低光增强实战：从基线到NTIRE Twilight Cowboy挑战的完整工程链路

图像增强赛道在近年计算机视觉挑战中热度很高，低光增强则是其中最能体现“从坏输入到好输出”的一类任务。NTIRE 2026 Low-light Enhancement 赛道以 “Twilight Cowboy Challenge” 为名，直接指向黄昏低照度、高动态范围、复杂光源混合的真实拍摄场景。对参加这类挑战的选手来说，难点不在于把图像调亮，而在于如何在提升亮度的同时抑制噪声、恢复色彩、保留局部细节，并保证结果在评价指标和人眼观感上都稳定。

这篇文章会围绕低光增强挑战的完整工程链路展开：先理解任务和评价机制，再搭好环境与基线模型，接着跑通训练和验证，然后讨论针对“Twilight Cowboy”这类暗光场景的改进方向，最后给出常见问题排查和备赛检查清单。如果你是第一次参加 NTIRE 这样的竞赛，或者正准备把低光增强算法落到自己的项目里，这条路径可以直接复用。

1. 先理解“Twilight Cowboy”到底在考验什么

1.1 低光增强要解决的不是“调亮”这一个动作

低光图像的退化是多维度的。照明不足只是最直观的表象，实际上还伴随传感器噪声、颜色偏色、对比度下降、暗部细节丢失和动态范围压缩。如果只把像素值乘一个增益，亮部很快溢出，暗部噪声被同步放大，结果会是一张更亮但更脏的图。

低光增强任务通常希望输出一张接近正常光照条件下的清晰图像，所以算法需要同时完成几个动作：

• 估计场景中的光照分布，而不是使用全局单一增益。
• 抑制亮度放大后更容易暴露的噪声。
• 修正由白平衡偏差造成的色彩偏移。
• 在暗部增强和亮部保持之间做动态范围平衡。

这也是为什么低光增强经常和去噪、去马赛克、白平衡、色调映射等任务绑在一起。单独的卷积网络可以在配对数据上学到这些行为，但需要合理的损失函数和训练策略，否则很容易在指标上好看、视觉上失败。

1.2 “Twilight Cowboy”场景的特殊性

从名称看，“Twilight Cowboy”指向的是黄昏和入夜后的户外场景。这类场景有几个很典型的视觉特征：

• 天空和光源附近仍有较高亮度，地面、阴影区域很暗，形成明显的动态范围差异。
• 整体色温偏暖，局部可能出现夕阳、路灯、车灯等强光源，导致色彩分割复杂。
• 暗部区域噪声明显，尤其是在手机或普通消费级相机拍摄时。
• 人物或物体轮廓经常处于逆光位置，边缘细节容易淹没在暗部中。

这些特征决定了算法不能只在一个固定亮度范围内做变换。对“Twilight”一类图像，模型需要具备根据局部内容自适应调节的能力。例如对天空只做轻微增强，对暗部阴影做更强的提升，同时始终限制噪声放大。这也是为什么许多参赛方案会引入注意力机制、光照估计分支或者递归调制结构。

1.3 NTIRE挑战的一般评价机制

NTIRE 全称是 New Trends in Image Restoration and Enhancement，是计算机视觉领域经常在 CVPR 会议期间组织的图像复原与增强系列挑战活动。低光增强通常作为其中一个独立赛道出现。具体到 2026 年的赛事规则，需要在官网确认，但历届挑战的一些通用做法可以提前参考：

• 官方会提供成对的训练数据，低光图像作为输入，对应的高质量正常光图像作为参考。
• 验证集和测试集不公开标签，参赛者跑推理后上传结果，由主办方统一评估。
• 常用评价指标包括 PSNR、SSIM、LPIPS，部分赛道会加入面向感知质量的 NIQE、PI 或用户研究。
• 赛道可能分成 sRGB 输入和 RAW 输入，也可以分成“有参考”和“无参考”两个子任务。

不管规则怎么变，参赛者最好准备两套评估管线：一套计算 PSNR/SSIM/LPIPS，便于自己验证时排序；另一套严格按照官方要求生成提交文件。两套管线的数据范围、图像边界、命名方式必须完全一致，否则容易出现本地指标不错、提交后分数对不上的问题。

2. 环境准备与基线搭建，先从能跑通开始

2.1 硬件和软件环境

低光增强模型不需要像大语言模型那样消耗巨额显存，但为了快速迭代，一张支持 CUDA 的显卡仍然是必要条件。最小可行配置可以按这个标准准备：

安装环境的命令通常如下：

conda create -n llie python=3.9 conda activate llie pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python scikit-image lpips tqdm tensorboard

这里要注意，PyTorch 的安装地址需要和本机 CUDA 驱动版本匹配。如果驱动版本较新，也可以使用默认官方源安装。训练前先用一个小脚本确认 GPU 可用：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else "CPU only")

2.2 低光数据集的目录设计与读取方式

挑战赛提供的完整数据集通常以图像对的形式出现。即使官方数据还没发布，也可以先用公开低光数据集验证流程，或者自己构造小型训练集。推荐的数据目录结构如下：

data/ ├── train/ │ ├── low/ │ │ ├── 0001.png │ │ ├── 0002.png │ │ └── ... │ └── high/ │ ├── 0001.png │ ├── 0002.png │ └── ... ├── val/ │ ├── low/ │ └── high/ └── test/ └── low/

读取时建议先写一个 Dataset 类，统一处理图像路径、归一化范围和数据增强。一个最小实现如下：

import os import cv2 import numpy as np from torch.utils.data import Dataset class LowLightDataset(Dataset): def __init__(self, root, split="train", crop_size=256, train_mode=True): self.low_dir = os.path.join(root, split, "low") self.high_dir = os.path.join(root, split, "high") self.names = sorted(os.listdir(self.low_dir)) self.crop_size = crop_size self.train_mode = train_mode def __len__(self): return len(self.names) def __getitem__(self, idx): name = self.names[idx] low = cv2.imread(os.path.join(self.low_dir, name)).astype(np.float32) / 255.0 high = cv2.imread(os.path.join(self.high_dir, name)).astype(np.float32) / 255.0 # OpenCV 默认 BGR，这里保持一致；若用 PIL 则注意通道顺序 if self.train_mode: low, high = self._crop(low, high, self.crop_size) if np.random.rand() > 0.5: low = low[:, ::-1, :] high = high[:, ::-1, :] low = np.ascontiguousarray(low.transpose(2, 0, 1)) high = np.ascontiguousarray(high.transpose(2, 0, 1)) return low, high def _crop(self, low, high, size): h, w, _ = low.shape top = np.random.randint(0, h - size + 1) if h > size else 0 left = np.random.randint(0, w - size + 1) if w > size else 0 low = low[top:top + size, left:left + size, :] high = high[top:top + size, left:left + size, :] return low, high

这一段代码里有几个容易出错的地方。第一个是图像缩放范围，必须保证输入和标签都在 0 到 1 之间。第二个是通道顺序，OpenCV 读取出来是 BGR，如果后续训练用的预训练模型是按 RGB 初始化，需要在进入网络前转换，或者在读取时直接使用cv2.cvtColor。第三个是随机裁剪，挑战赛图像尺寸可能有大有小，不能假设所有图像都超过裁剪尺寸。

2.3 评估指标的实现与口径

PSNR 和 SSIM 是低光增强最常用的两个指标。PSNR 衡量重建像素误差，SSIM 衡量结构相似性。LPIPS 则更接近人的感知，数值越低表示感知差异越小。

PSNR 的计算用 scikit-image 很方便：

from skimage.metrics import peak_signal_noise_ratio, structural_similarity import lpips def compute_psnr_ssim(pred, target): pred = pred.clip(0, 1) target = target.clip(0, 1) psnr = peak_signal_noise_ratio(target, pred, data_range=1.0) ssim = structural_similarity( target, pred, data_range=1.0, channel_axis=2, gaussian_weights=True, sigma=1.5, use_sample_covariance=False, ) return psnr, ssim

使用 LPIPS 时需要初始化一个预训练网络：

lpips_fn = lpips.LPIPS(net="vgg") def compute_lpips(pred, target): pred_t = torch.from_numpy(pred).permute(2, 0, 1).unsqueeze(0).float() target_t = torch.from_numpy(target).permute(2, 0, 1).unsqueeze(0).float() return lpips_fn(pred_t * 2 - 1, target_t * 2 - 1).item()

计算指标时有一个常见口径问题：是否去掉边缘像素。许多图像复原任务会在评估前裁剪掉 4 到 8 像素，因为卷积网络边缘存在 padding 伪影。是否做这种处理，要以官方评估代码为准。如果自己建立验证流程，最好先固定一种口径，并和官方样例结果比对。

3. 从零实现一个最小可运行的低光增强模型

3.1 模型选择：从轻量全卷积网络开始

低光增强并没有必须使用的网络结构。刚起步时，不建议直接搭建复杂 Transformer，而应该先用一个简单、稳定、容易调试的卷积网络跑通流程。这里给出一个带残差连接的小网络，输入 3 通道图像，输出 3 通道增强结果，结构类似浅层 U-Net 的简化版。

import torch import torch.nn as nn import torch.nn.functional as F class SimpleEnhanceNet(nn.Module): def __init__(self, in_channels=3, base=32): super().__init__() self.encoder = nn.Sequential( nn.Conv2d(in_channels, base, 3, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv2d(base, base * 2, 3, stride=2, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv2d(base * 2, base * 2, 3, padding=1), nn.LeakyReLU(0.2, inplace=True), ) self.decoder = nn.Sequential( nn.Upsample(scale_factor=2, mode="bilinear", align_corners=False), nn.Conv2d(base * 2, base, 3, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv2d(base, in_channels, 3, padding=1), ) def forward(self, x): identity = x x = self.encoder(x) x = self.decoder(x) x = F.interpolate(x, size=identity.shape[2:], mode="bilinear", align_corners=False) return identity + x

这个网络的关键在于最后的残差连接。模型学习的是低光图像到正常图像的增量，而不是直接生成完整图像。实验表明，残差结构比直接输出更稳定，尤其是暗部区域，模型只需要学习修正量，优化难度更低。

3.2 损失函数组合：L1 是稳定下限，SSIM 和感知损失帮助视觉质量

基线阶段可以只使用 L1 损失。L1 对每个像素的误差惩罚是线性的，不会像 L2 那样被少数过亮或过暗像素主导，在图像复原任务中往往收敛更平稳。

但要提升视觉质量，可以加入 SSIM 损失，公式如下：

class SSIMLoss(nn.Module): def __init__(self, window_size=11): super().__init__() self.window_size = window_size def forward(self, pred, target): pred = pred.clamp(0, 1) target = target.clamp(0, 1) # 简化实现，实际可复用 pytorch_msssim from pytorch_msssim import ssim return 1 - ssim(pred, target, data_range=1.0, size_average=True)

如果希望进一步贴近人眼感知，可以加入 LPIPS 损失。训练时损失可以写成：

loss = l1_loss(pred, target) + 0.1 * ssim_loss(pred, target) + 0.01 * lpips_loss(pred, target)

不同损失权重的选择取决于数据集。如果只追求 PSNR，L1 和 MSE 权重可以更大；如果追求观感，SSIM 和 LPIPS 权重应该提高。这里给出的 1、0.1、0.01 只是常见起点，需要小规模实验验证。

3.3 训练脚本主体：把数据、模型、损失串起来

一个完整训练脚本至少包含数据加载、模型初始化、优化器、训练循环、验证循环和 checkpoint 保存。下面是一个精简但可运行的骨架：

import torch from torch.utils.data import DataLoader from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR def train_one_epoch(model, loader, opt, criterion, device): model.train() total_loss = 0 for low, high in loader: low = low.to(device) high = high.to(device) pred = model(low) loss = criterion(pred, high) opt.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) opt.step() total_loss += loss.item() * low.size(0) return total_loss / len(loader.dataset) model = SimpleEnhanceNet().cuda() dataset = LowLightDataset("data", split="train", crop_size=256) loader = DataLoader(dataset, batch_size=8, shuffle=True, num_workers=4) optimizer = AdamW(model.parameters(), lr=1e-4, weight_decay=1e-5) scheduler = CosineAnnealingLR(optimizer, T_max=50) criterion = torch.nn.L1Loss() for epoch in range(50): loss = train_one_epoch(model, loader, optimizer, criterion, torch.device("cuda")) scheduler.step() print(f"epoch {epoch+1}, loss {loss:.4f}")

这段代码里最有必要强调的是梯度裁剪。低光增强任务的输入像素差异大，偶尔会出现损失突增，梯度裁剪能避免模型参数被异常样本带偏。clip_grad_norm_中的max_norm一般设置在 0.5 到 5.0 之间，这里取 1.0。

4. 对标挑战主题，改进算法的四个方向

4.1 从全局映射到曲线估计：Zero-DCE 类方法

简单卷积网络虽然能跑通，但在“Twilight Cowboy”这类光照分布复杂的图像上，很容易出现局部过曝或增强不足。一个被广泛验证的思路是估计逐像素光照曲线，而不是直接输出最终图像。Zero-DCE 的思路很有参考价值：网络学习一组曲线参数，对输入图像做多次迭代映射，从而实现 self-calibrated 的亮度调整。

曲线映射的最小表达如下：

def apply_curve(image, alpha, beta, gamma): # image: [B, 3, H, W] x = image for _ in range(8): x = x + alpha * (x - x * x) return x

这种方法的好处是输出范围有界，不会超过 0 到 1，天然稳定。缺点是曲线表达能力有限，对噪声和颜色偏差的处理需要其他模块配合。

4.2 联合去噪：暗部放大后的噪声是最大敌人

低光图像的噪声在亮度提升后会非常明显。提高亮度相当于放大信号和噪声，如果网络没有去噪能力，最终输出会出现大量彩色噪点，即使 PSNR 还行，视觉上仍然不可接受。

处理思路有两类。第一类是显式加一个去噪分支，先对低光图去噪，再做亮度增强。第二类是隐式通过损失函数和网络容量学习去噪。参加挑战时，可以在网络中间层加入一个去噪监督损失，或者在训练时对标签添加噪声扰动，提升鲁棒性。

对 RAW 输入数据，还可以利用 Bayer 域的噪声模型进行仿真。如果官方赛道提供 RAW 数据，优先在 RAW 域训练，因为原始数据的线性关系更容易建模噪声，sRGB 域经过非线性变换后噪声更难分离。

4.3 动态范围与曝光区域自适应

Twilight 场景经常同时存在高光天空和极暗地面，单一曲线很难兼顾。一个实用做法是引入亮度注意力图：

brightness = low.mean(dim=1, keepdim=True) attention = 1 - brightness # 暗部权重高

用这张注意力图作为辅助信息，让网络知道哪些区域需要强增强，哪些区域应该保持。可以在输入中拼接这个灰度图，也可以在损失函数中对暗部像素分配更高权重：

loss = ((pred - high).abs() * (1 + attention)).mean()

这么做的好处是让模型更关注暗部细节恢复，而不是把所有像素一视同仁。缺点是需要调权重，暗部权重过高容易导致噪声敏化，需要配合正则化使用。

4.4 数据增强与配对数据生成

竞赛数据集可能较小，而低光增强模型对数据分布的依赖很强。一种有效策略是从正常光图像合成低光图像，从而获得大量配对样本。常见合成流程：

• 随机 gamma 暗化。
• 加入高斯噪声和泊松噪声。
• 降低饱和度或改变色温。
• 用 JPEG 压缩引入伪影。
• 随机调整亮度和对比度。

合成样本的公开代码如下：

import numpy as np import cv2 def synthesize_low_light(high, gamma_range=(1.5, 3.5), noise_std=0.02): high = high.astype(np.float32) / 255.0 gamma = np.random.uniform(*gamma_range) low = np.power(high, gamma) noise = np.random.normal(0, noise_std, low.shape).astype(np.float32) low = low + noise low = np.clip(low, 0, 1) return low

合成低光图像不能完全替代真实数据，因为真实传感器的噪声和颜色退化更复杂。但它可以作为预训练阶段的数据来源，让模型先学会基本增强能力，再用官方数据微调，这样通常比直接从零训练更稳定。

5. 训练、验证与推理的完整流程

5.1 训练配置建议

训练配置不应该一开始就用大 batch 和大学习率，而应该先做小规模实验。建议从以下配置起步：

启用混合精度训练时，代码要包在torch.cuda.amp.autocast()中，并对 loss 调用scaler.scale：

scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): pred = model(low) loss = criterion(pred, high) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

使用混合精度时注意，有些损失函数可能在 fp16 下不稳定，尤其是涉及动态范围较大的操作。如果发现 Loss 出现 NaN，可以关闭混合精度，或者把部分计算转为 fp32 后再进行。

5.2 验证时应该怎么比较模型

训练过程中要定期在验证集上计算 PSNR、SSIM 和 LPIPS。不要只保存最后一个 epoch，而应该保存验证指标最优的 checkpoint。建议按下面的逻辑记录：

• 每一个 epoch 结束时，在固定验证集上跑一次推理。
• 计算 PSNR、SSIM、LPIPS。
• 将结果写入 CSV 文件，方便后续排序。
• 同时保存一张可视化的对比图，包括低光图、预测图、标签图。

可视化比指标更能暴露问题。模型可能 PSNR 很高，但颜色发灰；也可能 SSIM 不错，但暗部一团黑。只有看图像才能判断是否存在偏色、过曝、噪点残留等问题。

5.3 推理和提交文件生成

推理阶段要和训练阶段保持完全一致的数据处理流程。一个常见错误是训练时使用 BGR 读图，推理时换成了 PIL 的 RGB，导致结果偏色。推理脚本建议固定使用相同库和相同路径。

def inference(model, low_path, out_path, device): low = cv2.imread(low_path).astype(np.float32) / 255.0 low_t = torch.from_numpy(low.transpose(2, 0, 1)).unsqueeze(0).float().to(device) with torch.no_grad(): pred = model(low_t) pred = pred.squeeze(0).permute(1, 2, 0).clamp(0, 1).cpu().numpy() pred = np.uint8(pred * 255.0) cv2.imwrite(out_path, pred)

生成提交文件时要检查：

• 输出图像尺寸是否和输入保持一致。
• 输出是否被正确裁剪到 0 到 255 的整数范围。
• 文件名和目录结构是否符合官方要求。
• 是否包含 alpha 通道或额外信息。
• 是否使用无损 PNG，而不是质量压缩过的 JPG。

6. 常见问题排查：从现象定位到修复

6.1 Loss 下降但 PSNR 不涨

表现：训练 loss 持续降低，但验证集 PSNR 在某个数值附近不动，甚至下降。

可能原因：

• 模型容量不够，无法表达更复杂的增强映射。
• 损失函数与评价指标不一致，L1 优化方向与 PSNR 并不完全相同。
• 验证集和训练集分布差异大。
• 数据增强太强，模型在验证集上泛化不足。

排查方式：

• 先去掉所有数据增强复跑，观察 PSNR 是否恢复。
• 在训练集上计算 PSNR，如果训练集指标也很低，说明模型容量或训练策略有问题。
• 如果训练集指标高、验证集指标低，优先考虑过拟合和数据分布问题。

6.2 输出发灰、偏色或过曝

表现：预测图像整体发灰，对比度不足；或者暗部变亮但颜色发青、发黄；亮部严重过曝。

可能原因：

• 模型输出被直接加在输入上，但残差学习将大量像素推向中间灰。
• 训练数据中正常光图像白平衡不统一。
• 亮部区域在损失函数中被一视同仁，导致过曝。
• 通道顺序不一致，造成颜色通道错乱。

排查方式：

• 先检查输入和标签的通道顺序是否一致。
• 对输出做直方图统计，看是不是集中在 0.4 到 0.7。
• 在少量样本上观察预测和标签的差值图，判断是否出现系统性偏移。

解决方向：

• 加入对比度损失或 SSIM 损失。
• 对图像高光区域做权重下降。
• 使用全局特征调制或颜色校正模块。

6.3 训练到一半显存不足

表现：前几个 epoch 正常，随着 training 进行，显存占用持续增长，最后抛出CUDA out of memory。

可能原因：

• 验证阶段累积了计算图。
• DataLoader 的 num_workers 设置不当。
• 没有定时清理验证用的中间变量。
• 图像尺寸变大或 batch size 设置过大。

排查方式：

• 在验证代码里使用with torch.no_grad()。
• 在循环里使用torch.cuda.empty_cache()，但这只是缓解手段。
• 使用nvidia-smi观察显存占用曲线。

推荐做法：

• 训练和验证共用一个 GPU 时，先在验证阶段释放显存。
• 如果使用torch.cuda.amp，确认参数更新逻辑正确。
• 不要在每个 iteration 里创建新的 loss 函数实例或保存过多历史 tensor。

6.4 本地指标和官方提交结果不一致

表现：本地验证 PSNR 很高，但官方测试集分数明显偏低，或者相反。

可能原因：

• 本地验证集和官方测试集来源不同，分布不一致。
• 图像预处理不一致，例如缩放方式、边界填充、通道顺序。
• 官方评估时对图像范围有特殊处理，比如要求输出 uint8 而本地直接比较浮点图像。
• 提交格式错误导致官方读图失败。

排查方式：

• 对照官方示例代码，重建评估流程。
• 用官方提供的 sample submission 跑一遍，确认输出完全符合要求。
• 将本地保存的图像下载后重新读回，再计算指标，确认没有写入伪影。

解决方向：

• 统一使用无损 PNG 保存。
• 在提交前写一个自检脚本，校验文件名、数量和图像尺寸。

7. 备赛最佳实践与最终检查清单

7.1 先跑通固定随机种子的小规模实验

竞赛中最大的时间浪费是流程不稳定。建议在正式训练前，固定所有随机种子，用 10 张训练图、1 张验证图做 2 个 epoch 的小实验。这个阶段不看效果，只看是否能正常前向、反向、保存 checkpoint、加载推理。小实验确认没问题后，再扩展到完整数据和更大模型。

固定随机种子示例：

import random import numpy as np import torch def set_seed(seed): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed)

固定随机种子不能保证跨设备完全一致，但至少可以排除大部分数据加载和参数初始化问题。

7.2 建立实验记录表

参加 NTIRE 这类挑战，会做大量实验。建议用表格记录每一组实验的可复现信息：

记录表不只是给自己看，也是为了在调试时快速定位哪一次改动影响了指标。没有记录表的竞赛实验，很容易陷入“改了很多但不知道为什么变好”的状态。

7.3 最终提交前的检查清单

提交前至少花一个小时做完整检查，而不是直接上传。下面这张清单可以复用：

7.4 扩展方向与实际项目落地建议

如果已经跑通基线并提升了指标，可以再考虑三个扩展方向。

第一，使用先进的恢复骨干网络。比如结合 Swin Transformer 局部窗口注意力的结构，或使用 Restormer 中基于通道注意力的设计，能够更好地建模全局光照关系。但这需要足够数据和显存，建议在基线上验证收益后再集成。

第二，引入 RAW 域信息。RAW 图保留了更多暗部信息，低光增强在 RAW 域处理通常比 sRGB 域更容易获得真实细节。如果挑战提供 RAW 数据，值得投入人力做 RAW 到 RGB 的完整 pipeline。

第三，做模型集成和测试时增强。多个模型预测取平均，或在推理时对输入做翻转和颜色抖动，再做反变换，通常能稳定提升 PSNR 和 SSIM。代价是推理时间增加，如果挑战对速度没有硬性要求，这是很直接的提分手段。

落到实际项目里，最需要注意的是模型不能只在竞赛指标上表现好，还要考虑落地时的运行环境。轻量网络、半精度推理、ONNX 导出、批处理接口，都是低光增强产品化的常见要求。竞赛结束后，把验证集、训练配置、最佳模型和推理脚本一起整理成文档，方便后续复现和迁移到真实场景。

低光增强是典型的“输入质量差，算法上限依赖数据和处理细节”的任务。把数据读取、指标计算、损失函数、训练验证流程全部跑通，再针对 Twilight 场景的暗部细节、噪声和动态范围做定向优化，才能在 NTIRE 2026 这样竞争激烈的挑战中拿到稳定的成绩。如果你现在还在准备阶段，先从 2.2 节的数据读取开始，一步一步把基线搭起来，后面所有实验都会顺利得多。