人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG【免费下载链接】PaddleXAll-in-One Development Tool based on PaddlePaddle项目地址https://gitcode.com/paddlepaddle/PaddleX点击查看免费下载本文是 PaddleX 通用时序分类产线ts_classification的完整使用教程。该产线基于 TimesNet 时序模型可将一段随时间变化的序列数据归类到预定义类别如行为识别、金融趋势分析等场景支持命令行与 Python 脚本快速推理、高性能推理与服务化部署并可基于私有数据微调模型、无缝切换 GPU/NPU/XPU/MLU 等硬件。读完本文你将掌握时序分类产线的体验方式、create_pipeline/predict的完整参数语义、结果对象的使用方法、服务化部署的多语言调用方案以及微调后模型接入产线的完整流程。1. 通用时序分类产线介绍时序分类Time Series Classification是一种将时间序列数据归类到预定义类别的技术广泛应用于行为识别、金融趋势分析等领域。它通过分析随时间变化的特征识别出不同的模式或事件例如将一段语音信号分类为问候或请求或将股票价格走势划分为上涨或下跌。时序分类通常使用机器学习和深度学习模型能够有效捕捉时间依赖性和变化规律以便为数据提供准确的分类标签在智能监控、市场预测等应用中起着关键作用。通用时序分类产线包含时序分类模块产线内部通过TSClassification子模块承载具体的分类模型。当前产线内置模型如下模型模型下载链接acc(%)模型存储大小MBTimesNet_cls推理模型 / 训练模型87.50.792表中所列为官方在特定数据集上评测得到的精度与存储占用仅代表该评测配置下的结果。1.1 性能测试环境说明测试数据集UWaveGestureLibrary 数据集。硬件配置GPU 为 NVIDIA Tesla T4CPU 为 Intel Xeon Gold 6271C 2.60GHz其余环境为 Ubuntu 20.04 / CUDA 11.8 / cuDNN 8.9 / TensorRT 8.6.1.6。1.2 推理模式说明模式GPU配置CPU配置加速技术组合常规模式FP32精度 / 无TRT加速FP32精度 / 8线程PaddleInference高性能模式选择先验精度类型和加速策略的最优组合FP32精度 / 8线程选择先验最优后端Paddle/OpenVINO/TRT等高性能模式对应 PaddleX 高性能推理插件HPIP通过对模型推理及前后处理进行深度优化实现端到端提速详见 PaddleX 高性能推理指南。2. 快速开始PaddleX 提供的预训练模型产线均可以快速体验效果你可以在星河社区在线体验通用时序分类产线的效果也可以在本地使用命令行或 Python 体验。2.1 在线体验你可以在线体验通用时序分类产线的效果用官方提供的 demo 进行识别。如果对产线运行效果满意可以直接进行集成部署从云端下载部署包或参考 2.2 本地体验中的方法进行本地部署如果对效果不满意可以利用私有数据对产线中的模型进行微调训练。若具备本地训练硬件可以直接在本地开展训练否则可使用星河零代码平台的在线训练服务无需编写代码上传数据即可一键启动训练。注意时序数据与场景紧密相关在线体验的官方内置模型仅是特定场景下的模型方案并非通用方案不适用于其他场景因此不支持使用任意文件来体验官方模型效果。在完成自己场景数据下的模型训练之后可以选择自己训练的模型方案并使用对应场景的数据进行在线体验。2.2 本地体验在本地使用通用时序分类产线前请确保已经按照 PaddleX 本地安装教程完成 PaddleX wheel 包安装。如果需要选择性安装依赖请参考安装教程中的相关说明。该产线对应的依赖分组为ts——在源码中产线入口类TSClsPipeline使用了pipeline_requires_extra(ts)装饰器见 pipeline.py未安装ts依赖分组时会给出明确提示。2.2.1 命令行方式体验一行命令即可快速体验时序分类产线效果。使用 测试文件并将--input替换为本地路径进行预测paddlex --pipeline ts_classification --input ts_cls.csv --device gpu:0 --save_path ./output运行后会将结果打印到终端结果如下{input_path: ts_cls.csv, classification: classid score sample 0 0 0.617688}运行结果参数说明可以参考 2.2.2 Python 脚本方式集成中的结果解释。时序文件结果保存在save_path下。2.2.2 Python 脚本方式集成命令行适合快速体验在项目中通常需要通过代码集成。通过几行代码即可完成产线的快速推理from paddlex import create_pipeline pipeline create_pipeline(pipelinets_classification) output pipeline.predict(ts_cls.csv) for res in output: res.print() ## 打印预测的结构化输出 res.save_to_csv(save_path./output/) ## 保存csv格式结果 res.save_to_json(save_path./output/) ## 保存json格式结果仓库中 api_examples/pipelines/test_ts_classification.py 即给出了与之等价的可运行示例。上述脚本执行了如下几个步骤1通过create_pipeline()实例化产线对象create_pipeline底层会根据产线名称查找注册的产线类并加载配置ts_classification对应的实现为TSClsPipeline见 pipeline.py其构造函数会从配置字典中读取SubModules.TSClassification子模块配置并创建模型。参数说明如下参数参数说明参数类型默认值pipeline产线名称或是产线配置文件路径。如为产线名称则必须为 PaddleX 所支持的产线。strNoneconfig产线具体的配置信息如果和pipeline同时设置优先级高于pipeline且要求产线名和pipeline一致。dict[str, Any]Nonedevice产线推理设备。支持指定 GPU 具体卡号如 gpu:0其他硬件具体卡号如 npu:0CPU 如 cpu。strgpu:0use_hpip是否启用高性能推理插件。如果为None则使用配置文件或config中的配置。bool|NoneNonehpi_config高性能推理配置。dict|NoneNone2调用产线对象的predict()方法进行推理预测predict()方法返回一个generator内部将输入逐批交给时序分类模型推理见 pipeline.py。参数说明如下参数参数说明参数类型可选项默认值input待预测数据支持多种输入类型必填Python Var|str|list-Python Var如pandas.DataFrame表示的时序数据-str时序文件的本地路径如/root/data/ts.csvURL 链接如时序文件的网络 URL示例本地目录该目录下需包含待预测时序如/root/data/-List列表元素需为上述类型数据如[pandas.DataFrame, pandas.DataFrame]、[/root/data/ts1.csv, /root/data/ts2.csv]、[/root/data1, /root/data2]None从底层实现看TSClsPredictor.process()见 predictor.py会依次执行ReadTS读取 CSV/DataFrame、TSCutOff按配置截断序列长度、可选的TSNormalize加载model_dir/scaler.pkl做归一化、BuildTSDataset、BuildPadMask、TStoArray、TStoBatch等预处理算子再送入静态图推理引擎最后由GetCls后处理算子输出分类结果。3对预测结果进行处理每个样本的预测结果均为对应的 Result 对象支持打印、保存为csv文件、保存为json文件。结果类为TSClsResult见 result.py继承自BaseTSResult方法方法说明参数参数类型参数说明默认值print()打印结果到终端format_jsonbool是否对输出内容使用 JSON 缩进格式化Trueindentint指定缩进级别以美化输出的 JSON 数据使其更具可读性仅当format_json为True时有效4ensure_asciibool控制是否将非 ASCII 字符转义为 Unicode。True时所有非 ASCII 字符将被转义False则保留原始字符仅当format_json为True时有效Falsesave_to_json()将结果保存为 json 格式的文件save_pathstr保存的文件路径当为目录时保存文件命名与输入文件类型命名一致无indentint指定缩进级别以美化输出的 JSON 数据仅当format_json为True时有效4ensure_asciibool控制是否将非 ASCII 字符转义为 Unicode仅当format_json为True时有效Falsesave_to_csv()将结果保存为时序文件格式的文件save_pathstr保存的文件路径支持目录或文件路径无调用print()方法会将结果打印到终端打印内容解释如下input_path(str)待预测时序文件的输入路径。classification(Pandas.DataFrame)时序分类结果包含样本 id 和对应的分类类别classid以及置信度得分score。调用save_to_json()方法会将上述内容保存到指定的save_path中如果指定为目录则保存路径为save_path/{your_ts_basename}_res.json如果指定为文件则直接保存到该文件。由于 json 文件不支持保存 numpy 数组因此会将其中的numpy.array类型转换为列表形式。调用save_to_csv()方法会将分类结果保存到指定的save_path中如果指定为目录则保存路径为save_path/{your_ts_basename}_res.csv如果指定为文件则直接保存到该文件。此外也支持通过属性获取不同格式的预测结果属性属性说明json获取预测的json格式的结果csv获取格式为csv格式的结果json属性获取的预测结果为dict类型数据相关内容与调用save_to_json()方法保存的内容一致。csv属性返回一个pandas.DataFrame类型数据保存了时序分类结果。2.3 获取产线配置文件并自定义加载你可以获取ts_classification产线配置文件并加载配置文件进行预测。执行如下命令将结果保存在my_path中paddlex --get_pipeline_config ts_classification --save_path ./my_path若已获取配置文件即可对时序分类产线各项配置进行自定义只需修改create_pipeline方法中的pipeline参数值为产线配置文件路径即可。仓库内置的产线默认配置位于 paddlex/configs/pipelines/ts_classification.yaml内容如下pipeline_name: ts_classification SubModules: TSClassification: module_name: ts_classification model_name: TimesNet_cls model_dir: null batch_size: 1例如若配置文件保存在./my_path/ts_classification.yaml则只需执行from paddlex import create_pipeline pipeline create_pipeline(pipeline./my_path/ts_classification.yaml) output pipeline.predict(ts_cls.csv) for res in output: res.print() ## 打印预测的结构化输出 res.save_to_csv(./output/) ## 保存csv格式结果 res.save_to_json(./output/) ## 保存json格式结果3. 开发集成/部署如果产线可以达到你对推理速度和精度的要求可以直接进行开发集成/部署。若需要将产线直接应用在 Python 项目中可以参考 2.2.2 Python 脚本方式中的示例代码。此外PaddleX 还提供了以下三种部署方式高性能推理在实际生产环境中许多应用对部署策略的性能指标尤其是响应速度有着较严苛的标准。PaddleX 提供高性能推理插件对模型推理及前后处理进行深度性能优化实现端到端流程的显著提速。详细的高性能推理流程请参考 PaddleX 高性能推理指南。☁️服务化部署服务化部署是实际生产环境中常见的一种部署形式。通过将推理功能封装为服务客户端可以通过网络请求访问这些服务以获取推理结果。PaddleX 支持多种产线服务化部署方案详细流程请参考 PaddleX 服务化部署指南。时序分类产线的服务端实现位于 paddlex/inference/serving/basic_serving/_pipeline_apps/ts_classification.py其核心操作与请求/响应模型定义在 paddlex/inference/serving/schemas/ts_classification.py。3.1 服务化部署 API 参考API 参考对于服务提供的主要操作HTTP 请求方法为 POST。请求体和响应体均为 JSON 数据JSON 对象。当请求处理成功时响应状态码为200响应体的属性如下名称类型含义logIdstring请求的 UUID。errorCodeinteger错误码。固定为0。errorMsgstring错误说明。固定为Success。resultobject操作结果。当请求处理未成功时响应体的属性如下名称类型含义logIdstring请求的 UUID。errorCodeinteger错误码。与响应状态码相同。errorMsgstring错误说明。服务提供的主要操作如下infer对时序数据进行分类对应POST /time-series-classification。请求体的属性如下名称类型含义是否必填csvstring服务器可访问的 CSV 文件的 URL 或 CSV 文件内容的 Base64 编码结果。CSV 文件需要使用 UTF-8 编码。是请求处理成功时响应体的result具有如下属性名称类型含义imagestring|null时序分类结果图。图像为 JPEG 格式使用 Base64 编码。labelstring类别标签。scorenumber类别得分。result示例如下{ label: running, score: 0.97, image: xxxxxx }说明label与score在服务端由分类结果 DataFrame 中的classid与score字段转换而来见 ts_classification.pyimage为可选字段仅在服务配置开启可视化visualize时返回。3.2 多语言调用服务示例多语言调用服务示例Pythonimport base64 import requests API_URL http://localhost:8080/time-series-classification # 服务URL csv_path ./test.csv output_image_path ./out.jpg # 对本地CSV文件进行Base64编码 with open(csv_path, rb) as file: csv_bytes file.read() csv_data base64.b64encode(csv_bytes).decode(ascii) payload {csv: csv_data} # 调用API response requests.post(API_URL, jsonpayload) # 处理接口返回数据 assert response.status_code 200 result response.json()[result] with open(output_image_path, wb) as f: f.write(base64.b64decode(result[image])) print(fOutput image saved at {output_image_path}) print(flabel: {result[label]}, score: {result[score]})C#include iostream #include cpp-httplib/httplib.h // https://github.com/Huiyicc/cpp-httplib #include nlohmann/json.hpp // https://github.com/nlohmann/json #include base64.hpp // https://github.com/tobiaslocker/base64 int main() { httplib::Client client(localhost:8080); const std::string outputImagePath ./out.jpg; const std::string csvPath ./test.csv; httplib::Headers headers { {Content-Type, application/json} }; // 进行Base64编码 std::ifstream file(csvPath, std::ios::binary | std::ios::ate); std::streamsize size file.tellg(); file.seekg(0, std::ios::beg); std::vectorchar buffer(size); if (!file.read(buffer.data(), size)) { std::cerr Error reading file. std::endl; return 1; } std::string bufferStr(reinterpret_castconst char*(buffer.data()), buffer.size()); std::string encodedCsv base64::to_base64(bufferStr); nlohmann::json jsonObj; jsonObj[csv] encodedCsv; std::string body jsonObj.dump(); // 调用API auto response client.Post(/time-series-classification, headers, body, application/json); // 处理接口返回数据 if (response response-status 200) { nlohmann::json jsonResponse nlohmann::json::parse(response-body); auto result jsonResponse[result]; std::cout label: result[label] , score: result[score] std::endl; std::string encodedImage result[image]; std::string decodedString base64::from_base64(encodedImage); std::vectorunsigned char decodedImage(decodedString.begin(), decodedString.end()); std::ofstream outputImage(outputImagePath, std::ios::binary | std::ios::out); if (outputImage.is_open()) { outputImage.write(reinterpret_castchar*(decodedImage.data()), decodedImage.size()); outputImage.close(); std::cout Output image data saved at outputImagePath std::endl; } else { std::cerr Unable to open file for writing: outputImagePath std::endl; } } else { std::cout Failed to send HTTP request. std::endl; std::cout response-body std::endl; return 1; } return 0; }Javaimport okhttp3.*; import com.fasterxml.jackson.databind.ObjectMapper; import com.fasterxml.jackson.databind.JsonNode; import com.fasterxml.jackson.databind.node.ObjectNode; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.util.Base64; public class Main { public static void main(String[] args) throws IOException { String API_URL http://localhost:8080/time-series-classification; String outputImagePath ./out.jpg; String csvPath ./test.csv; // 对本地csv进行Base64编码 File file new File(csvPath); byte[] fileContent java.nio.file.Files.readAllBytes(file.toPath()); String csvData Base64.getEncoder().encodeToString(fileContent); ObjectMapper objectMapper new ObjectMapper(); ObjectNode params objectMapper.createObjectNode(); params.put(csv, csvData); // 创建 OkHttpClient 实例 OkHttpClient client new OkHttpClient(); MediaType JSON MediaType.Companion.get(application/json; charsetutf-8); RequestBody body RequestBody.Companion.create(params.toString(), JSON); Request request new Request.Builder() .url(API_URL) .post(body) .build(); // 调用API并处理接口返回数据 try (Response response client.newCall(request).execute()) { if (response.isSuccessful()) { String responseBody response.body().string(); JsonNode resultNode objectMapper.readTree(responseBody); JsonNode result resultNode.get(result); System.out.println(label: result.get(label).asText() , score: result.get(score).asText()); String base64Image result.get(image).asText(); byte[] imageBytes Base64.getDecoder().decode(base64Image); try (FileOutputStream fos new FileOutputStream(outputImagePath)) { fos.write(imageBytes); } System.out.println(Output image data saved at outputImagePath); } else { System.err.println(Request failed with code: response.code()); } } } }Gopackage main import ( bytes encoding/base64 encoding/json fmt io/ioutil net/http ) func main() { API_URL : http://localhost:8080/time-series-classification outputImagePath : ./out.jpg; csvPath : ./test.csv; // 读取csv文件并进行Base64编码 csvBytes, err : ioutil.ReadFile(csvPath) if err ! nil { fmt.Println(Error reading csv file:, err) return } csvData : base64.StdEncoding.EncodeToString(csvBytes) payload : map[string]string{csv: csvData} // Base64编码的文件内容 payloadBytes, err : json.Marshal(payload) if err ! nil { fmt.Println(Error marshaling payload:, err) return } // 调用API client : http.Client{} req, err : http.NewRequest(POST, API_URL, bytes.NewBuffer(payloadBytes)) if err ! nil { fmt.Println(Error creating request:, err) return } res, err : client.Do(req) if err ! nil { fmt.Println(Error sending request:, err) return } defer res.Body.Close() // 处理返回数据 body, err : ioutil.ReadAll(res.Body) if err ! nil { fmt.Println(Error reading response body:, err) return } type Response struct { Result struct { Label string json:label Score string json:score Image string json:image } json:result } var respData Response err json.Unmarshal([]byte(string(body)), respData) if err ! nil { fmt.Println(Error unmarshaling response body:, err) return } fmt.Printf(label: %s, score: %s\n, respData.Result.Label, respData.Result.Score) outputImageData, err : base64.StdEncoding.DecodeString(respData.Result.Image) if err ! nil { fmt.Println(Error decoding Base64 image data:, err) return } err ioutil.WriteFile(outputImagePath, outputImageData, 0644) if err ! nil { fmt.Println(Error writing image to file:, err) return } fmt.Printf(Output image data saved at %s.jpg, outputImagePath) }C#using System; using System.IO; using System.Net.Http; using System.Net.Http.Headers; using System.Text; using System.Threading.Tasks; using Newtonsoft.Json.Linq; class Program { static readonly string API_URL http://localhost:8080/time-series-classification; static readonly string outputImagePath ./out.jpg; static readonly string csvPath ./test.csv; static async Task Main(string[] args) { var httpClient new HttpClient(); // 对本地csv文件进行Base64编码 byte[] csveBytes File.ReadAllBytes(csvPath); string csvData Convert.ToBase64String(csveBytes); var payload new JObject{ { csv, csvData } }; // Base64编码的文件内容 var content new StringContent(payload.ToString(), Encoding.UTF8, application/json); // 调用API HttpResponseMessage response await httpClient.PostAsync(API_URL, content); response.EnsureSuccessStatusCode(); // 处理接口返回数据 string responseBody await response.Content.ReadAsStringAsync(); JObject jsonResponse JObject.Parse(responseBody); string label jsonResponse[result][label].ToString(); string score jsonResponse[result][score].ToString(); Console.WriteLine($label: {label}, score: {score}); string base64Image jsonResponse[result][image].ToString(); byte[] outputImageBytes Convert.FromBase64String(base64Image); File.WriteAllBytes(outputImagePath, outputImageBytes); Console.WriteLine($Output image data saved at {outputImagePath}); } }Node.jsconst axios require(axios); const fs require(fs); const API_URL http://localhost:8080/time-series-classification const outputImagePath ./out.jpg; const csvPath ./test.csv; let config { method: POST, maxBodyLength: Infinity, url: API_URL, data: JSON.stringify({ csv: encodeFileToBase64(csvPath) // Base64编码的文件内容 }) }; // 读取csv文件并转换为Base64 function encodeFileToBase64(filePath) { const bitmap fs.readFileSync(filePath); return Buffer.from(bitmap).toString(base64); } axios.request(config) .then((response) { const result response.data[result]; console.log(label: ${result[label]}, score: ${result[score]}); const imageBuffer Buffer.from(result[image], base64); fs.writeFile(outputImagePath, imageBuffer, (err) { if (err) throw err; console.log(Output image data saved at ${outputImagePath}); }); }) .catch((error) { console.log(error); });PHP?php $API_URL http://localhost:8080/time-series-classification; // 服务URL $output_image_path ./out.jpg; $csv_path ./test.csv; // 对本地csv文件进行Base64编码 $csv_data base64_encode(file_get_contents($csv_path)); $payload array(csv $csv_data); // Base64编码的文件内容 // 调用API $ch curl_init($API_URL); curl_setopt($ch, CURLOPT_POST, true); curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($payload)); curl_setopt($ch, CURLOPT_HTTPHEADER, array(Content-Type: application/json)); curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); $response curl_exec($ch); curl_close($ch); // 处理接口返回数据 $result json_decode($response, true)[result]; echo label: . $result[label] . , score: . $result[score]; file_put_contents($output_image_path, base64_decode($result[image])); echo Output image data saved at . $output_image_path . \n; ?端侧部署端侧部署是一种将计算和数据处理功能放在用户设备本身上的方式设备可以直接处理数据而不需要依赖远程服务器。PaddleX 支持将模型部署在 Android 等端侧设备上详细的端侧部署流程请参考 PaddleX 端侧部署指南。可以根据需要选择合适的方式部署模型产线进而进行后续的 AI 应用集成。4. 二次开发如果时序分类产线提供的默认模型权重在您的场景中精度或速度不满意可以尝试利用自己拥有的特定领域或应用场景的数据对现有模型进行进一步的微调以提升产线在您场景中的识别效果。4.1 模型微调由于时序分类产线包含时序分类模块如果模型产线的效果不及预期需要参考时序分类模块开发教程中的二次开发章节使用私有数据集对时序分类模型进行微调。模块级配置可参考仓库中的 paddlex/configs/modules/ts_classification/TimesNet_cls.yaml其中Train段定义了time_col、target_cols、group_id、static_cov_cols、freq、epochs_iters、batch_size、learning_rate等训练参数可供微调时参考。产线当前支持的模型清单定义在 paddlex/modules/ts_classification/model_list.py。4.2 模型应用当您使用私有数据集完成微调训练后可获得本地模型权重文件。若需要使用微调后的模型权重只需对产线配置文件做修改将微调后模型权重的本地路径填写至产线配置文件中的model_dirpipeline_name: ts_classification SubModules: TSClassification: module_name: ts_classification model_name: TimesNet_cls model_dir: null # 此处替换为您训练后得到的模型权重本地路径 batch_size: 1随后参考本地体验中的命令行方式或 Python 脚本方式加载修改后的产线配置文件即可。5. 多硬件支持PaddleX 支持英伟达 GPU、昆仑芯 XPU、昇腾 NPU 和寒武纪 MLU 等多种主流硬件设备仅需修改--device参数即可完成不同硬件之间的无缝切换。例如使用昇腾 NPU 进行时序分类产线推理的 CLI 命令为paddlex --pipeline ts_classification --input ts_cls.csv --device npu:0也可以在 Python 脚本中create_pipeline()时或predict()时指定硬件设备。若想在更多种类的硬件上使用通用时序分类产线请参考 PaddleX 多硬件使用指南。赞分享人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG【免费下载链接】PaddleXAll-in-One Development Tool based on PaddlePaddle项目地址https://gitcode.com/paddlepaddle/PaddleX点击查看免费下载相关推荐AlgoNote 题解LeetCode 0114 二叉树展开为链表先序顺序扁平化递归后序与 O(1) 原地解法AlgoNote 题解LeetCode 0114 二叉树展开为链表先序顺序扁平化递归后序与 O 1 原地解法 导读 本文围绕《算法通关手册》AlgoN人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG微调语音华硕笔记本屏幕颜色发灰用 G-Helper 三步找回出厂色彩华硕笔记本屏幕颜色发灰用 G Helper 三步找回出厂色彩 华硕笔记本系统更新后画面突然灰蒙蒙、对比度变差或者显示设置里的色彩模式选项变少了——这多半不是人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG微调语音ImmortalWrt 安全超频完全指南给 CPU 提速前先做「体检」的三步流程ImmortalWrt 安全超频完全指南给 CPU 提速前先做「体检」的三步流程 凌晨三点视频会议又卡住了你抬头看见路由器的灯还在淡定地闪——带宽可能没问人工智能大模型低代码计算机视觉深度学习NLP模型推理服务RAG微调语音上一篇PredictionIO 版本演进全解析从 0.8.6 到 0.14.0 的 Release Notes 深度解读下一篇Stetho 演进全览从 CHANGELOG 看 Android 调试桥 1.0.0 到 1.6.0 的能力变迁创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考