【Python讯飞星火LLM深度速成】：24小时精通从初学到实战

# 1. Python基础与环境配置

## 1.1 Python简介

Python作为一种广泛使用的高级编程语言，其设计哲学强调代码的可读性和简洁性。它的语法允许程序员用更少的代码行表达想法，尤其适合初学者快速上手。此外，Python拥有强大的标准库和第三方库，使其在科学计算、数据分析、机器学习等多个领域均有出色表现。

## 1.2 环境配置的重要性

对于Python开发者来说，环境配置是搭建开发平台的第一步。一个正确的环境配置可以确保开发工作顺利进行，避免出现库版本冲突或者依赖问题。在Python社区，虚拟环境的使用是推荐的配置方式，它允许开发者在同一台机器上运行多个项目而互不干扰。

## 1.3 安装Python与虚拟环境

安装Python通常包括下载Python安装包并运行安装程序。安装完成后，可以使用以下命令安装并创建虚拟环境：

pip install virtualenv
virtualenv myenv
source myenv/bin/activate

以上命令在Unix或MacOS系统上使用。对于Windows系统，激活虚拟环境的命令稍有不同：

myenv\Scripts\activate

确保虚拟环境激活后，你可以开始安装项目所需的Python包，例如：

pip install flask requests

此外，了解一些Python的IDE（集成开发环境）或代码编辑器，如PyCharm, Visual Studio Code等，也有助于提升开发效率。安装和配置这些工具将为Python开发提供更丰富的功能和更好的用户体验。

# 2. 深度学习与自然语言处理入门

### 2.1 深度学习基础理论
深度学习是机器学习的一个分支，它基于人工神经网络的概念。神经网络是由大量的节点（或称神经元）构成，这些节点被连接起来，形成类似于人脑神经结构的复杂网络。深度学习的核心是学习数据表示，即通过多层非线性变换将原始数据转换为能够更好表示其内在含义的高级特征表示。

#### 2.1.1 神经网络简述
神经网络是深度学习的基础，它由输入层、隐藏层和输出层构成。输入层接收原始数据，隐藏层负责数据的特征提取，输出层则产生最终的预测结果。根据网络的深度（层数）和宽度（每层的神经元数），神经网络可以表现出不同的复杂度。

在具体实施上，神经网络的训练过程主要包括以下几个步骤：
1. 初始化参数：随机设置网络的权重和偏置。
2. 前向传播：数据通过网络层，每一层计算输出值。
3. 计算损失：输出值与真实值比较，计算损失函数。
4. 反向传播：根据损失函数计算梯度。
5. 更新参数：利用梯度下降法更新网络参数。
6. 重复以上步骤，直到模型收敛或达到预定的迭代次数。

### 2.2 自然语言处理基础
自然语言处理（NLP）是深度学习的一个重要应用领域。它的目的是使计算机能够理解和处理人类语言，从而实现诸如机器翻译、情感分析、语音识别和问答系统等应用。

#### 2.2.1 NLP的基本任务和应用
NLP涵盖了一系列基础任务，它们是构建更复杂NLP系统的基础。主要包括以下几种任务：
- 语言模型：预测下一个词或句子出现的概率。
- 词嵌入：将单词转换为稠密向量，捕捉语义和句法信息。
- 句法分析：分析句子结构，理解其句法成分。
- 情感分析：判断文本（如评论或推文）表达的情感是正面还是负面。

NLP的应用领域广泛，例如：
- 搜索引擎：通过理解查询意图，优化搜索结果。
- 聊天机器人：实现人机交互，提供咨询或服务。
- 自动摘要：生成文本的简短摘要。

#### 2.2.2 文本预处理技术
文本数据往往包含噪声且格式不一，因此在进入深度学习模型之前通常需要进行预处理。预处理步骤通常包括：
- 分词：将句子分解为单词或字符。
- 去除停用词：移除文本中常见的、对任务意义不大的词汇。
- 词干提取：将单词还原为其词干形式，减少词汇变化。
- 词性标注：识别句子中每个单词的语法类别。
- 语义理解：通过上下文推断词汇的确切意义。

### 2.3 讯飞星火LLM介绍
讯飞星火LLM（Xunfei Spark NLP）是科大讯飞推出的一套自然语言处理平台，旨在为开发者提供易于接入的NLP服务。

#### 2.3.1 讯飞星火LLM的特点和应用场景
讯飞星火LLM主要特点包括：
- 丰富的预训练模型：提供多种任务的预训练模型，支持快速定制和优化。
- 易于接入：通过简单的API接口或SDK进行接入，快速构建NLP应用。
- 高性能：依托科大讯飞在语音和语言处理领域的深厚积累，保证服务的稳定性和高效性。

讯飞星火LLM的应用场景非常广泛，例如：
- 语音识别：将用户的语音转化为文字。
- 文本分析：对文本进行情感分析、关键词抽取等。
- 智能对话：构建问答系统或客服机器人。

#### 2.3.2 接入讯飞星火LLM的准备工作
接入讯飞星火LLM前，需要完成以下准备步骤：
- 注册账号：访问讯飞开放平台，注册成为开发者。
- 创建应用：在平台上创建应用，并获取应用ID和密钥。
- 阅读API文档：熟悉星火LLM提供的API接口和调用方法。
- 开发环境搭建：根据官方指南配置开发环境，安装必要的SDK。

# 示例代码展示如何通过Python调用讯飞星火LLM的API
import requests

# API请求地址及参数设置
url = "***"
api_key = "your_api_key"
app_id = "your_app_id"
data = {
    'text': '要检测的文本内容'
}

# 构造请求头
headers = {
    "X-Appid": app_id,
    "X-CurTime": str(int(time.time())),
    "X-CheckSum": "对API密钥和当前时间戳进行签名后的结果"
}

# 发送请求
response = requests.post(url, headers=headers, data=data)

# 输出结果
print(response.json())

在上述代码中，我们构建了一个对文本进行敏感词过滤的API请求。需要特别注意的是，为了确保安全性，API的调用通常需要对应用ID和密钥进行签名处理，这需要开发者查阅讯飞开放平台提供的API文档，按照指定的安全协议进行操作。

通过以上步骤，可以完成讯飞星火LLM平台的接入工作，并通过编程实现其强大的NLP功能。随着NLP技术的不断进步和讯飞平台的持续优化，开发者可以期待更多创新的NLP应用和更好的用户体验。

# 3. Python与讯飞星火LLM实战操作

## 3.1 Python接口调用基础

### 3.1.1 访问Web API的基本方法

在现代的软件开发中，Web API已成为服务和数据交换的关键工具。了解如何从Python程序中有效地调用和使用Web API对于任何开发者而言都是一个必备的技能。首先，需要了解几个核心概念：

- **API（Application Programming Interface）**：是两个软件组件之间进行交互的协议，允许开发者与特定的服务或数据集交互。
- **HTTP请求**：Web API基于HTTP协议，主要通过GET、POST、PUT、DELETE等请求方式与服务器通信。
- **JSON（JavaScript Object Notation）**：是一种轻量级的数据交换格式，易于人阅读和编写，也易于机器解析和生成。

在Python中，我们可以使用`requests`库来进行API的访问和交互。以下是一个简单的示例，展示如何使用`requests`库调用一个Web API并处理返回的JSON数据：

import requests
import json

def call_api(url, params=None, data=None):
    response = requests.get(url, params=params, json=data)
    if response.status_code == 200:
        # 将响应文本解析为JSON格式
        return json.loads(response.text)
    else:
        return None

# 示例API URL和参数
api_url = '***'
query_params = {'key1': 'value1', 'key2': 'value2'}

# 调用API并获取数据
api_response = call_api(api_url, params=query_params)
if api_response:
    print(json.dumps(api_response, indent=4))
else:
    print('API请求失败')

#### 代码逻辑解读：

1. **导入模块**：首先，导入Python的`requests`和`json`模块。`requests`用于发送HTTP请求，而`json`用于解析JSON格式数据。

2. **定义函数**：定义一个`call_api`函数，它接受`url`、`params`和`data`作为参数。这些参数分别代表API的URL地址、查询参数以及POST请求时发送的数据。

3. **发送请求**：使用`requests.get()`方法发送GET请求。`params`参数用于将参数添加到URL查询字符串中，而`data`参数则用于发送JSON格式的数据。

4. **检查响应**：检查HTTP响应的状态码，确认是否成功接收到数据。

5. **解析JSON数据**：如果请求成功，使用`json.loads()`方法将响应文本转换为Python的字典对象。

6. **异常处理**：如果API请求失败（即状态码不是200），则返回`None`。

7. **调用API并打印结果**：最后，调用`call_api`函数，传入示例API URL和参数，并打印返回的JSON数据。

### 3.1.2 讯飞星火LLM API调用实战

了解了基础的API调用方法后，我们将视线转移到讯飞星火LLM（Lightweight Language Model）。这是一个专注于提供轻量级自然语言处理服务的API接口。接下来，我们将学习如何使用Python进行讯飞星火LLM的API调用。

首先，你需要在讯飞开放平台注册并获取一个API Key，用于在API请求中进行身份验证。

以下是一个使用讯飞星火LLM API进行文本分类的示例：

import requests

def xunfei_api_call(api_url, api_key, text):
    headers = {
        'Content-Type': 'application/json',
        'X-Api-Key': api_key
    }
    data = {
        'text': text,
        'topk': 5
    }
    response = requests.post(api_url, headers=headers, json=data)
    if response.status_code == 200:
        return response.json()
    else:
        return None

# 讯飞星火LLM API的信息
api_key = 'your_api_key'
api_url = '***'

# 待分类的文本
text_to_classify = '请对以下文本进行情感分析：今天天气真好！'

# 调用API
result = xunfei_api_call(api_url, api_key, text_to_classify)
if result:
    print('分类结果:', result)
else:
    print('API调用失败')

#### 代码逻辑解读：

1. **导入模块**：导入`requests`模块。

2. **定义函数**：定义`xunfei_api_call`函数，用于调用讯飞星火LLM API。它接受API URL、API Key和待处理的文本作为参数。

3. **设置请求头**：设置HTTP请求的头部（Headers），添加`Content-Type`和`X-Api-Key`。其中，`Content-Type`为`application/json`表示发送的是JSON格式数据，`X-Api-Key`用于API的身份验证。

4. **准备数据**：构造需要发送给API的数据，这里以文本分类任务为例，需要提供待分类的文本`text`和返回分类结果的数目`topk`。

5. **发送请求**：使用`requests.post()`方法发送POST请求。请求的`url`为API的URL，`headers`为之前设置的请求头，`json`为需要发送的数据。

6. **检查响应并返回结果**：检查HTTP响应状态码，若成功则返回JSON格式的响应内容。

7. **使用API Key调用API**：指定讯飞星火LLM API的URL和API Key，并提供待分类的文本。

8. **打印结果**：打印从API返回的分类结果。

在本节中，我们从基础的Web API访问方法讲起，详细介绍了如何使用Python的`requests`库发送HTTP请求，以及如何解析返回的JSON数据。随后，我们以讯飞星火LLM API为例，演示了一个实际的文本分类操作流程，这为后续更深层次的实战应用打下了基础。通过以上代码示例和逻辑解读，你可以掌握在Python中调用API的基本技巧，并了解如何实现一个具体的业务场景。

在下一节中，我们将继续深入实战操作，探索Python在文本生成、分析、语音识别与合成等具体任务中的应用。

# 4. 进阶技巧与优化策略

在深度学习和自然语言处理（NLP）的应用中，模型的优化和性能调整是提升产品和服务质量的关键步骤。本章节将深入探讨模型调优与评估、高级功能开发以及性能优化与实战技巧，为读者提供进一步掌握和深化技能的指导。

## 4.1 模型调优与评估

### 4.1.1 超参数调整技巧

模型的超参数对训练过程和最终性能有着重大影响。理解超参数的调整技巧是每个数据科学和机器学习从业者的必备技能。在这一小节中，我们将深入探讨一些常用的超参数调整方法。

超参数调整通常涉及以下几个方面：

- 学习率：一个影响模型收敛速度和稳定性的关键参数。调整学习率时，通常建议使用学习率衰减策略或学习率预热。
- 批量大小（Batch Size）：指的是每次迭代过程中，用于模型更新的样本数量。合适的批量大小可以帮助模型更快地收敛，并减少内存使用。
- 网络层数和神经元数：增加层数和神经元数可提升模型的表达能力，但同时也会增加过拟合的风险和训练的复杂性。
- 正则化参数：通过L1、L2正则化或其他技术，可以控制模型的复杂度，防止过拟合。
- 优化器：不同的优化器（如SGD、Adam、RMSprop等）会以不同的方式调整参数以最小化损失函数。

调整超参数的常用技术包括：

- 网格搜索（Grid Search）：穷举所有可能的超参数组合。
- 随机搜索（Random Search）：在指定的超参数空间内随机选择参数组合。
- 贝叶斯优化（Bayesian Optimization）：基于贝叶斯理论，用先验知识指导超参数的选择。
- 使用神经架构搜索（Neural Architecture Search, NAS）自动化超参数和架构的选择。

一个典型的超参数调整流程示例如下：

from sklearn.model_selection import GridSearchCV

# 定义超参数空间
param_grid = {
    'learning_rate': [0.001, 0.01, 0.1],
    'batch_size': [16, 32, 64],
    'optimizer': ['Adam', 'RMSprop']
}

# 使用GridSearchCV进行网格搜索
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=3, scoring='accuracy')
grid_search.fit(X_train, y_train)

# 输出最佳参数组合
print("Best parameters found: ", grid_search.best_params_)

代码解释：

在上述代码中，我们首先定义了一个包含学习率、批量大小和优化器的参数网格。然后，我们使用`GridSearchCV`类来执行网格搜索，通过交叉验证找到最佳的超参数组合。最后，打印出最佳参数组合以供参考和进一步的实验。

### 4.1.2 模型评估指标与方法

模型评估是验证模型性能和泛化能力的重要环节。在NLP任务中，评估指标的选择应与具体任务的目标一致。

常见的评估指标包括：

- 准确率（Accuracy）：正确分类的样本数除以总样本数。
- 精确率（Precision）和召回率（Recall）：在分类问题中，精确率表示模型预测为正的样本中实际为正的比例，召回率表示实际为正的样本中模型预测为正的比例。
- F1分数：精确率和召回率的调和平均数，用于衡量模型的综合性能。
- ROC曲线（Receiver Operating Characteristic）和AUC值（Area Under Curve）：通过不同阈值下的真正例率（TPR）和假正例率（FPR）评估模型性能。
- BLEU分数（Bilingual Evaluation Understudy）：用于评估机器翻译的输出质量，通过计算n-gram重合度得出。
- ROUGE分数（Recall-Oriented Understudy for Gisting Evaluation）：常用于自动文本摘要和机器翻译的评估，通过n-gram的重叠度来衡量。

评估模型时，还可以通过混淆矩阵、学习曲线等方法进行更深入的分析。

from sklearn.metrics import classification_report

# 假设y_true为真实标签，y_pred为模型预测标签
report = classification_report(y_true, y_pred, target_names=target_names)

print(report)

代码解释：

在该代码块中，我们使用了`classification_report`函数，它输出了精确率、召回率、F1分数以及支持度（support，即样本数量），对于每个类别的性能都有清晰的展示。

## 4.2 高级功能开发

### 4.2.1 自定义模型训练与部署

自定义模型训练通常涉及到对现有模型架构的修改、模型参数的精细调整或是创建全新的模型结构。这不仅需要深厚的理论知识，还需要丰富的实践经验。在本小节中，我们将着重介绍如何开发和部署自定义的深度学习模型。

开发自定义模型需要以下步骤：

- 数据预处理：确保数据的质量和一致性，适配模型输入要求。
- 模型架构定义：根据任务需求设计模型结构，选择合适的层和激活函数。
- 训练与验证：利用验证集评估模型性能，调整超参数以优化性能。
- 测试与评估：在测试集上全面评估模型，确定模型的泛化能力。
- 部署模型：将训练好的模型部署到生产环境中，为用户提供服务。

模型部署可以通过以下方式进行：

- 在线服务：通过Flask或FastAPI等框架构建API服务。
- 静态文件：将模型导出为静态文件（如ONNX、TorchScript格式），在没有Python运行环境的服务器上运行。
- 云平台服务：利用云服务提供商（如AWS、Google Cloud、阿里云）提供的服务部署模型。

下面是一个简单的Flask API示例代码，用于提供模型预测服务：

from flask import Flask, request, jsonify
import joblib

app = Flask(__name__)

# 加载训练好的模型
model = joblib.load('my_model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    input_data = data['input']
    # 对输入数据进行预处理
    input_data_processed = preprocess(input_data)
    # 使用模型进行预测
    prediction = model.predict([input_data_processed])
    # 返回预测结果
    return jsonify({'prediction': prediction.tolist()})

if __name__ == '__main__':
    app.run(host='*.*.*.*', port=5000)

代码解释：

在上述代码中，我们首先导入了必要的库，然后创建了一个Flask应用。我们加载了一个预先训练好的模型，并定义了一个`/predict`路由来接收POST请求。模型对输入数据进行预处理后进行预测，并将预测结果以JSON格式返回。

### 4.2.2 多模态内容处理实例

多模态学习指的是同时处理和理解来自不同模态（如文本、图像、声音等）的数据。在NLP任务中，一个常见的多模态应用是结合文本和图像信息以理解视觉问答（VQA）任务。

在进行多模态内容处理时，一般流程如下：

- 数据预处理：处理来自不同模态的数据，确保它们能够在模型中被同时使用。
- 特征提取：提取不同模态的特征表示。
- 模型融合：将不同模态的特征进行融合，构建统一的模型结构。
- 训练与评估：训练模型并使用多模态数据进行评估。

这里以一个简单的文本和图像结合的例子来展示模型融合的一个基本思路：

import torch
from torchvision.models import resnet50
from transformers import BertModel

# 加载预训练模型
bert_model = BertModel.from_pretrained('bert-base-uncased')
resnet = resnet50(pretrained=True)

# 图像特征提取
def extract_image_features(image):
    # 以图像处理网络对输入图像进行处理
    image_features = resnet(image)
    return image_features

# 文本特征提取
def extract_text_features(text):
    # 使用BERT模型进行文本编码
    input_ids = tokenizer(text, return_tensors='pt')
    with torch.no_grad():
        text_features = bert_model(**input_ids)
    return text_features.last_hidden_state.mean(dim=1)

# 模型融合
def fuse_features(image_features, text_features):
    # 将图像和文本特征拼接，并添加一个全连接层以输出最终预测
    fused_features = torch.cat([image_features, text_features], dim=1)
    prediction = fully_connected_layer(fused_features)
    return prediction

# 示例：使用融合后的特征进行预测
image = ... # 某张图像
text = ... # 某段描述文本

image_features = extract_image_features(image)
text_features = extract_text_features(text)
prediction = fuse_features(image_features, text_features)

代码解释：

在上述代码中，我们使用了预训练的BERT模型来处理文本，并用预训练的ResNet模型处理图像。提取的特征被拼接在一起，并通过一个全连接层进行最终的预测。这种方式能够充分利用不同模态的信息，增强模型的理解能力。

## 4.3 性能优化与实战技巧

### 4.3.1 加速模型推理的方法

模型推理速度在许多应用场景中至关重要，尤其是在需要即时响应的场景下，如实时翻译、语音识别等。加速模型推理的方法主要包括：

- 模型剪枝（Pruning）：移除模型中冗余或不重要的权重，减少计算量。
- 量化（Quantization）：将模型参数从浮点数转换为低精度的表示形式，如int8。
- 知识蒸馏（Knowledge Distillation）：训练一个轻量级模型来模拟一个大型、复杂的模型。
- GPU并行计算：利用GPU强大的并行计算能力，显著提高模型处理速度。
- 优化算法实现：例如，使用高效的算法库如cuDNN，以及利用硬件优化过的框架如TensorRT。

针对特定类型的模型，如卷积神经网络（CNN），还可以考虑使用深度可分离卷积（Depthwise Separable Convolution）等结构来降低计算复杂度。

### 4.3.2 实战中常见问题的处理策略

在深度学习和NLP项目的实战中，开发者可能会遇到各种问题。有效的解决策略是确保项目成功的关键。下面列出一些常见的问题及其解决方法：

- 训练不稳定或不收敛：可能是因为学习率设置不当或数据预处理有误。需要调整学习率，或者对数据进行标准化、归一化等预处理操作。
- 模型过拟合：过拟合意味着模型在训练数据上表现良好，但在测试数据上表现不佳。可以尝试增加数据集大小、使用数据增强技术，或者引入正则化方法。
- 模型内存消耗大：在资源有限的情况下，可以尝试使用更小的模型、减少参数数量或使用模型剪枝和量化技术。
- 实时性能不足：在保证模型准确性的同时，可能需要对模型进行简化，或者优化底层的算法实现来提高运行速度。

在本章节中，我们对深度学习和NLP中模型调优与评估、高级功能开发以及性能优化与实战技巧进行了深入探讨。理解并应用本章介绍的知识和技巧，可以帮助你在实际应用中构建出更加强大和高效的NLP模型。

# 5. 项目开发与实战部署

## 5.1 项目策划与需求分析

在这一章节中，我们将深入了解如何进行项目策划与需求分析，确保开发流程的顺利进行，并且让最终产品满足预期的业务需求。

### 5.1.1 识别业务需求

在项目的初期阶段，明确业务需求至关重要。这个过程需要与利益相关者紧密合作，通过调研、访谈和数据分析来识别项目的核心目的和用户的具体需求。

- **调研市场**: 通过市场调查了解目标市场的需求，确定产品定位。
- **访谈用户**: 和潜在用户进行深入的交谈，理解他们的痛点和期望。
- **数据分析**: 分析现有市场上的类似产品，找到可优化和创新的点。
- **文档编写**: 将调研和访谈的结果整理成文档，并与团队共同审阅，以形成清晰的项目需求列表。

### 5.1.2 功能规划与设计

功能规划是基于识别出的业务需求，具体细化要实现的功能模块。这个过程会结合技术可行性分析和优先级评估，为项目确定功能边界。

- **模块划分**: 根据业务需求，将产品功能拆分成可管理和可实现的模块。
- **技术评估**: 分析实现每个模块所涉及的技术难度和资源投入。
- **优先级排序**: 根据业务价值和实现难度对功能模块进行排序，为迭代开发提供依据。
- **原型设计**: 利用工具如Sketch或Adobe XD等制作产品原型，展示功能的交互方式。

## 5.2 代码开发与测试

在这一部分，我们会探讨如何编写高效、可维护的代码，并通过单元测试和集成测试来保证代码质量。

### 5.2.1 编写高效代码的要点

编写高效的代码是每个开发者的必备技能。我们需要关注代码的可读性、性能优化以及安全性。

- **代码规范**: 遵守一致的编码规范，如PEP 8（Python）。
- **模块化**: 将功能分解为小的、可重用的模块或函数。
- **性能优化**: 使用适当的数据结构、算法，减少不必要的计算和内存使用。
- **代码复用**: 通过类、函数和库等手段复用代码，减少重复工作。

### 5.2.* 单元测试与集成测试策略

测试是确保软件质量和功能符合预期的关键部分。单元测试是测试最小单元的代码，而集成测试则是测试多个组件协同工作的情况。

- **单元测试**: 使用unittest、pytest等测试框架编写测试用例，确保每个模块正常工作。
- **集成测试**: 测试模块间接口是否按照预期工作，数据是否能正确流转。
- **测试覆盖**: 目标是达到尽可能高的测试覆盖，减少潜在的缺陷。

## 5.3 部署上线与维护

本节将讨论如何将应用部署到生产环境，并确保其稳定运行。

### 5.3.1 云平台部署步骤

云服务提供商（如AWS、Azure或阿里云）提供了多种便利的部署选项。部署步骤可能包括：

- **环境搭建**: 在云平台创建必要的服务器实例和配置网络。
- **自动化部署**: 使用CI/CD工具（如Jenkins、GitHub Actions）自动化构建和部署流程。
- **配置数据库**: 根据需要设置数据库服务，并确保应用能够连接。
- **监控设置**: 部署应用后，配置监控服务以跟踪应用性能和系统健康状态。

### 5.3.2 系统监控与维护经验分享

部署上线后，关键任务是持续监控系统状态并定期维护以确保系统稳定。

- **监控系统**: 使用像Prometheus、Grafana这样的工具来监控应用和服务器的性能指标。
- **日志分析**: 通过日志收集和分析工具（如ELK Stack）来跟踪问题和异常。
- **维护计划**: 定期检查系统性能，进行必要的优化和升级。
- **备份策略**: 制定数据备份计划，防止数据丢失。

以上就是项目开发与实战部署的详细内容。掌握这些实战技巧将帮助开发人员和项目管理人员成功地策划和执行项目。