個(gè)不同產(chǎn)地黃芪的LIBS發(fā)射譜線在 不同波長(zhǎng)處的光譜

2.2 CNN-CBAM模型

文中實(shí)驗(yàn)基于PyTorch深度學(xué)習(xí)框架，使用Python作為開(kāi)發(fā)語(yǔ)言. 在模型輸入層對(duì)每個(gè)光譜數(shù)據(jù)進(jìn)行重構(gòu)，將原始LIBS光譜(1行×42841列)轉(zhuǎn)換為光譜矩陣(210行×200列).數(shù)據(jù)集按0.7和0.3的比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集兩部分.利用測(cè)試數(shù)據(jù)集確定最佳網(wǎng)絡(luò)設(shè)計(jì)方案，通過(guò)多次訓(xùn)練，觀察結(jié)果并確定該網(wǎng)絡(luò)模型的結(jié)構(gòu)和參數(shù).最終將學(xué)習(xí)率設(shè)置為0.1，迭代次數(shù)設(shè)置為100，在實(shí)際訓(xùn)練時(shí)將所有數(shù)據(jù)分成多個(gè)batch，每次送入一部分?jǐn)?shù)據(jù)，batch大小設(shè)置為50.數(shù)據(jù)需要多次反復(fù)迭代訓(xùn)練才能擬合和收斂.epoch 表示CNN網(wǎng)絡(luò)模型完成了一次前向計(jì)算和反向傳播的過(guò)程.CNN-CBAM模型在測(cè)試集上100個(gè)epoch的損失和準(zhǔn)確率之間的關(guān)系如圖8所示.

圖7 5個(gè)不同產(chǎn)地黃芪的LIBS光譜

圖8 CNN-CBAM模型損失值和準(zhǔn)確率圖

從圖8中可以看出，模型經(jīng)過(guò)20次迭代后，準(zhǔn)確率和損失值逐漸趨于平穩(wěn).測(cè)試集上的損失值隨著迭代次數(shù)的增加而減小，表明模型沒(méi)有發(fā)生過(guò)擬合現(xiàn)象.經(jīng)過(guò)足夠的訓(xùn)練周期，訓(xùn)練損失降為0，準(zhǔn)確率達(dá)到100%，說(shuō)明模型從訓(xùn)練集中已經(jīng)學(xué)習(xí)到較好的規(guī)則，表明所設(shè)計(jì)的模型是合理的.CNN-CBAM 模型的5次重復(fù)實(shí)驗(yàn)中，最高準(zhǔn)確率均達(dá)到了100.00%.

2.3 與CNN基礎(chǔ)模型的對(duì)比

在上文所提的加入注意力機(jī)制的 CNN-CBAM模型中，去除注意力機(jī)制部分后的模型稱(chēng)為CNN基礎(chǔ)模型，為驗(yàn)證注意力機(jī)制是否能提高模型的性能，在相同的參數(shù)設(shè)置和數(shù)據(jù)集下進(jìn)行了對(duì)比實(shí)驗(yàn)，5次重復(fù)實(shí)驗(yàn)的結(jié)果如表2和表3所示.可以看出添加CBAM模塊后算法模型在分類(lèi)準(zhǔn)確率上確實(shí)有所提高.CNN基礎(chǔ)模型雖然沒(méi)有達(dá)到較高的識(shí)別精度，但是訓(xùn)練時(shí)間要比CNN-CBAM混合模型短，說(shuō)明CBAM模塊會(huì)帶來(lái)計(jì)算損耗，但這種損耗并不大，因此可以認(rèn)為CBAM模塊可以提升網(wǎng)絡(luò)性能.

2.4 與其他機(jī)器學(xué)習(xí)模型的比較

將提出的CBAM-CNN模型與常見(jiàn)的機(jī)器學(xué)習(xí)算法中的支持向量機(jī)和隨機(jī)森林兩種算法模型進(jìn)行對(duì)比實(shí)驗(yàn).由于原始數(shù)據(jù)量較大，全譜輸入會(huì)導(dǎo)致模型難以收斂或訓(xùn)練時(shí)間過(guò)長(zhǎng)，故采用主成分分析(Principal component analysis， PCA)方法[16]對(duì)原始數(shù)據(jù)進(jìn)行降維處理.通過(guò)PCA分析，得到前10個(gè)主成分的累積貢獻(xiàn)率達(dá)到99.83%，可以認(rèn)為包含了原始黃芪 LIBS 光譜的大量信息.文中將經(jīng)過(guò)PCA處理后的前10個(gè)主成分作為分類(lèi)模型的輸入.

圖9 CNN-CBAM和CNN性能比較

表2 CNN-CBAM模型5次重復(fù)實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果

表3 CNN基礎(chǔ)模型5次重復(fù)實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果

圖10 各主成分得分和主成分累積得分

經(jīng)過(guò)PCA分析后得到前3個(gè)主成分向量組成的三維散點(diǎn)圖如圖11所示，圖中每個(gè)散點(diǎn)代表一個(gè)黃芪樣本,可以看出相同產(chǎn)地黃芪樣品在特定區(qū)域具有聚集現(xiàn)象，但仍存在部分重疊，故需要借助其他分類(lèi)算法對(duì)經(jīng)過(guò) PCA 降維后的數(shù)據(jù)做進(jìn)一步處理.

圖11 前3個(gè)主成分的三維散點(diǎn)圖

利用SVM對(duì)實(shí)驗(yàn)樣品進(jìn)行分類(lèi)時(shí)，SVM性能受懲罰因子C與核參數(shù)影響.在實(shí)際實(shí)驗(yàn)中，采用粒子群優(yōu)化(Particle swarm optimization， PSO)算法對(duì)這兩個(gè)關(guān)鍵參數(shù)進(jìn)行優(yōu)化[17]，從而使得SVM分類(lèi)器獲得最佳分類(lèi)性能.實(shí)驗(yàn)中將PSO中的加速度因子c1與c2分別設(shè)置為0.6與0.7，粒子群規(guī)模設(shè)置為10，最大迭代次數(shù)設(shè)置為100；將SVM中的懲罰因子C搜索范圍設(shè)置為0.01

利用隨機(jī)森林(RF)進(jìn)行產(chǎn)地識(shí)別的思想是將多棵決策樹(shù)集成一個(gè)森林，將主成分分析降維后的特征數(shù)據(jù)輸入到RF分類(lèi)器中，RF是包含多個(gè)決策樹(shù)的多分類(lèi)器.在本實(shí)驗(yàn)中，同樣使用PSO優(yōu)化算法對(duì)RF中mtry和ntree兩個(gè)參數(shù)進(jìn)行優(yōu)化，設(shè)置粒子群規(guī)模為 10，迭代次數(shù)為 100，最終得到了RF模型的關(guān)鍵參數(shù)取值，當(dāng)mtry=210，ntree=17，利用RF對(duì)測(cè)試集進(jìn)行分類(lèi)實(shí)驗(yàn)得到結(jié)果如圖13所示.

2.5 結(jié)果對(duì)比分析

表4為不同模型得到的實(shí)驗(yàn)結(jié)果.與傳統(tǒng)的機(jī)器學(xué)習(xí)算法對(duì)比，深度學(xué)習(xí)算法在LIBS光譜分析實(shí)驗(yàn)中準(zhǔn)確率達(dá)到98%以上，遠(yuǎn)高于機(jī)器學(xué)習(xí)算法，這表明深度學(xué)習(xí)方法在LIBS光譜特征提取方面具有優(yōu)越性.表中列出了各種算法的性能評(píng)價(jià)指標(biāo)，包括準(zhǔn)確率(Accuracy)、查準(zhǔn)率(Precision)、召回率(Recall)和F1-score.從表中可以看出，CBAM-CNN 的各項(xiàng)指標(biāo)均高于其他算法，說(shuō)明CBAM-CNN具有較強(qiáng)的泛化能力.

(a)混淆矩陣 (b)分類(lèi)結(jié)果圖

(a)混淆矩陣 (b)分類(lèi)結(jié)果圖

表4 不同算法模型實(shí)驗(yàn)結(jié)果對(duì)比

3 結(jié)束語(yǔ)

基于LIBS技術(shù)，提出了一種CNN-CBAM相結(jié)合的混合模型對(duì)5個(gè)不同產(chǎn)地黃芪進(jìn)行了產(chǎn)地識(shí)別研究，實(shí)驗(yàn)采集了5類(lèi)黃芪共1 000組LIBS光譜數(shù)據(jù)，每組光譜包含42 841個(gè)“特征”，利用最大-最小值法對(duì)光譜強(qiáng)度進(jìn)行歸一化預(yù)處理.采用卷積神經(jīng)網(wǎng)絡(luò)中的LeNet5模型，并加入CBAM注意力機(jī)制模塊對(duì)LIBS光譜數(shù)據(jù)中重要的特征進(jìn)行關(guān)注，最終識(shí)別準(zhǔn)確率達(dá)到100%，而CNN基礎(chǔ)模型、PCA-PSO-SVM和PCA-PSO-RF 3種分類(lèi)模型的平均識(shí)別準(zhǔn)確率分別為99.33%、96.00%、89.67%.結(jié)果表明，所提出的模型能夠有效地對(duì)藥材產(chǎn)地進(jìn)行識(shí)別.相比于其他的傳統(tǒng)機(jī)器學(xué)習(xí)方法，文中提出的模型準(zhǔn)確率能夠保持較高的水平，并且穩(wěn)定性也優(yōu)于其他模型，無(wú)需配合特征工程技術(shù)，可以大大簡(jiǎn)化機(jī)器學(xué)習(xí)的工作流程.結(jié)合注意力機(jī)制進(jìn)行自適應(yīng)特征細(xì)分是一種更加準(zhǔn)確和高效的方法.