《Android開發高手課》學習筆記1

最近在學習張紹文老師的《Android開發高手課》課程，學習到了不少的乾貨，特別是在處理問題的策略和知識的廣度方面給了我不少的啓發，對將來的學習也提供了方向。

目前，技術的發展有兩個趨勢。一個趨勢是，隨着5G網絡的發展，物聯網使「萬物互聯」成爲可能。物聯網時代，也是雲計算和邊緣計算並存的世界，且邊緣計算將扮演重要的角色。邊緣計算是與雲計算相反的計算範式，指的是在網絡邊緣節點（終端設備）進行數據處理和分析。邊緣計算之因此重要，緣由在於：首先，在物聯網時代，將有數十億的終端設備持續採集數據，帶來的計算量將是雲計算所不能承受的；其次，終端設備的計算能力不斷提升，並非全部的計算都須要在雲端完成；再有，將數據傳回雲端計算再將結果返回終端的模式，不可避免存在時延，不只影響用戶體驗，有些場景也是不可接受的；最後，隨着用戶對數據安全和隱私的重視，也會要求在終端進行數據加工和計算。

另外一個趨勢是，人工智能技術的迅速發展。最近幾年，以深度學習爲表明的人工智能技術取得了突破性的進展，不只在社會上引發了人們的興趣和關注，同時也正在重塑商業的格局。人工智能技術的重大價值在於，藉助智能算法和技術，將以前必須人工才能完成的工做進行機器化，用機器的規模化解放人工，突破人力生產要素的瓶頸，從而大幅提升生產效率。在商業社會，「規模化」技術將釋放巨大的能量、創造巨大的價值，甚至重塑商業的競爭，拓展整個商業的外部邊界。

邊緣計算既然有計算能力，在不少應用場景中就會產生智能計算的需求，二者結合在一塊兒，就造成了邊緣智能計算。

移動端機器學習的開發技術

目前，移動端機器學習的應用技術主要集中在圖像處理、天然語言處理和語音處理。在具體的應用上，包括但不限於視頻圖像的物體檢測、語言翻譯、語音助手、美顏等，在自動駕駛、教育、醫療、智能家居和物聯網等方面有巨大的應用需求。目前已經商用的深度學習技術主要有以下一些：

框架	研發公司	支持平臺
TF_lite	Google	ARM
Caffe2	Facebook	ARM
TF_lite	Xiaomi	ARM、DSP、GPU
paddle-mobile	Baidu	ARM、GPU
FeatherCNN	Tencent	ARM
NCNN	Tencent	ARM

1.計算框架

由於深度學習算法具備不少特定的算法算子，爲了提升移動端開發和模型部署的效率，各大廠都開發了移動端深度學習的計算框架，例如谷歌的TensorFlow Lite、Facebook的Caffe2等，Android開發的同窗仍是挺有必要去了解這些計算框架的。爲了培養興趣這方面的興趣並得到感性的認識，你能夠挑選一個比較成熟的大廠框架，例如 TensorFlow Lite，在手機開發一個物體檢測的Demo練練手。

在實際項目中，TensorFlow Lite和Caffe2等一般運行比較慢。在網上能夠很容易找到各個計算框架的對比圖。若是要真正入門的話，在這裏我推薦你們使用NCNN框架。NCNN是騰訊開源的計算框架，優勢比較明顯，代碼結構清晰、文件不大，並且運行效率高。強烈推薦有興趣的Android開發同窗把源碼閱讀幾遍，不只有助於理解深度學習經常使用的算法，也有助於理解移動端機器學習的計算框架。

閱讀NCNN源碼抓住三個最基礎的數據結構，Mat、Layer和Net。其中，Mat用於存儲矩陣的值，神經網絡中的每一個輸入、輸出以及權重，都是用Mat來存儲的。Layer實際上表示操做，因此每一個Layer都必須有前向操做函數（forward函數），全部算子，例如，卷積操做（convolution）、LSTM操做等都是從Layer派生出來的。Net用來表示整個網絡，將全部數據節點和操做結合起來。

在閱讀NCNN源碼的同時，建議你們也能夠看些關於卷積神經網絡算法的入門資料，會有助於理解。

2.計算性能優化

在實際項目中，若是某個路徑成爲時間開銷的瓶頸，一般能夠將該節點用NDK去實現。但在一般狀況下，移動端機器學習的計算框架已經在NDK中進行實現的，這時改進的方向是採用ARM NEON指令彙編進行優化。

NEON是適用於ARMCortex-A系列處理器的一種128Bit SIMD（Single Instruction%2CMultipleData，單指令、多數據）擴展結構。ARMNEON指令之全部能達到性能優化的目的，關鍵就在於單指令多數據。以下圖所示：

NEON的兩個操做數各有128Bit，各包含4個32Bit的同類型的寄存器，經過以下所示的一條指令，就能夠實現4個32Bit數據的並行計算，從而達到性能優化的效果。

VADDQ.S32 Q0,Q1,Q2

咱們曾經用NDK的方式實現了深度學習算法中的PixelShuffle操做，後來採用ARMNEON%2B彙編優化的方式，計算的效率提高40倍，效果仍是很顯著的。

若是還想進一步提升計算的性能，能夠採用Int 8量化的方法。在深度學習裏面，大多數運算都是基於Float 32類型進行的，Float 32是32Bit，128Bit的寄存器一次能夠存儲4個Float 32類型數據；相比之下，Int 8類型的數據能夠存儲16個。結合前面提到的單指令多數據，若是採用Int 8類型的數據，單條指令能夠同時執行16個Int 8數據的運算，從而大大提升了並行性。

可是，將Float 32類型的數值量化到Int 8表達，不可避免會影響到數據的精度，並且量化的過程也是須要時間開銷的，這些都是須要注意的地方。關於量化的方法，感興趣的同窗能夠閱讀這篇論文。

若是設備具備GPU，還能夠應用OpenCL進行GPU加速，例如小米開源的移動端機器學習框架MACE。

移動端機器學習的算法技術

對於剛開始學習算法的同窗，我一直主張不要把算法想象得太複雜，也不要想得太數學化，不然容易讓人望而生畏。數學是思惟邏輯的表達，咱們但願用數學幫助咱們理解算法。咱們要可以達到對算法的直觀理解，從直觀上知道和理解爲何這個算法會有這樣的效果，只有這樣纔算是真正掌握了算法。相反，對於一個算法，若是你只記住了數學推導，沒造成直觀的理解，是不可以靈活應用的。

1.算法設計

深度學習的圖像處理具備很廣的應用，並且比較直觀和有趣，建議你能夠從深度學習的圖像處理入手。深度學習的圖像處理，最基本的知識是卷積神經網絡，因此你能夠先學習卷積神經網絡。網上有不少關於卷積神經網絡的介紹，這裏就不贅述了。

理解卷積神經網絡關鍵是理解卷積神經網絡的學習機制，理解爲何可以學習。想要理解這一點，首先須要明確兩個關鍵點「前向傳播」和「反向傳播」。整個神經網絡在結構和激活函數肯定以後，所謂「訓練」或者「學習」的過程，其實就是在不斷地調整神經網絡的每一個權重，讓整個網絡的計算結果趨近於指望值（目標值）。前向傳播是從輸入端開始計算，目標是獲得網絡的輸出結果，再將輸出結果和目標值相比較，獲得結果偏差。以後將結果偏差沿着網絡結構反向傳播拆解到每一個節點，獲得每一個節點的偏差，而後根據每一個節點的偏差調整該節點的權重。「前向傳播」的目的是獲得輸出結果，「反向傳播」的目的是經過反向傳播偏差來調整權重。經過二者互相交替迭代，但願達到輸出結果和目標值一致。

理解卷積神經網絡以後，咱們能夠動手實現手寫字體識別的示例。掌握以後，能夠接着學習深度學習裏的物體檢測算法，例如YOLO、FasterR-CNN等，最後能夠動手用TensorFlow都寫一遍，跑跑訓練數據、調調參數，邊動手邊理解。在學習過程當中，要特別留意算法模型的設計思想和解決思路。

2.效果優化

效果優化指提高算法模型的準確率等指標，一般的方式有如下幾種：

• 優化訓練數據；
• 優化算法設計；
• 優化模型訓練方式

優化訓練數據

由於算法模型是從訓練數據中學習的，模型沒法學習到訓練數據以外的模式。因此，在選擇訓練數據時要特別當心，必須使得訓練數據包含實際場景中會出現的模式。精心挑選或標註訓練數據，會有效提高模型的效果。訓練數據的標註對效果很是重要，以致於有創業公司專門從事數據標註，還得到了很多融資。

優化算法設計

根據問題採用更好的算法模型，採用深度學習模型而不是傳統的機器學習模型，採用具備更高特徵表達能力的模型等，例如使用殘差網絡或DenseNet提升網絡的特徵表達能力。

優化模型訓練方式

優化模型訓練方式包括採用哪一種損失函數、是否使用正則項、是否使用Dropout結構、使用哪一種梯度降低算法等。

3.計算量優化

雖然咱們在框架側作了大量的工做來提升計算性能，可是若是在算法側可以減小計算量，那麼總體的計算實時性也會提升。從模型角度，減小計算量的思路有兩種，一種是設計輕量型網絡模型，一種是對模型進行壓縮。輕量型網絡設計學術界和工業界都設計了輕量型卷積神經網絡，在保證模型精度的前提下，大幅減小模型的計算量，從而減小模型的計算開銷。這種思路的典型表明是谷歌提出的MobileNet，從名字上也能夠看出設計的目標是移動端使用的網絡結構。MobileNet是將標準的卷積神經網絡運算拆分紅Depthwise卷積運算和Pointwise卷積運算，先用Depthwise卷積對輸入各個通道分別進行卷積運算，而後用Pointwise卷積實現各個通道間信息的融合。

模型壓縮

模型壓縮包括結構稀疏化和蒸餾兩種方式。

在邏輯迴歸算法中，咱們經過引入正則化，使得某些特徵的係數近似爲0。在卷積神經網絡中，咱們也但願經過引入正則化，使得卷積核的係數近似爲0。與普通的正則化不一樣的是，在結構稀疏化中，咱們但願正則化實現結構性的稀疏，好比某幾個通道的卷積核的係數所有近似爲0，從而能夠將這幾個通道的卷積核剪枝掉，減小沒必要要的計算開銷。

蒸餾方法有遷移學習的意思，就是設計一個簡單的網絡，經過訓練的方式，使得該簡單的網絡具備目標網絡近似的表示能力，從而達到「蒸餾」的效果。

Android開發同窗的機會

移動端機器學習的計算框架和算法，前者負責模型計算的性能，減小時間開銷；後者主要負責模型的精度，還能夠經過一些算法設計減小算法的計算量，從而達到減小時間開銷的目的。

須要注意的是，在移動端機器學習中，算法模型的訓練一般是在服務器端進行的。目前，終端設備一般不負責模型的訓練。在使用時，由終端設備加載訓練結果模型，執行前向計算獲得模型的計算結果。

可是前面講了那麼多行業趨勢和機器學習的基本技術，那對於移動開發的同窗來講，如何進入這個「熱門」的領域呢？移動端機器學習是邊緣智能計算範疇的一個領域，並且移動端開發是Android開發同窗特別熟悉的領域，因此這也是Android開發同窗的一個發展機會，轉型進入邊緣智能計算領域。Android開發同窗能夠發揮本身的技術專業優點，先在邊緣計算的終端設備程序開發中站穩腳跟，在將來的技術分工體系中有個堅固的立足點；同時，逐步學習深度學習算法，以備未來往前邁一步，進入邊緣智能計算領域，創造更高的技術價值。

可能在大部分狀況下，Android開發同窗在深度學習算法領域，跟專業的算法同窗相比，不具備競爭優點，因此咱們千萬不要放棄本身所專長的終端設備的開發經驗。對大多數Android開發同窗而言，「專精Android開發並懂深度學習算法」纔是在將來技術分工中，創造最大價值的姿式。

對於學習路徑，我建議Android開發同窗能夠先學習卷積神經網絡的基礎知識（結構、訓練和前向計算），而後閱讀學習NCNN開源框架，掌握計算性能的優化方法，把開發技術掌握好。同時，能夠逐步學習算法技術，主要學習各類常見的深度學習算法模型，並重點學習近幾年出現輕量型神經網絡算法。總之，Android開發同窗要重點掌握提升計算實時性的開發技術和算法技術，兼顧學習深度學習算法模型。

基於前面的描述，我梳理了移動端機器學習的技術大圖供你參考。圖中紅圈的部分，是我建議Android開發同窗重點掌握的內容。

最近在學習張紹文老師的《Android開發高手課》課程，學習到了不少的乾貨，特別是在處理問題的策略和知識的廣度方面給了我不少的啓發，對將來的學習也提供了方向。

目前，技術的發展有兩個趨勢。一個趨勢是，隨着5G網絡的發展，物聯網使「萬物互聯」成爲可能。物聯網時代，也是雲計算和邊緣計算並存的世界，且邊緣計算將扮演重要的角色。邊緣計算是與雲計算相反的計算範式，指的是在網絡邊緣節點（終端設備）進行數據處理和分析。邊緣計算之因此重要，緣由在於：首先，在物聯網時代，將有數十億的終端設備持續採集數據，帶來的計算量將是雲計算所不能承受的；其次，終端設備的計算能力不斷提升，並非全部的計算都須要在雲端完成；再有，將數據傳回雲端計算再將結果返回終端的模式，不可避免存在時延，不只影響用戶體驗，有些場景也是不可接受的；最後，隨着用戶對數據安全和隱私的重視，也會要求在終端進行數據加工和計算。

另外一個趨勢是，人工智能技術的迅速發展。最近幾年，以深度學習爲表明的人工智能技術取得了突破性的進展，不只在社會上引發了人們的興趣和關注，同時也正在重塑商業的格局。人工智能技術的重大價值在於，藉助智能算法和技術，將以前必須人工才能完成的工做進行機器化，用機器的規模化解放人工，突破人力生產要素的瓶頸，從而大幅提升生產效率。在商業社會，「規模化」技術將釋放巨大的能量、創造巨大的價值，甚至重塑商業的競爭，拓展整個商業的外部邊界。

邊緣計算既然有計算能力，在不少應用場景中就會產生智能計算的需求，二者結合在一塊兒，就造成了邊緣智能計算。

移動端機器學習的開發技術
目前，移動端機器學習的應用技術主要集中在圖像處理、天然語言處理和語音處理。在具體的應用上，包括但不限於視頻圖像的物體檢測、語言翻譯、語音助手、美顏等，在自動駕駛、教育、醫療、智能家居和物聯網等方面有巨大的應用需求。目前已經商用的深度學習技術主要有以下一些：

框架 研發公司 支持平臺
TF_lite Google ARM
Caffe2 Facebook ARM
TF_lite Xiaomi ARM、DSP、GPU
paddle-mobile Baidu ARM、GPU
FeatherCNN Tencent ARM
NCNN Tencent ARM
1.計算框架
由於深度學習算法具備不少特定的算法算子，爲了提升移動端開發和模型部署的效率，各大廠都開發了移動端深度學習的計算框架，例如谷歌的TensorFlow Lite、Facebook的Caffe2等，Android開發的同窗仍是挺有必要去了解這些計算框架的。爲了培養興趣這方面的興趣並得到感性的認識，你能夠挑選一個比較成熟的大廠框架，例如 TensorFlow Lite，在手機開發一個物體檢測的Demo練練手。

在實際項目中，TensorFlow Lite和Caffe2等一般運行比較慢。在網上能夠很容易找到各個計算框架的對比圖。若是要真正入門的話，在這裏我推薦你們使用NCNN框架。NCNN是騰訊開源的計算框架，優勢比較明顯，代碼結構清晰、文件不大，並且運行效率高。強烈推薦有興趣的Android開發同窗把源碼閱讀幾遍，不只有助於理解深度學習經常使用的算法，也有助於理解移動端機器學習的計算框架。

閱讀NCNN源碼抓住三個最基礎的數據結構，Mat、Layer和Net。其中，Mat用於存儲矩陣的值，神經網絡中的每一個輸入、輸出以及權重，都是用Mat來存儲的。Layer實際上表示操做，因此每一個Layer都必須有前向操做函數（forward函數），全部算子，例如，卷積操做（convolution）、LSTM操做等都是從Layer派生出來的。Net用來表示整個網絡，將全部數據節點和操做結合起來。

在閱讀NCNN源碼的同時，建議你們也能夠看些關於卷積神經網絡算法的入門資料，會有助於理解。

2.計算性能優化
在實際項目中，若是某個路徑成爲時間開銷的瓶頸，一般能夠將該節點用NDK去實現。但在一般狀況下，移動端機器學習的計算框架已經在NDK中進行實現的，這時改進的方向是採用ARM NEON指令彙編進行優化。

NEON是適用於ARMCortex-A系列處理器的一種128Bit SIMD（Single Instruction%2CMultipleData，單指令、多數據）擴展結構。ARMNEON指令之全部能達到性能優化的目的，關鍵就在於單指令多數據。以下圖所示：
在這裏插入圖片描述
NEON的兩個操做數各有128Bit，各包含4個32Bit的同類型的寄存器，經過以下所示的一條指令，就能夠實現4個32Bit數據的並行計算，從而達到性能優化的效果。

VADDQ.S32 Q0,Q1,Q2

咱們曾經用NDK的方式實現了深度學習算法中的PixelShuffle操做，後來採用ARMNEON%2B彙編優化的方式，計算的效率提高40倍，效果仍是很顯著的。

若是還想進一步提升計算的性能，能夠採用Int 8量化的方法。在深度學習裏面，大多數運算都是基於Float 32類型進行的，Float 32是32Bit，128Bit的寄存器一次能夠存儲4個Float 32類型數據；相比之下，Int 8類型的數據能夠存儲16個。結合前面提到的單指令多數據，若是採用Int 8類型的數據，單條指令能夠同時執行16個Int 8數據的運算，從而大大提升了並行性。

可是，將Float 32類型的數值量化到Int 8表達，不可避免會影響到數據的精度，並且量化的過程也是須要時間開銷的，這些都是須要注意的地方。關於量化的方法，感興趣的同窗能夠閱讀這篇論文。

若是設備具備GPU，還能夠應用OpenCL進行GPU加速，例如小米開源的移動端機器學習框架MACE。

移動端機器學習的算法技術
對於剛開始學習算法的同窗，我一直主張不要把算法想象得太複雜，也不要想得太數學化，不然容易讓人望而生畏。數學是思惟邏輯的表達，咱們但願用數學幫助咱們理解算法。咱們要可以達到對算法的直觀理解，從直觀上知道和理解爲何這個算法會有這樣的效果，只有這樣纔算是真正掌握了算法。相反，對於一個算法，若是你只記住了數學推導，沒造成直觀的理解，是不可以靈活應用的。

1.算法設計
深度學習的圖像處理具備很廣的應用，並且比較直觀和有趣，建議你能夠從深度學習的圖像處理入手。深度學習的圖像處理，最基本的知識是卷積神經網絡，因此你能夠先學習卷積神經網絡。網上有不少關於卷積神經網絡的介紹，這裏就不贅述了。

理解卷積神經網絡關鍵是理解卷積神經網絡的學習機制，理解爲何可以學習。想要理解這一點，首先須要明確兩個關鍵點「前向傳播」和「反向傳播」。整個神經網絡在結構和激活函數肯定以後，所謂「訓練」或者「學習」的過程，其實就是在不斷地調整神經網絡的每一個權重，讓整個網絡的計算結果趨近於指望值（目標值）。前向傳播是從輸入端開始計算，目標是獲得網絡的輸出結果，再將輸出結果和目標值相比較，獲得結果偏差。以後將結果偏差沿着網絡結構反向傳播拆解到每一個節點，獲得每一個節點的偏差，而後根據每一個節點的偏差調整該節點的權重。「前向傳播」的目的是獲得輸出結果，「反向傳播」的目的是經過反向傳播偏差來調整權重。經過二者互相交替迭代，但願達到輸出結果和目標值一致。

理解卷積神經網絡以後，咱們能夠動手實現手寫字體識別的示例。掌握以後，能夠接着學習深度學習裏的物體檢測算法，例如YOLO、FasterR-CNN等，最後能夠動手用TensorFlow都寫一遍，跑跑訓練數據、調調參數，邊動手邊理解。在學習過程當中，要特別留意算法模型的設計思想和解決思路。

2.效果優化
效果優化指提高算法模型的準確率等指標，一般的方式有如下幾種：

優化訓練數據；
優化算法設計；
優化模型訓練方式
優化訓練數據
由於算法模型是從訓練數據中學習的，模型沒法學習到訓練數據以外的模式。因此，在選擇訓練數據時要特別當心，必須使得訓練數據包含實際場景中會出現的模式。精心挑選或標註訓練數據，會有效提高模型的效果。訓練數據的標註對效果很是重要，以致於有創業公司專門從事數據標註，還得到了很多融資。

優化算法設計
根據問題採用更好的算法模型，採用深度學習模型而不是傳統的機器學習模型，採用具備更高特徵表達能力的模型等，例如使用殘差網絡或DenseNet提升網絡的特徵表達能力。

優化模型訓練方式
優化模型訓練方式包括採用哪一種損失函數、是否使用正則項、是否使用Dropout結構、使用哪一種梯度降低算法等。

3.計算量優化
雖然咱們在框架側作了大量的工做來提升計算性能，可是若是在算法側可以減小計算量，那麼總體的計算實時性也會提升。從模型角度，減小計算量的思路有兩種，一種是設計輕量型網絡模型，一種是對模型進行壓縮。輕量型網絡設計學術界和工業界都設計了輕量型卷積神經網絡，在保證模型精度的前提下，大幅減小模型的計算量，從而減小模型的計算開銷。這種思路的典型表明是谷歌提出的MobileNet，從名字上也能夠看出設計的目標是移動端使用的網絡結構。MobileNet是將標準的卷積神經網絡運算拆分紅Depthwise卷積運算和Pointwise卷積運算，先用Depthwise卷積對輸入各個通道分別進行卷積運算，而後用Pointwise卷積實現各個通道間信息的融合。

模型壓縮
模型壓縮包括結構稀疏化和蒸餾兩種方式。

在邏輯迴歸算法中，咱們經過引入正則化，使得某些特徵的係數近似爲0。在卷積神經網絡中，咱們也但願經過引入正則化，使得卷積核的係數近似爲0。與普通的正則化不一樣的是，在結構稀疏化中，咱們但願正則化實現結構性的稀疏，好比某幾個通道的卷積核的係數所有近似爲0，從而能夠將這幾個通道的卷積核剪枝掉，減小沒必要要的計算開銷。

蒸餾方法有遷移學習的意思，就是設計一個簡單的網絡，經過訓練的方式，使得該簡單的網絡具備目標網絡近似的表示能力，從而達到「蒸餾」的效果。

Android開發同窗的機會
移動端機器學習的計算框架和算法，前者負責模型計算的性能，減小時間開銷；後者主要負責模型的精度，還能夠經過一些算法設計減小算法的計算量，從而達到減小時間開銷的目的。

須要注意的是，在移動端機器學習中，算法模型的訓練一般是在服務器端進行的。目前，終端設備一般不負責模型的訓練。在使用時，由終端設備加載訓練結果模型，執行前向計算獲得模型的計算結果。

可是前面講了那麼多行業趨勢和機器學習的基本技術，那對於移動開發的同窗來講，如何進入這個「熱門」的領域呢？移動端機器學習是邊緣智能計算範疇的一個領域，並且移動端開發是Android開發同窗特別熟悉的領域，因此這也是Android開發同窗的一個發展機會，轉型進入邊緣智能計算領域。Android開發同窗能夠發揮本身的技術專業優點，先在邊緣計算的終端設備程序開發中站穩腳跟，在將來的技術分工體系中有個堅固的立足點；同時，逐步學習深度學習算法，以備未來往前邁一步，進入邊緣智能計算領域，創造更高的技術價值。

可能在大部分狀況下，Android開發同窗在深度學習算法領域，跟專業的算法同窗相比，不具備競爭優點，因此咱們千萬不要放棄本身所專長的終端設備的開發經驗。對大多數Android開發同窗而言，「專精Android開發並懂深度學習算法」纔是在將來技術分工中，創造最大價值的姿式。

對於學習路徑，我建議Android開發同窗能夠先學習卷積神經網絡的基礎知識（結構、訓練和前向計算），而後閱讀學習NCNN開源框架，掌握計算性能的優化方法，把開發技術掌握好。同時，能夠逐步學習算法技術，主要學習各類常見的深度學習算法模型，並重點學習近幾年出現輕量型神經網絡算法。總之，Android開發同窗要重點掌握提升計算實時性的開發技術和算法技術，兼顧學習深度學習算法模型。

基於前面的描述，我梳理了移動端機器學習的技術大圖供你參考。圖中紅圈的部分，是我建議Android開發同窗重點掌握的內容。

在這裏插入圖片描述

Markdown 已選中 5169 字數 105 行數 當前行 105, 當前列 63HTML 4783 字數 71 段落