拓冰网站定制 
简介这是一款可直接在微信开发者工具中运行的AI人脸转动漫小程序源码面向想快速上手AI图像风格化应用的开发者与小程序学习者。项目无需自备服务器和域名搭建流程简单内置多种动漫风格转换模式供用户自选适合作为AI玩法类小程序的练手项目或二次开发基础。压缩包共118个文件约366KB以svg图标、js逻辑脚本、json配置、png与jpg图片资源为主另有wxss样式、wxml页面结构及少量html、gif等辅助文件整体结构完整、体积轻量便于阅读与修改。源码中已包含页面逻辑、统计脚本与资源文件读者可据此理解人脸转动漫的调用流程、页面组织方式与合法域名配置思路并在此基础上替换风格或扩展功能。目前已有362人学习下载适合希望低成本体验AI小程序完整实现路径的开发者参考。1. 从一张人脸照片到动漫头像AI 微信小程序源码到底在做什么你手机里大概率躺着几百张自拍但真要挑一张当头像又觉得哪张都差点意思。把真人照片转成动漫风格这个需求在社交场景里一直很硬——不是修图滤镜那种糊一层而是保留五官特征、换一套画风。AI 微信小程序源码下载人脸照片 AI 转换动漫照片讲的就是这么一条链路用户在微信小程序里选一张人脸照片上传到后端后端调用 AI 模型做风格迁移把结果图返回给小程序展示和保存。它解决的是「普通人不会用 Stable Diffusion、也不想装一堆环境」的问题把整个推理过程藏在小程序背后。适合谁看想做一个能跑起来的小程序 AI 应用的开发者、想拿现成源码改一改就上线的独立开发者以及想搞清楚「小程序 AI 推理」这套组合拳怎么落地的人。源码本身不是重点重点是这条链路里每一步的参数和坑。2. 人脸照片转动漫的技术链路从上传到出图2.1 为什么是「人脸检测 风格迁移」两段式很多人以为人脸转动漫就是一个模型端到端搞定实际落地时几乎都会拆成两段。第一段做人脸检测和对齐第二段做风格迁移。原因很直接风格迁移模型对输入人脸的位置和角度很敏感如果直接把一张歪着脑袋、背景杂乱的照片丢进去出来的动漫图大概率五官错位。常见做法是先用轻量人脸检测模型比如 RetinaFace 或 SCRFD 的轻量版把脸框出来做关键点对齐裁剪成固定尺寸再送进风格迁移模型。这样出图稳定也方便后续做人脸融合。选型上检测模型要选能在 CPU 上跑到几十毫秒的因为小程序后端往往没有 GPU 常驻。风格迁移模型常见的是基于 GAN 的 AnimeGAN 系列或者用扩散模型做 img2img 加 ControlNet 约束。前者快、显存小后者质量高但慢。源码里如果用的是 AnimeGAN那基本是走「快」这条路。2.2 小程序端上传与后端接收的最小实现小程序端要做的事很朴素选图、压缩、上传。微信小程序的wx.chooseMedia拿到临时路径然后用wx.uploadFile发到后端。这里有个容易忽略的点——小程序默认上传的图片可能好几 MB直接传会慢也会撑爆后端请求体限制。所以上传前先做一次压缩。// 小程序端选图 压缩 上传 wx.chooseMedia({ count: 1, mediaType: [image], sourceType: [album, camera], success(res) { const tempPath res.tempFiles[0].tempFilePath; // 压缩到宽度 1080质量 80兼顾清晰度和体积 wx.compressImage({ src: tempPath, quality: 80, success(compressed) { wx.uploadFile({ url: https://your-domain.com/api/face2anime, filePath: compressed.tempFilePath, name: photo, // 后端用这个字段名接收 formData: { style: anime_v1 }, // 风格标识方便后端路由 success(uploadRes) { const data JSON.parse(uploadRes.data); // data.result_url 是后端返回的动漫图地址 console.log(出图地址, data.result_url); } }); } }); } });这段代码的逻辑是选图 → 压缩 → 上传 → 拿返回地址。参数上quality: 80是压缩质量低于 60 人脸细节会丢高于 90 体积又下不来80 是实测比较平衡的值。name: photo必须和后端接收字段一致否则后端拿不到文件。formData里带风格标识是为了后面扩展多种画风时不用改接口。注意wx.uploadFile返回的data是字符串要手动JSON.parse这是新手常翻车的地方。2.3 后端推理服务的接口设计与参数后端拿到图片后流程是保存临时文件 → 人脸检测对齐 → 风格迁移推理 → 保存结果 → 返回 URL。用 Python 写一个最小服务框架用 FastAPI推理部分用 ONNX Runtime 跑 AnimeGAN这样不依赖 PyTorch 也能部署。# 后端FastAPI 接收图片并推理 import cv2 import numpy as np import onnxruntime as ort from fastapi import FastAPI, UploadFile, File, Form app FastAPI() # 加载 AnimeGAN 的 ONNX 模型providers 按可用性排序 session ort.InferenceSession( animeganv2.onnx, providers[CPUExecutionProvider] # 有 GPU 可换成 CUDAExecutionProvider ) def preprocess(img_bgr): # 缩放到模型输入尺寸 256x256并归一化到 [-1, 1] img cv2.resize(img_bgr, (256, 256)) img img.astype(np.float32) / 127.5 - 1.0 # HWC - NCHW img np.transpose(img, (2, 0, 1))[None, ...] return img app.post(/api/face2anime) async def face2anime(photo: UploadFile File(...), style: str Form(anime_v1)): raw await photo.read() arr np.frombuffer(raw, np.uint8) img cv2.imdecode(arr, cv2.IMREAD_COLOR) # 人脸检测对齐这一步省略实际项目要接检测模型 inp preprocess(img) out session.run(None, {session.get_inputs()[0].name: inp})[0] # 反归一化回 0-255 out ((out[0].transpose(1, 2, 0) 1.0) * 127.5).clip(0, 255).astype(np.uint8) cv2.imwrite(/tmp/result.jpg, out) return {result_url: https://your-domain.com/static/result.jpg}逻辑说明preprocess做了缩放和归一化AnimeGAN 的输入是 256×256、范围 [-1,1]这一步错了出图会全黑或全白。session.run的第一个参数是输出名列表传None表示拿所有输出。参数上providers决定用 CPU 还是 GPU线上如果并发高CPU 推理一张 256 的图大概几百毫秒够用但不宽裕。style参数目前没用到但预留了多风格路由的位置。注意cv2.imdecode处理的是字节流不要直接cv2.imread一个不存在的路径。3. 源码拿到手后怎么跑起来环境、依赖与联调3.1 本地跑通推理服务的最小步骤拿到一份「AI 微信小程序源码」第一件事不是急着改代码而是先把后端推理跑通。因为小程序端只是壳真正决定能不能出图的是后端。步骤是建虚拟环境 → 装依赖 → 下模型 → 起服务 → 用 curl 测一张图。# 建环境并装依赖 python -m venv venv source venv/bin/activate pip install fastapi uvicorn opencv-python onnxruntime numpy python-multipart # 启动服务监听 8000 uvicorn main:app --host 0.0.0.0 --port 8000 # 另开终端用 curl 测一张本地图片 curl -X POST http://127.0.0.1:8000/api/face2anime \ -F phototest_face.jpg \ -F styleanime_v1python-multipart这个依赖特别容易漏FastAPI 接收UploadFile必须装它不装会报Form data requires python-multipart。--host 0.0.0.0是为了让同一局域网内的手机也能访问方便真机调试小程序。curl 测试时-F表示 multipart 表单后面跟文件路径。如果返回 500先看服务端日志大概率是模型路径不对或输入尺寸不匹配。3.2 小程序端配置合法域名与真机调试小程序请求后端必须走 HTTPS且域名要在微信公众平台的后台配置。本地开发时可以用开发者工具的「不校验合法域名」选项绕过但真机预览时这个选项不生效所以要么配一个测试域名要么用内网穿透工具把本地服务暴露成 HTTPS。配置路径是微信公众平台 → 开发 → 开发管理 → 服务器域名 → request 合法域名和 uploadFile 合法域名都要加。注意uploadFile和request是两个独立的配置项只配一个会出现「上传成功但请求失败」或者反过来。真机调试时如果图片上传后一直转圈先看手机网络能不能访问那个域名再看后端有没有收到请求。3.3 模型文件与目录结构怎么放源码里通常会把模型文件单独放一个目录比如models/。ONNX 模型一般几十 MB不建议塞进代码仓库用.gitignore排除部署时单独上传。目录结构常见的是目录/文件作用注意main.pyFastAPI 入口模型加载放启动时别放请求里models/animeganv2.onnx风格迁移模型路径用绝对路径或基于__file__拼static/存放结果图要配静态文件服务miniprogram/小程序端代码app.json里配好页面路径模型加载一定要放在服务启动时不要每次请求都InferenceSession那样每次请求都要重新加载模型慢到没法用。静态目录要用app.mount(/static, StaticFiles(directorystatic))挂载否则返回的 URL 访问不到。4. 避坑与排查那些让出图失败的细节4.1 出图全黑或全白现象接口返回 200但结果图是一片黑或者一片白。原因预处理归一化范围搞错了。AnimeGAN 期望输入是 [-1,1]如果你按 [0,1] 归一化或者忘了归一化输出就会异常。解决确认img / 127.5 - 1.0这一步以及输出反归一化(out 1.0) * 127.5。另外检查通道顺序OpenCV 读进来是 BGR如果模型训练时用的是 RGB要加一步cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。4.2 人脸检测框偏了导致五官错位现象出图能看但眼睛鼻子位置不对像被拉伸过。原因没有做人脸对齐直接整图缩放送进模型。解决接一个人脸检测模型拿到关键点后做仿射变换对齐再裁剪。如果不想接检测至少做一次中心裁剪把脸放在画面中间。常见做法是用insightface或face_alignment库几行代码就能拿到对齐后的人脸。4.3 小程序上传大图超时现象用户选了一张 10MB 的图上传卡住然后报错。原因小程序uploadFile默认超时 60 秒大图在弱网下传不完。解决上传前用wx.compressImage压缩宽度压到 1080 以内质量 80。如果还大可以再压一次或者限制用户只能选 5MB 以内的图。后端也要设请求体大小限制FastAPI 默认没有硬限制但 Nginx 反代默认 1MB要在client_max_body_size里调大。4.4 并发一高就排队现象一个人用没问题几个人同时用就明显变慢。原因ONNX Runtime 默认单线程推理CPU 上同时只能跑一个请求。解决起多个 workeruvicorn main:app --workers 4或者用gunicorn配uvicorn.workers.UvicornWorker。但要注意每个 worker 都会加载一份模型内存会翻倍。如果模型大就上 GPU 或者用队列削峰。另一个思路是把推理做成异步任务先返回任务 ID小程序轮询结果。4.5 返回的图片 URL 手机访问不了现象开发者工具里能看到图真机上图片裂开。原因返回的 URL 是127.0.0.1或者内网地址手机访问不到。解决返回的 URL 必须是公网可访问的域名或者至少是同一局域网内手机能访问的 IP。如果后端和静态文件分开部署注意跨域和 HTTPS 混合内容问题。小程序里image组件加载 HTTPS 图片没问题但 HTTP 图片在真机上会被拦。5. 进阶把出图质量再拉一档的几个具体手法跑通只是第一步真正决定用户愿不愿意用的是出图质量。这里说几个我实际调过的方向。第一个是输入分辨率。AnimeGAN 原生 256×256出图偏糊。可以改成 512×512 的模型或者用 256 出图后再接一个超分模型比如 Real-ESRGAN 的轻量版放大。代价是推理时间翻倍但头像场景对清晰度敏感值得。第二个是风格融合。单一风格容易腻可以在推理时对输出做加权混合比如 70% 动漫风格 30% 原图保留更多真人特征出来的图更像「动漫化的自己」而不是「另一个人」。第三个是后处理锐化用cv2.detailEnhance或者简单的 unsharp mask能让线条更干净。验证质量别靠肉眼一张张看写个小脚本批量跑一组测试图固定随机种子对比不同参数下的输出。我一般会准备 20 张不同光照、不同角度的人脸图每次改完参数跑一遍看有没有崩脸的。这个习惯帮我省了很多「上线后才发现某类照片全崩」的后悔药。参数上风格强度、超分倍率、锐化力度这三个是最值得调的其他保持默认就行。最后一句血泪经验别在没做对齐的情况下调风格模型那是玄学调不出来。希望帮到你。本文还有配套的精品资源点击获取 AI微信小程序源码：人脸照片转动漫全链路实现与避坑指南
简介这是一款可直接在微信开发者工具中运行的AI人脸转动漫小程序源码面向想快速上手AI图像风格化应用的开发者与小程序学习者。项目无需自备服务器和域名搭建流程简单内置多种动漫风格转换模式供用户自选适合作为AI玩法类小程序的练手项目或二次开发基础。压缩包共118个文件约366KB以svg图标、js逻辑脚本、json配置、png与jpg图片资源为主另有wxss样式、wxml页面结构及少量html、gif等辅助文件整体结构完整、体积轻量便于阅读与修改。源码中已包含页面逻辑、统计脚本与资源文件读者可据此理解人脸转动漫的调用流程、页面组织方式与合法域名配置思路并在此基础上替换风格或扩展功能。目前已有362人学习下载适合希望低成本体验AI小程序完整实现路径的开发者参考。1. 从一张人脸照片到动漫头像AI 微信小程序源码到底在做什么你手机里大概率躺着几百张自拍但真要挑一张当头像又觉得哪张都差点意思。把真人照片转成动漫风格这个需求在社交场景里一直很硬——不是修图滤镜那种糊一层而是保留五官特征、换一套画风。AI 微信小程序源码下载人脸照片 AI 转换动漫照片讲的就是这么一条链路用户在微信小程序里选一张人脸照片上传到后端后端调用 AI 模型做风格迁移把结果图返回给小程序展示和保存。它解决的是「普通人不会用 Stable Diffusion、也不想装一堆环境」的问题把整个推理过程藏在小程序背后。适合谁看想做一个能跑起来的小程序 AI 应用的开发者、想拿现成源码改一改就上线的独立开发者以及想搞清楚「小程序 AI 推理」这套组合拳怎么落地的人。源码本身不是重点重点是这条链路里每一步的参数和坑。2. 人脸照片转动漫的技术链路从上传到出图2.1 为什么是「人脸检测 风格迁移」两段式很多人以为人脸转动漫就是一个模型端到端搞定实际落地时几乎都会拆成两段。第一段做人脸检测和对齐第二段做风格迁移。原因很直接风格迁移模型对输入人脸的位置和角度很敏感如果直接把一张歪着脑袋、背景杂乱的照片丢进去出来的动漫图大概率五官错位。常见做法是先用轻量人脸检测模型比如 RetinaFace 或 SCRFD 的轻量版把脸框出来做关键点对齐裁剪成固定尺寸再送进风格迁移模型。这样出图稳定也方便后续做人脸融合。选型上检测模型要选能在 CPU 上跑到几十毫秒的因为小程序后端往往没有 GPU 常驻。风格迁移模型常见的是基于 GAN 的 AnimeGAN 系列或者用扩散模型做 img2img 加 ControlNet 约束。前者快、显存小后者质量高但慢。源码里如果用的是 AnimeGAN那基本是走「快」这条路。2.2 小程序端上传与后端接收的最小实现小程序端要做的事很朴素选图、压缩、上传。微信小程序的wx.chooseMedia拿到临时路径然后用wx.uploadFile发到后端。这里有个容易忽略的点——小程序默认上传的图片可能好几 MB直接传会慢也会撑爆后端请求体限制。所以上传前先做一次压缩。// 小程序端选图 压缩 上传 wx.chooseMedia({ count: 1, mediaType: [image], sourceType: [album, camera], success(res) { const tempPath res.tempFiles[0].tempFilePath; // 压缩到宽度 1080质量 80兼顾清晰度和体积 wx.compressImage({ src: tempPath, quality: 80, success(compressed) { wx.uploadFile({ url: https://your-domain.com/api/face2anime, filePath: compressed.tempFilePath, name: photo, // 后端用这个字段名接收 formData: { style: anime_v1 }, // 风格标识方便后端路由 success(uploadRes) { const data JSON.parse(uploadRes.data); // data.result_url 是后端返回的动漫图地址 console.log(出图地址, data.result_url); } }); } }); } });这段代码的逻辑是选图 → 压缩 → 上传 → 拿返回地址。参数上quality: 80是压缩质量低于 60 人脸细节会丢高于 90 体积又下不来80 是实测比较平衡的值。name: photo必须和后端接收字段一致否则后端拿不到文件。formData里带风格标识是为了后面扩展多种画风时不用改接口。注意wx.uploadFile返回的data是字符串要手动JSON.parse这是新手常翻车的地方。2.3 后端推理服务的接口设计与参数后端拿到图片后流程是保存临时文件 → 人脸检测对齐 → 风格迁移推理 → 保存结果 → 返回 URL。用 Python 写一个最小服务框架用 FastAPI推理部分用 ONNX Runtime 跑 AnimeGAN这样不依赖 PyTorch 也能部署。# 后端FastAPI 接收图片并推理 import cv2 import numpy as np import onnxruntime as ort from fastapi import FastAPI, UploadFile, File, Form app FastAPI() # 加载 AnimeGAN 的 ONNX 模型providers 按可用性排序 session ort.InferenceSession( animeganv2.onnx, providers[CPUExecutionProvider] # 有 GPU 可换成 CUDAExecutionProvider ) def preprocess(img_bgr): # 缩放到模型输入尺寸 256x256并归一化到 [-1, 1] img cv2.resize(img_bgr, (256, 256)) img img.astype(np.float32) / 127.5 - 1.0 # HWC - NCHW img np.transpose(img, (2, 0, 1))[None, ...] return img app.post(/api/face2anime) async def face2anime(photo: UploadFile File(...), style: str Form(anime_v1)): raw await photo.read() arr np.frombuffer(raw, np.uint8) img cv2.imdecode(arr, cv2.IMREAD_COLOR) # 人脸检测对齐这一步省略实际项目要接检测模型 inp preprocess(img) out session.run(None, {session.get_inputs()[0].name: inp})[0] # 反归一化回 0-255 out ((out[0].transpose(1, 2, 0) 1.0) * 127.5).clip(0, 255).astype(np.uint8) cv2.imwrite(/tmp/result.jpg, out) return {result_url: https://your-domain.com/static/result.jpg}逻辑说明preprocess做了缩放和归一化AnimeGAN 的输入是 256×256、范围 [-1,1]这一步错了出图会全黑或全白。session.run的第一个参数是输出名列表传None表示拿所有输出。参数上providers决定用 CPU 还是 GPU线上如果并发高CPU 推理一张 256 的图大概几百毫秒够用但不宽裕。style参数目前没用到但预留了多风格路由的位置。注意cv2.imdecode处理的是字节流不要直接cv2.imread一个不存在的路径。3. 源码拿到手后怎么跑起来环境、依赖与联调3.1 本地跑通推理服务的最小步骤拿到一份「AI 微信小程序源码」第一件事不是急着改代码而是先把后端推理跑通。因为小程序端只是壳真正决定能不能出图的是后端。步骤是建虚拟环境 → 装依赖 → 下模型 → 起服务 → 用 curl 测一张图。# 建环境并装依赖 python -m venv venv source venv/bin/activate pip install fastapi uvicorn opencv-python onnxruntime numpy python-multipart # 启动服务监听 8000 uvicorn main:app --host 0.0.0.0 --port 8000 # 另开终端用 curl 测一张本地图片 curl -X POST http://127.0.0.1:8000/api/face2anime \ -F phototest_face.jpg \ -F styleanime_v1python-multipart这个依赖特别容易漏FastAPI 接收UploadFile必须装它不装会报Form data requires python-multipart。--host 0.0.0.0是为了让同一局域网内的手机也能访问方便真机调试小程序。curl 测试时-F表示 multipart 表单后面跟文件路径。如果返回 500先看服务端日志大概率是模型路径不对或输入尺寸不匹配。3.2 小程序端配置合法域名与真机调试小程序请求后端必须走 HTTPS且域名要在微信公众平台的后台配置。本地开发时可以用开发者工具的「不校验合法域名」选项绕过但真机预览时这个选项不生效所以要么配一个测试域名要么用内网穿透工具把本地服务暴露成 HTTPS。配置路径是微信公众平台 → 开发 → 开发管理 → 服务器域名 → request 合法域名和 uploadFile 合法域名都要加。注意uploadFile和request是两个独立的配置项只配一个会出现「上传成功但请求失败」或者反过来。真机调试时如果图片上传后一直转圈先看手机网络能不能访问那个域名再看后端有没有收到请求。3.3 模型文件与目录结构怎么放源码里通常会把模型文件单独放一个目录比如models/。ONNX 模型一般几十 MB不建议塞进代码仓库用.gitignore排除部署时单独上传。目录结构常见的是目录/文件作用注意main.pyFastAPI 入口模型加载放启动时别放请求里models/animeganv2.onnx风格迁移模型路径用绝对路径或基于__file__拼static/存放结果图要配静态文件服务miniprogram/小程序端代码app.json里配好页面路径模型加载一定要放在服务启动时不要每次请求都InferenceSession那样每次请求都要重新加载模型慢到没法用。静态目录要用app.mount(/static, StaticFiles(directorystatic))挂载否则返回的 URL 访问不到。4. 避坑与排查那些让出图失败的细节4.1 出图全黑或全白现象接口返回 200但结果图是一片黑或者一片白。原因预处理归一化范围搞错了。AnimeGAN 期望输入是 [-1,1]如果你按 [0,1] 归一化或者忘了归一化输出就会异常。解决确认img / 127.5 - 1.0这一步以及输出反归一化(out 1.0) * 127.5。另外检查通道顺序OpenCV 读进来是 BGR如果模型训练时用的是 RGB要加一步cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。4.2 人脸检测框偏了导致五官错位现象出图能看但眼睛鼻子位置不对像被拉伸过。原因没有做人脸对齐直接整图缩放送进模型。解决接一个人脸检测模型拿到关键点后做仿射变换对齐再裁剪。如果不想接检测至少做一次中心裁剪把脸放在画面中间。常见做法是用insightface或face_alignment库几行代码就能拿到对齐后的人脸。4.3 小程序上传大图超时现象用户选了一张 10MB 的图上传卡住然后报错。原因小程序uploadFile默认超时 60 秒大图在弱网下传不完。解决上传前用wx.compressImage压缩宽度压到 1080 以内质量 80。如果还大可以再压一次或者限制用户只能选 5MB 以内的图。后端也要设请求体大小限制FastAPI 默认没有硬限制但 Nginx 反代默认 1MB要在client_max_body_size里调大。4.4 并发一高就排队现象一个人用没问题几个人同时用就明显变慢。原因ONNX Runtime 默认单线程推理CPU 上同时只能跑一个请求。解决起多个 workeruvicorn main:app --workers 4或者用gunicorn配uvicorn.workers.UvicornWorker。但要注意每个 worker 都会加载一份模型内存会翻倍。如果模型大就上 GPU 或者用队列削峰。另一个思路是把推理做成异步任务先返回任务 ID小程序轮询结果。4.5 返回的图片 URL 手机访问不了现象开发者工具里能看到图真机上图片裂开。原因返回的 URL 是127.0.0.1或者内网地址手机访问不到。解决返回的 URL 必须是公网可访问的域名或者至少是同一局域网内手机能访问的 IP。如果后端和静态文件分开部署注意跨域和 HTTPS 混合内容问题。小程序里image组件加载 HTTPS 图片没问题但 HTTP 图片在真机上会被拦。5. 进阶把出图质量再拉一档的几个具体手法跑通只是第一步真正决定用户愿不愿意用的是出图质量。这里说几个我实际调过的方向。第一个是输入分辨率。AnimeGAN 原生 256×256出图偏糊。可以改成 512×512 的模型或者用 256 出图后再接一个超分模型比如 Real-ESRGAN 的轻量版放大。代价是推理时间翻倍但头像场景对清晰度敏感值得。第二个是风格融合。单一风格容易腻可以在推理时对输出做加权混合比如 70% 动漫风格 30% 原图保留更多真人特征出来的图更像「动漫化的自己」而不是「另一个人」。第三个是后处理锐化用cv2.detailEnhance或者简单的 unsharp mask能让线条更干净。验证质量别靠肉眼一张张看写个小脚本批量跑一组测试图固定随机种子对比不同参数下的输出。我一般会准备 20 张不同光照、不同角度的人脸图每次改完参数跑一遍看有没有崩脸的。这个习惯帮我省了很多「上线后才发现某类照片全崩」的后悔药。参数上风格强度、超分倍率、锐化力度这三个是最值得调的其他保持默认就行。最后一句血泪经验别在没做对齐的情况下调风格模型那是玄学调不出来。希望帮到你。本文还有配套的精品资源点击获取