GitHub上最受欢迎的57个深度学习开源项目
主流深度学习框架及神经网络模型汇总
主流深度学习框架及神经网络模型汇总深度学习框架是指用于创建、训练和部署人工神经网络的软件工具。
目前，在深度学习领域存在着许多主流的深度学习框架，每个框架都具有各自的优点和特点。
下面是对一些主流深度学习框架及神经网络模型的汇总。
1. TensorFlow：TensorFlow是由Google开发的开源深度学习框架，被广泛用于各种任务，如图像分类、目标检测、语音识别等。
它支持动态计算图和静态计算图，并提供了多种高级API（如Keras）来简化模型的构建和训练过程。
TensorFlow的优点包括广泛的社区支持、强大的分布式计算能力和高效的模型部署。
2. PyTorch：PyTorch是由Facebook开发的开源深度学习框架，它提供了动态计算图，使得模型的构建和调试更加方便。
PyTorch具有简洁的API，并支持自动求导、模型并行化等功能。
它在学术界和工业界得到了广泛的应用，并逐渐成为深度学习领域的主流框架。
3. Keras：Keras是一个高级神经网络API，它可以运行在TensorFlow、PyTorch等后端框架上。
Keras提供了简单易用的API，使得模型的构建和训练过程更加简单快捷。
它支持多种常用的神经网络层和模型架构，如卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等。
4. Caffe：Caffe是一个由Berkeley Vision and Learning Center开发的深度学习框架，主要用于图像分类、目标检测、图像分割等计算机视觉任务。
Caffe具有高效的GPU加速和分布式计算能力，适用于大规模数据和模型的训练和推理。
5. MXNet：MXNet是一个由亚马逊开发的深度学习框架，具有高度灵活性和可扩展性。
MXNet支持动态计算图和静态计算图，并提供了多种语言接口（如Python、R、C++等），可运行在不同平台上。
6. Torch：Torch是一个基于Lua语言的科学计算框架，也是一个深度学习框架。
人工智能领域深度学习算法和优化方面50个课题名称
人工智能领域深度学习算法和优化方面50个课题名称1. 深度学习中的梯度消失问题及解决方案2. 基于深度学习的图像语义分割算法优化3. 多模态深度学习中的特征融合技术研究4. 深度生成式模型的优化方法研究5. 基于深度学习的语音合成算法优化6. 深度学习中的权重衰减和正则化技术研究7. 对抗生成网络（GAN）中的优化算法研究8. 深度学习中的参数初始化方法研究9. 基于深度学习的自然语言处理算法优化10. 深度强化学习中的探索与利用技术研究11. 深度学习中的卷积神经网络优化算法研究12. 基于深度学习的推荐系统算法优化13. 深度学习中的批量归一化技术研究14. 基于深度学习的异常检测算法优化15. 深度学习中的迁移学习和领域自适应算法研究16. 基于深度学习的医学影像分析算法优化17. 深度学习中的模型压缩和加速技术研究18. 基于深度学习的时间序列数据分析算法优化19. 深度学习中的超参数优化技术研究20. 基于深度学习的情感分析算法优化21. 深度学习中的模型解释性和可解释性技术研究22. 基于深度学习的行为识别与行为分析算法优化23. 深度学习中的自动特征提取技术研究24. 基于深度学习的信号处理算法优化25. 深度学习中的非凸优化问题研究26. 基于深度学习的时间序列预测算法优化27. 深度学习中的标签噪声问题及解决方案28. 基于深度学习的动作识别算法优化29. 深度学习中的知识蒸馏技术研究30. 基于深度学习的网络攻击检测算法优化31. 深度学习中的目标检测算法优化32. 基于深度学习的视频分析算法优化33. 深度学习中的RNN、LSTM和GRU模型优化研究34. 基于深度学习的人脸识别算法优化35. 深度学习中的迁移学习和元学习技术研究36. 基于深度学习的行人重识别算法优化37. 深度学习中的自适应激活函数研究38. 基于深度学习的图像超分辨率重建算法优化39. 深度学习中的领域适应性迁移问题研究40. 基于深度学习的视频跟踪算法优化41. 深度学习中的数据增强方法研究42. 基于深度学习的多任务学习算法优化43. 深度学习中的模型选择和超参数优化研究44. 基于深度学习的弱监督学习算法优化45. 深度学习中的优化策略和算法研究46. 基于深度学习的图像生成算法优化47. 深度学习中的高斯混合模型优化48. 基于深度学习的数据异常检测算法优化49. 深度学习中的模型鲁棒性优化研究50. 基于深度学习的图像去噪算法优化。
主流深度学习框架及神经网络模型汇总
主流深度学习框架及神经网络模型汇总深度学习（Deep Learning）是一种机器学习（Machine Learning）方法，通过人工神经网络（Artificial Neural Networks）模型来模拟人类大脑的工作机制，用于解决复杂的模式识别和数据建模问题。
目前，有许多主流的深度学习框架和神经网络模型被广泛应用于各种领域的研究和应用中。
下面是一些主流的深度学习框架和神经网络模型的汇总：1. TensorFlow：由Google开发的TensorFlow是目前最流行的深度学习框架之一、它提供了丰富的工具和库，支持构建各种类型的神经网络模型，并具有高度的灵活性和可扩展性。
2. PyTorch：由Facebook开发的PyTorch是另一个流行的深度学习框架。
它提供了易于使用的API，允许开发者以动态图的方式进行模型构建和训练。
PyTorch也得到了广泛的应用和研究探索。
3. Keras：Keras是一个高级神经网络API，可以运行于TensorFlow、PyTorch等深度学习框架之上。
Keras具有简单易用的特点，适合初学者和快速原型开发。
4. Caffe：Caffe是一个专门用于卷积神经网络（Convolutional Neural Networks）的深度学习框架。
它以速度和效率为特点，被广泛应用于计算机视觉任务。
5. Theano：Theano是一个开源的数值计算库，特别适用于构建和训练大规模的神经网络模型。
它提供了高效的GPU计算和自动求导功能。
在神经网络模型方面，有以下一些主流的模型：1. 卷积神经网络（Convolutional Neural Networks，CNN）：CNN 是一种常用于图像识别和计算机视觉任务的神经网络模型。
它通过局部感知机制和权值共享的方式，有效地处理图像数据。
2. 循环神经网络（Recurrent Neural Networks，RNN）：RNN是一种具有记忆性的神经网络模型，适用于处理序列数据。
OCR开源代码以及OCR公开训练测试数据集汇总
OCR开源代码以及OCR公开训练测试数据集汇总1. Tesseract：Tesseract是由Google开发的一个流行的OCR引擎。
它支持多种语言，并且具有较高的识别准确性。
Tesseract是基于LSTM （Long Short-Term Memory）的深度学习模型构建的，可以识别多个字体和文字方向。
2. OCRopus：OCRopus是一套用于文档分析、OCR和信息提取的OCR引擎。
它由Google开发，并建立在Tesseract的基础上。
OCRopus提供了丰富的工具和框架，用于处理图像、分割字符、训练模型等步骤。
3. CRAFT：CRAFT（Character Region Awareness for Text Detection）是一种用于文本检测的OCR算法。
它可以检测出图像中的文本区域，并进行文本行的精确定位。
CRAFT的代码基于PyTorch实现，可以在多种场景下实现较好的文本检测效果。
4. EAST：EAST（An Efficient and Accurate Scene Text Detector）是一种轻量级的文本检测算法。
它具有快速的检测速度和较高的准确性，适用于移动设备等资源受限的场景。
EAST的代码基于Python和OpenCV实现。
OCR公开训练测试数据集：2. SynthText：SynthText是一个合成的文本数据集，用于训练OCR算法。
该数据集通过重新排列和合成现有图像中的文本，生成具有真实风格和多样性的文字图像。
3. ICDAR：ICDAR（International Conference on Document Analysis and Recognition）是一个文档分析和识别的国际会议。
ICDAR组织每年举办OCR算法评测竞赛，并提供公开的OCR测试数据集供参赛者使用。
这些OCR开源代码和公开训练测试数据集为研究者和开发者提供了丰富的资源，用于探索和改进OCR算法的性能和应用。
GitHub上非常实用的40个开源JAVA项目
GitHub上⾮常实⽤的40个开源JAVA项⽬分享⼀下我认为值得关注的，⾮⼤型⼤家都熟知的：1.biezhi/blade：⼀款轻量级、⾼性能、简洁优雅的MVC框架。
2.scribejava/scribejava：⼀个简单的 Java 实现的 OAuth/OAuth2 库。
3.winterbe/java8-tutorial：绝对值得⼀看的Java8指南、教程。
4.javaee-samples/javaee7-samples：如果你对Java7的骚操作还不熟，赶紧看看。
5.kdn251/interviews：Java⾯试题和答案（英⽂）。
6.phishman3579/java-algorithms-implementation：Java数据结构和算法实现。
7.aaberg/sql2o：⼩⽽美的数据库操作框架，性能略屌。
8.jankotek/mapdb：⼀个快速且易于使⽤的嵌⼊式Java数据库引擎。
10.nkcoder/quartz-explained：对定时任务调度框架quartz源码的分析和注释。
11.hankcs/HanLP：强⼤的⾃然语⾔处理、中⽂分词库，国⼈开发。
12.atomashpolskiy/bt：Java种⼦下载程序（我什么都不知道啊）。
13.ihaolin/diablo：分布式配置管理平台（看过代码，值得品读）。
14.mpatric/mp3agic：Java版本的MP3⾳频处理库。
15.atlassian/commonmark-java：Java版本的markdown处理库。
16.biezhi/telegram-bot-api： Java版 telegram api，帮你快速创建⼩机器⼈。
17.vdurmont/emoji-java：将emoji表情和Unicode互相转换的库（⼀颗赛艇）。
18.v5developer/maven-framework-project：使⽤Maven搭建了N个例⼦的⼤⽽全的⼯程。
自动化编程系统实例
自动化编程系统实例一、引言自动化编程系统是一种基于人工智能技术的软件开发工具，它可以自动地生成代码，提高开发效率和质量。
本文将介绍几个自动化编程系统实例，包括Code2Vec、DeepCoder、SketchAdapt和Program Synthesis Using Examples（PROSE）。
二、Code2VecCode2Vec是一种基于深度学习的自动化编程系统，它可以将代码转换为向量表示，并根据向量相似性进行代码推荐和补全。
Code2Vec 的核心思想是将代码片段作为上下文，通过神经网络模型将其映射到向量空间中。
该系统已经在多个领域得到应用，包括程序分析、代码重构和错误修复等。
三、DeepCoderDeepCoder是一种基于机器学习的自动化编程系统，它可以根据给定的输入输出示例生成程序代码。
该系统使用了深度神经网络模型，并通过搜索算法来寻找最优解。
DeepCoder已经在多个任务中取得了良好的表现，例如字符串操作、列表处理和图像识别等。
四、SketchAdaptSketchAdapt是一种基于符号执行技术的自动化编程系统，它可以根据给定的程序框架和输入输出示例生成程序代码。
该系统使用了形式化语言学习和程序合成技术，并通过符号执行来保证代码的正确性。
SketchAdapt已经在多个领域得到了应用，包括程序分析、软件测试和安全验证等。
五、PROSEPROSE是一种基于示例驱动的自动化编程系统，它可以根据给定的输入输出示例生成程序代码。
该系统使用了概率编程和机器学习技术，并通过搜索算法来寻找最优解。
PROSE已经在多个任务中取得了良好的表现，例如字符串操作、列表处理和图像识别等。
六、总结自动化编程系统是一种新兴的软件开发工具，它可以大大提高开发效率和质量。
本文介绍了几个自动化编程系统实例，包括Code2Vec、DeepCoder、SketchAdapt和PROSE。
这些系统都使用了不同的人工智能技术，并在多个任务中取得了良好的表现。
Github开源人脸识别项目face_recognition
Github开源⼈脸识别项⽬face_recognitionGithub开源⼈脸识别项⽬face_recognition译者注：本项⽬是⼀个强⼤、简单、易上⼿的⼈脸识别开源项⽬，并且配备了完整的开发⽂档和应⽤案例，特别是兼容树莓派系统。
为了便于中国开发者研究学习⼈脸识别、贡献代码，我将本项⽬README⽂件翻译成。
向本项⽬的所有贡献者致敬。
英译汉：同济⼤学开源软件协会Translator's note:is a powerful, simple and easy-to-use face recognition open source project with complete development documents andapplication cases, especially it is compatible with Raspberry Pi.In order to facilitate Chinese software developers to learn, make progress in face recognition development and source codecontributions, I translated README file into simplified Chinese.Salute to all contributors to this project.Translator: Tommy in Tongji Univerisity Opensource Association本项⽬是世界上最简洁的⼈脸识别库，你可以使⽤Python和命令⾏⼯具提取、识别、操作⼈脸。
本项⽬的⼈脸识别是基于业内领先的C++开源库中的深度学习模型，⽤⼈脸数据集进⾏测试，有⾼达99.38%的准确率。
但对⼩孩和亚洲⼈脸的识别准确率尚待提升。
是美国⿇省⼤学安姆斯特分校（University of Massachusetts Amherst)制作的⼈脸数据集，该数据集包含了从⽹络收集的13,000多张⾯部图像。
GitHub上四个超棒的TensorFlow开源项目
GitHub上四个超棒的TensorFlow开源项目TensorFlow是Google的开源深度学习库，你可以使用这个框架以及Python编程语言，构建大量基于机器学习的应用程序。
而且还有很多人把TensorFlow构建的应用程序或者其他框架，开源发布到GitHub上。
这次跟大家分享一些GitHub上令人惊奇的TensorFlow项目，你可以直接在你的应用中使用，或者根据自身所需进一步予以改进。
TensorFlow简介如果你已经知道TensorFlow是什么，以及它是如何工作的，建议直接跳到下一节。
如果你对使用Python学习TensorFlow感兴趣，网上也有相关的教程可以参考。
这一节内容比较傲适合初学者。
如前所述，TensorFlow是一个深度学习库，使用这一框架，可以用来构建和测试深度神经网络。
深度学习让我们能够以极高的准确性构建复杂的应用程序。
图像、视频、文本、音频等领域的问题，都可以通过深度学习解决。
TensorFlow可以用于实现前述所有应用。
2015年11月9日，Google 正式发布并开源TensorFlow，目前官方正式版本为TensorFlow 1.2。
下面这段视频，是当年TensorFlow刚发布时，Google发布的一个官方介绍短片，Jeff Dean等出镜讲述。
TensorFlow很快成为GitHub上用户最多的深度学习框架。
这个库之所以如此流行，是因为开发人员可以轻松的用其来搭建、测试和部署机器学习应用。
TensorFlow使用数据流图，上面是一个TensorFlow的示意图。
我们不用关心这张图具体代表什么，但你需要知道，其中的椭圆和正方形代表节点，节点就是一些数学函数，你可以将节点分组形成各种数学计算，并得到输出。
箭头代表流动到各个节点的数据。
所以TensorFlow也被成为数据流库。
四个TensorFlow开源项目：项目一：Neural Style这是最酷的TensorFlow GitHub项目之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
GitHub上最受欢迎的57个深度学习开源项目TensorFlow作为谷歌的第二代机器学习系统，TensorFlow在过去的一年里成为了github上当之无愧的最受欢迎项目。
按照谷歌所说，在某些基准测试中，TensorFlow 的表现比第一代的DistBelief 快了2倍。
TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。
任何基于梯度的机器学习算法都能够受益于TensorFlow 的自动分化（auto-differentiation）。
通过灵活的Python 接口，要在TensorFlow 中表达想法也会很容易。
CaffeCaffe是一个高效的开源深度学习框架。
由表达式，速度和模块化组成。
Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。
Caffe能够运行很棒的模型和海量的数据，可以使用Caffe提供的各层类型来定义自己的模型。
Neural styleTorch实现的神经网络算法。
Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。
deepdream Deep Dream是一款图像识别工具。
一个原本用来将图片分类的AI，让我们看到不一样的世界~在把一张图片喂入之后，选择某一层神经网路（Google 的神经网路有10-30 层）进行重复处理的次数和变形的程度，就能获得一张非常后现代的「画作」。
Keras一款Python实现的深度学习库，包括卷积神经网络、递归神经网络等。
运行在Theano和TensorFlow之上。
Keras是一个极简的、高度模块化的神经网络库，采用Python（Python 2.7-3.5.）开发，能够运行在TensorFlow和Theano任一平台，好项目旨在完成深度学习的快速开发。
RocAlphaGo学生主导的一个独立项目，从新实现了DeepMind在2016 Nature发表的内容，《用深度神经网络和树搜索学习围棋》(Nature 529, 484-489, 28 Jan 2016)。
TensorFlow Models基于TensorFlow开发的模型。
这个库包含了各种机器学习模型在TensorFlow实践。
Neural Doodle运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！（语义风格传递的实现）CNTK深度学习工具包。
来自微软公司的CNTK工具包的效率，“比我们所见过的都要疯狂”。
这部分归功于CNTK可借助图形处理单元（GPU）的能力，微软自称是唯一公开“可扩展GPU”功能的公司。
（从单机上的1个、延伸至超算上的多个）在与该公司的网络化GPU系统（称之为Azure GPU Lab）匹配之后，它将能够训练深度神经网络来识别语音，让Cortana 虚拟助理的速度达到以前的十倍。
TensorFlow Examples适合初学者的TensorFlow 教程和代码示例，作者已经做了相关笔记和代码解释。
ConvNet JSConvNetJS 是用JavaScript 实现的神经网络，同时还有基于浏览器的demo。
TorchTorch7 是一个科学计算框架，支持机器学习算法。
易用而且提供高效的算法实现，得益于LuaJIT 和一个底层的C 实现。
OpenFace基于深度学习网络的面部识别。
Openface是一个基于深度神经网络的开源人脸识别系统。
该系统基于谷歌的paper 《FaceNet: A Unified Embedding for Face Recognition and Clustering》。
Openface是卡内基梅隆大学的Brandon Amos 主导的。
MXNet轻巧、便携、灵活的分布式/移动深度学习框架，支持Python, R, Julia, Scala, Go, Javascript等等语言。
MXNet是一款设计为效率和灵活性的深度学习框架。
它允许你混合符号编程和命令式编程，从而最大限度提高效率和生产力。
在其核心是一个动态的依赖调度，它能够自动并行符号和命令的操作。
一个图形优化层，使得符号执行速度快，内存使用高效。
这个库便携，轻量，而且能够扩展到多个GPU和多台机器。
Theano Theano 是一个Python 库，用来定义、优化和模拟数学表达式计算，用于高效的解决多维数组的计算问题。
Leaf是一个开放的机器学习框架，为黑客建立经典，深或混合机器学习应用。
它的灵感来自于TensorFlow Torch, Caffe, Rust 和众多的研究论文，并提出模块化、性能和便携性的深度学习。
Char RNN多层递归神经网络的字符级别语言模型，基于Torch开发。
它实现了多层递归神经网络（RNN，LSTM、和GRU）字符级语言模型的训练/采样。
如果你是Torch/Lua/Neural Nets 新手，那么这对于你去理解它们有很大的帮助。
Neural TalkNeuralTalk是一个Python+numpy项目，用多模式递归神经网络描述图像。
deeplearning4j基于Hadoop 和Spark的Java, Scala & Clojure深度学习工具。
Deeplearning4j（简称DL4J）是为Java和Scala编写的首个商业级开源分布式深度学习库。
DL4J与Hadoop和Spark 集成，为商业环境（而非研究工具目的）所设计。
Skymind 是DL4J的商业支持机构。
Deeplearning4j 技术先进，以即插即用为目标，通过更多预设的使用，避免太多配置，让非研究人员也能够进行快速的原型制作。
DL4J同时可以规模化定制。
DL4J遵循Apache 2.0许可协议，一切以其为基础的衍生作品均属于衍生作品的作者。
TFLearn深度学习库，包括高层次的TensorFlow接口。
它是被设计来在加速试验提供了一个更高级别的API，并且和其他的部分完全兼容。
TensorFlow Playground神经网络模型示例。
TensorFlow Playground是一个神经网络的交互式可视化，这是使用d3.js写的。
OpenAI Gym一种用于开发和比较强化学习算法的工具包。
MagentaMagenta: 音乐和艺术的生成与机器智能。
Google Brain团队的一组研究人员发布了一个项目Project Magenta，其主要目标是利用机器学习创作艺术和谱写曲子。
Project Magenta使用了TensorFlow系统，研究人员在GitHub上开源了他们的模型和工具。
研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。
Project Magenta就试图将故事作为机器生成音乐的重要部分。
Google公布了一个DEMO（MP3）表现Magenta项目的成果。
Colornet用神经网络模型给灰度图上色。
Synaptic基于node.js和浏览器的免架构神经网络库。
Neural Talk 2Torch开发的图像简介生成代码，运行在GPU上。
Image Analogies使用神经匹配和融合生成相似图形。
TensorFlow Tutorials，从基础原理到应用。
Lasagne基于Theano训练和构建神经网络的轻型函数库。
PyLearn2基于Theano的机器学习库。
LISA-lab Deep Learning Tutorials深度学习教程笔记和代码。
详情参见wiki页面。
NeonNervana?开发的一款快速、可扩展、易上手的Python深度学习框架。
neon 是Nervana System 的深度学习软件。
根据Facebook一位研究者的基准测试，Nervana的软件比业界知名的深度学习工具性能都要高，包括Facebook自己的Torch7和Nvidia的cuDNN。
Matlab Deep Learning ToolboxMatlab/Octave的深度学习工具箱。
包括深度信念网络、自动编码机、卷积神经网络、卷积自动编码机和vanilla神经网络等。
每种方法都有入门示例。
Deep Learning Flappy Bird使用深度强化学习破解Flappy Bird游戏（深度Q-学习）。
dl-setup在深度学习机上设置软件说明。
Chainer一款灵活的深度学习神经网络框架。
Chainer是深度学习的框架，Chainer在深度学习的理论算法和实际应用之间架起一座桥梁。
它的特点是强大、灵活、直观，被认为是深度学习的灵活框架。
Neural Story Teller看图讲故事的递归神经网络模型。
DIGITS深度学习GPU训练系统。
Deep Jazz基于Keras和Theano生成jazz的深度学习模型！Tiny DNN 仅引用头文件，无依赖且使用C ++ 11 的深度学习框架。
Brainstorm快速、灵活、有趣的神经网络。
dl-docker一个用于深度学习的一体化Docker 镜像。
包含所有流行的DL 框架（TensorFlow，Theano，Torch，Caffe等）。
DarknetC语言版本的开源神经网络。
Theano Tutorials基于Theano 的机器学习入门教程，从线性回归到卷积神经网络。
RNN Music Composition一款生成古典音乐的递归神经网络工具。
Blocks用于构建和训练神经网络模型的Theano框架TDBTensorFlow的交互式、节点调试和可视化的工具。
TensorDebugger (TDB) 是深度学习调试器，使用断点和计算机图形化实时数据流可视化扩展TensorFlow（谷歌的深度学习框架）。
特别的是，TDB 是一个Python 库和一个Jupyter Notebook 扩展的结合，构建Google 的TensorFlow 框架。
Scikit Neural Net深度神经网络入门工具，类似scikit-learn 的分类器和回归模型。
Veles分布式机器学习平台（Python, CUDA, OpenCL）。
VELES 是分布式深度学习应用系统，用户只需要提供参数，剩下的都可以交给VELES。
VELES 使用Python 编写，使用OpenCL 或者CUDA，利用基于Flow 的编程。
它是三星开发的另一个TensorFlow。
Deep Detect基于C++11的深度学习接口和服务器，与Python绑定并支持Caffe。
TensorFlow DeepQ基于Google Tensorflow的深度Q学习演示。
Caffe on Spark基于Spark的Caffe。
雅虎认为，深度学习应该与现有的支持特征工程和传统（非深度）机器学习的数据处理管道在同一个集群中，创建CaffeOnSpark意在使得深度学习训练和测试能被嵌入到Spark应用程序中。