libsvm详细训练步骤
最新LibSVM分类的实用指南
L i b S V M分类的实用指南LibSVM分类的实用指南摘要SVM(support vector machine)是一项流行的分类技术。
然而，初学者由于不熟悉SVM，常常得不到满意的结果，原因在于丢失了一些简单但是非常必要的步骤。
在这篇文档中，我们给出了一个简单的操作流程，得到合理的结果。
(译者注：本文中大部分SVM实际指的是LibSVM)1入门知识SVM是一项非常实用的数据分类技术。
虽然SVM比起神经网络(Neural Networks)要相对容易一些，但对于不熟悉该方法的用户而言，开始阶段通常很难得到满意的结果。
这里，我们给出了一份指南，根据它可以得到合理结果。
需要注意，此指南不适用SVM的研究者，并且也不保证一定能够获得最高精度结果。
同时，我们也没有打算要解决有挑战性的或者非常复杂的问题。
我们的目的，仅在于给初学者提供快速获得可接受结果的秘诀。
虽然用户不是一定要深入理解SVM背后的理论，但为了后文解释操作过程，我们还是先给出必要的基础的介绍。
一项分类任务通常将数据划分成训练集和测试集。
训练集的每个实例，包含一个"目标值(target value)"(例如，分类标注)和一些"属性(attribute)"(例如，特征或者观测变量)。
SVM的目标是基于训练数据产出一个模型(model)，用来预测只给出属性的测试数据的目标值。
给定一个训练集，"实例-标注"对，，支持向量机需要解决如下的优化问题：在这里，训练向量xi通过函数Φ被映射到一个更高维(甚至有可能无穷维)空间。
SVM在这个高维空间里寻找一个线性的最大间隔的超平面。
C 0是分错项的惩罚因子(penalty parameter of the error term)。
被称之为核函数(kernel function)。
新的核函数还在研究中，初学者可以在SVM书中找到如下四个最基本的核函数：(线性、多项式、径向基函数、S型)1.1实例表1是一些现实生活中的实例。
Matlab下libsvm的配置使用【转】
Matlab下libsvm的配置使⽤【转】LIBSVM是⼀个由台湾⼤学林智仁(Lin Chih-Jen)教授等开发的SVM模式识别与回归的软件包，使⽤简单，功能强⼤，能够在matlab中使⽤。
⼀、安装1.下载在LIBSVM的主页上下载最新版本的软件包（libsvm-3.20），并解压到合适⽬录中。
2.编译如果你使⽤的是64位的操作的系统和Matlab，那么不需要进⾏编译步骤，因为⾃带软件包中已经包含有64位编译好的版本：libsvmread.mexw64、libsvmwrite.mexw64、svmtrain.mexw64、svmpredict.mexw64。
否则，需要⾃⼰编译⼆进制⽂件。
⾸先在matlab中进⼊LIBSVM根⽬录下的matlab⽬录（如C:\libsvm-3.20\matlab），在命令窗⼝输⼊>>mex -setup然后Matlab会提⽰你选择编译mex⽂件的C/C++编译器，就选择⼀个已安装的编译器。
之后Matlab会提⽰确认选择的编译器，输⼊y进⾏确认。
然后可以输⼊以下命令进⾏编译。
>>make注意，Matlab或VC版本过低可能会导致编译失败，建议使⽤最新的版本。
编译成功后，当前⽬录下会出现若⼲个后缀为mexw64（64位系统）或mexw32（32位系统）的⽂件。
3.重命名（可选，但建议执⾏）编译完成后，在当前⽬录下回出现svmtrain.mexw64、svmpredict.mexw64（64位系统）或者svmtrain.mexw32、svmpredict.mexw32（32位系统）这两个⽂件，把⽂件名svmtrain和svmpredict相应改成libsvmtrain和libsvmpredict。
这是因为Matlab中⾃带有SVM的⼯具箱，⽽且其函数名字就是svmtrain和svmpredict，和LIBSVM默认的名字⼀样，在实际使⽤的时候有时会产⽣⼀定的问题，⽐如想调⽤LIBSVM的变成了调⽤Matlab SVM。
svm
2 数据缩放
• 简单的数据缩放操作说明。 • svm-scale空格[-l lower]空格[-u upper]空格[-s name1]空格[-r name2]空格filename • [ ]的内容是可以省略的。 • -l：数据下限标记；-u：数据上限标记；如缺省表示范围为[-1,1] • -s name1：表示将缩放的规则保存为文件name1； • -r name2：表示将缩放规则文件name2载入后按此缩放； • filename：待缩放的数据文件
核函数
• 径向基函数(RBF)主要是利用“两个向量夹角越小其内积越 大”的思想。其定义 ，当 u 和 v 比较接近 是(u-v)的模值较小，其核函数值接近1，当 u 和 v 相差很大 时，其核函数值接近0。因其函数类似于高斯分布，故也 称其为高斯核函数。 • 将原问题中内积的运算，换为核函数，则得到svm算法的 规划问题。 • 当然选取不同的核函数得到的结果是不一样的，针对一个 数据集什么样的核函数是最佳的，这也是一个问题。
测试数据1， 模型数据1.model 输出结果1.out
显示准确率，一共270组数据，270组预测正确
• 在训练时我们选用惩罚因子c=2048（svm-train –c 2048 1），此参数 是进行优化选择后推荐的，可以达到100%的准确率。
参数优化选择
• 针对C-SVC，主要待定参数为：
• -g r：核函数中的r参数设置（默认1/ k) • -c c：设置C-SVC的惩罚因子C（默认1）
作为对这种偏离
C-SVC 模型
3.1常用options说明
• -c c：设置C-SVC的惩罚因子C（默认c选1） • -wi weight：设置参数C（weight*C ）（默认weight 1）
svm使用的一般步骤
svm使⽤的⼀般步骤LIBSVM 使⽤的⼀般步骤是：1）准备数据集，转化为 LIBSVM⽀持的数据格式：[label] [index1]:[value1] [index2]:[value2] ...即 [l类别标号] [特征1]:[特征值] [特征2]:[特征值] ...2）对数据进⾏简单的缩放操作（scale）；（为什么要scale，这⾥不解释了）3）考虑选⽤核函数（通常选取径函数，程序默认）；4）采⽤交叉验证（⼀般采⽤5折交叉验证），选择最佳参数C与g ；5）⽤得到的最佳参数C与g 对整个训练集进⾏训练得到SVM模型；6）⽤得到的SVM模型进⾏测试Libsvm 是⼀个简单的，易⽤的，⾼效的SVM分类和回归软件。
它解决了 C-SVM 分类，nu-SVM 分类，one-class-SVM，epsilon-SVM 回归，nu-SVM 回归（的问题）。
它也提供了⼀个⾃动的 C-SVM 分类的模型选择⼯具。
本⽂档解释了Libsvm 的⽤法。
Libsvm 的获取：.tw/~cjlin/libsvm请在使⽤ Libsvm 之前阅读 COPYRIGHT ⽂档。
⽬录：=======================- 快速开始- 安装与数据格式- 使⽤ ‘svm-train’- 使⽤ ‘svm-predict’- 使⽤ ‘svm-scale’- 实际应⽤的⼩贴⼠- 例⼦- ⾃定义核函数- 库的使⽤- Java 版本- 编译 Windows ⼆进制⽂件- 附加⼯具：Sub-sampling, Parameter Selection, Format checking, 等- MATLAB/OCTAVE 接⼝- Python 接⼝- 补充快速开始=======================如果你刚接触 SVM 并且数据不⼤，安装完毕之后请⽤ ‘tools' ⽂件夹下的 easy.py。
它⾃动做好所有的事情——从数据缩放到参数选择。
LIBSVM使用方法
LIBSVM1 LIBSVM简介LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows 系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross -SVM回归等问题，包括基于一对一算法的多类模式识别问题。
SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。
ν-SVM回归和ε-SVM分类、νValidation)的功能。
该软件包可以在.tw/~cjlin/免费获得。
该软件可以解决C-SVM分类、-SVM回归等问题，包括基于一对一算法的多类模式识别问题。
SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。
2 LIBSVM使用方法LibSVM是以源代码和可执行文件两种方式给出的。
如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译；如果是Unix类系统，必须自己编译，软件包中提供了编译格式文件，我们在SGI工作站(操作系统IRIX6.5)上，使用免费编译器GNU C++3.3编译通过。
2.1 LIBSVM 使用的一般步骤：1) 按照LIBSVM软件包所要求的格式准备数据集；2) 对数据进行简单的缩放操作；3) 考虑选用RBF 核函数；4) 采用交叉验证选择最佳参数C与g；5) 采用最佳参数C与g 对整个训练集进行训练获取支持向量机模型；6) 利用获取的模型进行测试与预测。
libsvm使用说明_光环大数据培训机构
libsvm使用说明_光环大数据培训机构libsvm简介LIBSVM 是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的 SVM 模式识别与回归的软件包，他不但提供了编译好的可在 Windows 系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对 SVM 所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross-SVM回归等问题，包括基于一对一算法的多类模式识别问题。
SVM 用于模式识别或回归时， SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优 SVM 算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优的功能。
该软件包可以在.tw/~cjlin/免费获得。
——简介摘录自《LIBSVM使用方法.pdf》libsvm编译安装以Java版为例，下载libsvm-3.20.zip后，从java目录中得到全部源码，其他不以.java结尾的都是无关的文件。
新建Maven项目，或者直接clone我的Maven repository，项目结构如图：数据集获取数据集libsvm-3.20.zip中附带了一个heart_scale数据集，其主页上也提供了很多数据集，我整理了三个作为例子：数据集格式libsvm每行使用的格式如下：<label> <index1>:<value1> <index2>:<value2> …label为类别标号，index为特征序号，value为特征的值value为0时该项可以省略（大规模数据时节省存储空间）比如dataset/iris.scale.txt：1 1:-0.555556 2:0.5 3:-0.694915 4:-0.753 1:-0.166667 2:-0.333333 3:0.38983 4:0.9166672 1:-0.333333 2:-0.75 3:0.0169491 4:-4.03573e-081 1:-0.833333 3:-0.864407 4:-0.9166671 1:-0.611111 2:0.0833333 3:-0.864407 4:-0.9166673 1:0.611111 2:0.333333 3:0.728813 4:13 1:0.222222 3:0.38983 4:0.5833332 1:0.222222 2:-0.333333 3:0.220339 4:0.1666672 1:-0.222222 2:-0.333333 3:0.186441 4:-4.03573e-08…这是（UCI / Iris Plant, 4 features, 3 classes）提供的数据集，一共4个特征，3种类：1. sepal length in cm2. sepal width in cm3. petal length in cm4. petal width in cm5. class:— Iris Setosa— Iris Versicolour— Iris Virginica分别描述了3种鸢尾花。
LibSVM_快速入门
"./testData/test.1.txt" "train.1_mode.txt" "test1.result.txt“
接口调用：
C, Python， java各有一套接口
Thanks
Q&A
Gnuplot：复制到本地，不需安装 \\192.168.0.135\public\DST\共享资源\工具 \gp426win32 Python： \\192.168.0.135\public\DST\共享资源\工具\pyhton-2.6.2.msi
SVM训练工具svm-train.exe
对所有数据使用同一组参数 量纲相同则不使用该归一化
示例：
>"./libsvm-2.91/windows/svm-scale.exe" -l -1 -u 1 -s "./scale_param.txt" "./trainData/train.1.txt" >"./train.1_scale.txt" >"./libsvm-2.91/windows/svm-scale.exe" -l -1 -u 1 -r "./scale_param.txt" "./testData/test.1.txt" >"./test.1_scale.txt“
LibSVM训练
参数选择：
c, g是SVM训练阶段需要指定的的参数.
这个选择不是人能做on 脚本)，可以自动搜索最佳的c,g.
示例： "./libsvm-2.91/tools/grid.py" -svmtrain "E:/分类聚类实践/LibSVM/libsvm2.91/windows/svm-train.exe" -gnuplot "E:/Downloads/gp426win32/gnuplot/bin/pgnuplot.exe" -v 10 "E:/分类聚类实践 /LibSVM/Train.1_scale.txt" 支持：grid.py需要gnuplot 和python支持(available from )
LIBSVM使用方法
LIBSVM使用方法1libsvm简介2libsvm使用方法libsvm就是以源代码和可执行文件两种方式得出的。
如果就是windows系列操作系统，可以轻易采用软件包提供更多的程序，也可以展开修正编程；如果就是unix类系统，必须自己编程，软件包中提供更多了编程格式文件，我们在sgi工作站(操作系统irix6.5)上，采用免费编译器gnuc++3.3编程通过。
2.1libsvm使用的一般步骤：1)2)3)4)5)6)按照libsvm软件包所建议的格式准备工作数据集；对数据展开直观的翻转操作方式；考量采用rbf核函数；使用交叉检验挑选最佳参数c与g；使用最佳参数c与g对整个训练集展开训练以获取积极支持向量机模型；利用以获取的模型展开测试与预测。
2.2libsvm使用的数据格式该软件采用的训练数据和检验数据文件格式如下：::...其中就是训练数据集的目标值，对于分类，它就是标识某类的整数(积极支持多个类)；对于重回，就是任一实数。
就是以1已经开始的整数，可以就是不已连续的；为实数，也就是我们常说道的自变量。
检验数据文件中的label只用作排序准确度或误差，如果它就是未明的，只需用一个数核对这一栏，也可以空着不填上。
在程序包中，还包括存有一个训练数据实例：heart_scale，便利参照数据文件格式以及练采用软件。
可以撰写大程序，将自己常用的数据格式转换成这种格式。
2.3svmtrain和svmpredict的用法svmtrain(训练建模)的用法：svmtrain[options]training_set_file[model_file]options：需用的选项即为则表示的涵义如下-ssvm类型：svm设置类型(默认0)0--c-svc1--v-svc2–一类svm3--e-svr4--v-svr-t核函数类型：核函数设置类型(默认2)0–线性：u'v1–多项式：(r*u'v+coef0)^degree2–rbf函数：exp(-r|u-v|^2)3–sigmoid：tanh(r*u'v+coef0)-ddegree：核函数中的degree设置(预设3)-gr(gama)：核函数中的?函数设置(默认1/k)-rcoef0：核函数中的coef0设置(预设0)-ccost：设置c-svc，?-svr和?-svr的参数(默认1)-nnu：设置?-svc，一类svm和?-svr的参数(预设0.5)-pe：设置?-svr中损失函数?的值(默认0.1)-mcachesize：设置cache内存大小，以mb为单位(预设40)-eε：设置允许的终止判据(默认0.001)-hshrinking：与否采用启发式，0或1(预设1)-wiweight：设置第几类的参数c为weight?c(c-svc中的c)(默认1)-vn:n-fold可视化检验模式其中-g选项中的k是指输入数据中的属性数。
- 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)。
1、正样本的大小一定要与检测窗口大小保持一致。
2、Dalal的训练可以分为3步：a 、正样本图像若干（窗口大小），负样本图像若干，负样本图像的尺寸任意。
从负样本图像的随机位置抽取窗口大小的图像，作为真正参与训练的负样本。
然后从所有样本图像中提取特征（对每一个64*128的图像Dalal提取一个3780维的特征向量），然后用svm训练，得到一个初始的分类器。
b、这一步要在前面的负样本图像中抽取大量的具有窗口尺寸的负样本。
对每一个负样本图像，可以经过若干次缩放处理得到不同层次上的金字塔图像（pyramid），不过要保证其大于等于窗口尺寸。
（这里面就用到了-startscale, -endscale, -scaleratio这三个参数。
）检测窗也可以在这些金字塔图像上平移滑动，每一个位置都对应了一个窗口大小的负样本。
用初始分类器检测这些负样本，记录所有分类错误的负样本，这就是所谓的(hard samples）c、把分类错误的负样本集加入到初始的训练集中，重新训练，生成最终的分类器。
We selected 1239 of the images as positivetraining examples, together with their left-right reflections(2478 images in all). A xed set of 12180 patches sampledrandomly from 1218 person-free training photos providedthe initial negative set. For each detector and parameter combinationa preliminary detector is trained and the 1218 negativetraining photos are searched exhaustively for false positives(`hard examples'). The method is then re-trained usingthis augmented set (initial 12180 + hard examples) to producethe nal detector. The set of hard examples is subsampledif necessary, so that the descriptors of the nal trainingset it into 1.7 Gb of RAM for SVM training.1. 程序介绍和环境设置windows下的libsvm是在命令行运行的Console Program。
所以其运行都是在windows的命令行提示符窗口运行（运行，输入cmd）。
运行主要用到的程序，由如下内容组成：libsvm-2.9/windows/文件夹中的：svm-train.exesvm-predict.exesvm-scale.exelibsvm-2.9/windows/文件夹中的：checkdata.pysubset.pyeasy.pygrid.py另外有：svm-toy.exe，我暂时知道的是用于演示svm分类。
其中的load按钮的功能，是否能直接载入数据并进行分类还不清楚，尝试没有成功；python文件夹及其中的svmc.pyd，暂时不清楚功能。
因为程序运行要用到python脚本用来寻找参数，使用gnuplot来绘制图形。
所以，需要安装python和Gnuplot。
（Python v3.1 Final可从此下载：/detail/33/320958.shtml）（gnuplot可从其官网下载：）为了方便，将gnuplot的bin、libsvm-2.9/windows/加入到系统的path中，如下：gnuplot.JPGlibsvm.JPG这样，可以方便的从命令行的任何位置调用gnuplot和libsvm的可执行程序，如下调用svm-train.exe:pathtest.JPG出现svm-train程序中的帮助提示，说明path配置成功。
至此，libsvm运行的环境配置完成。
下面将通过实例讲解如何使用libsvm进行分类。
2. 使用libsvm进行分类预测我们所使用的数据为UCI的iris数据集，将其类别标识换为1、2、3。
然后，取3/5作为训练样本，2/5作为测试样本。
使用论坛中“将UCI数据转变为LIBSVM使用数据格式的程序”一文将其转换为libsvm所用格式，如下：训练文件tra_iris.txt1 1:5.4 2:3.4 3:1.7 4:0.21 1:5.1 2:3.7 3:1.5 4:0.41 1:4.6 2:3.6 3:1 4:0.21 1:5.1 2:3.3 3:1.7 4:0.51 1:4.8 2:3.4 3:1.9 4:0.2……2 1:5.9 2:3.2 3:4.8 4:1.82 1:6.1 2:2.8 3:4 4:1.32 1:6.3 2:2.5 3:4.9 4:1.52 1:6.1 2:2.8 3:4.7 4:1.22 1:6.4 2:2.9 3:4.3 4:1.3……3 1:6.9 2:3.2 3:5.7 4:2.33 1:5.6 2:2.8 3:4.9 4:23 1:7.7 2:2.8 3:6.7 4:23 1:6.3 2:2.7 3:4.9 4:1.83 1:6.7 2:3.3 3:5.7 4:2.13 1:7.2 2:3.2 3:6 4:1.8……测试文件tes_iris.txt1 1:5.1 2:3.5 3:1.4 4:0.21 1:4.9 2:3 3:1.4 4:0.21 1:4.7 2:3.2 3:1.3 4:0.21 1:4.6 2:3.1 3:1.5 4:0.21 1:5 2:3.6 3:1.4 4:0.21 1:5.4 2:3.9 3:1.7 4:0.4……2 1:7 2:3.2 3:4.7 4:1.42 1:6.4 2:3.2 3:4.5 4:1.52 1:6.9 2:3.1 3:4.9 4:1.52 1:5.5 2:2.3 3:4 4:1.32 1:6.5 2:2.8 3:4.6 4:1.5……3 1:6.3 2:3.3 3:6 4:2.53 1:5.8 2:2.7 3:5.1 4:1.93 1:7.1 2:3 3:5.9 4:2.13 1:6.3 2:2.9 3:5.6 4:1.83 1:6.5 2:3 3:5.8 4:2.2……libsvm的参数选择一直是令人头痛的问题。
不过，对于初学者，如果数据不是很大，在libsvm 的tools文件中为大家提供了easy.py。
它可以自动完成从归一化到参数选择的一切所需操作。
使用方法为：easy.py training_file [testing_file]另外有其他参数选择工具，可以参考tools中的readme说明。
下面，我们先使用easy.py进行分类实验。
（1）使用libsvm进行多分类——利用easy.py工具在使用前，要确保上面环境变量已经配置。
然后将tra_iris.txt、tes_iris.txt拷贝到tools文件夹，以防止写长路径名。
同时，因为gnuplot的安装路径人人都不相同，所以，需要在easy.py 中做相应修改，如下将CODE:else:# example for windowssvmscale_exe = r"..\windows\svm-scale.exe"svmtrain_exe = r"..\windows\svm-train.exe"svmpredict_exe = r"..\windows\svm-predict.exe"gnuplot_exe = r"D:\greensoft\gnuplot\bin\pgnuplot.exe"grid_py = r".\grid.py"中D:\greensoft\gnuplot\bin\pgnuplot.exe，改为你的pgnuplot.exe所在位置。
【syr 补充：在“交叉验证寻找最优参数”之前，需要在grid.py中：CODE:else:# example for windowssvmtrain_exe = r"..\windows\svm-train.exe"gnuplot_exe = r"G:\Program Files\gnuplot\bin\pgnuplot.exe"其中的"G:\Program Files\gnuplot\bin\pgnuplot.exe"改为你的pgnuplot.exe所在的路径。
】接着，“运行”中输入cmd打开命令行，转到\libsvm-2.9\tools所在目录，然后，输入命令CODE:easy.py svmtra_iris.txt svmtes_iris.txt执行，程序会自动调用训练、交叉验证、预测将结果保存到同目录的文件中。
运行情况如下：easy.JPG程序自动寻参情况图示如下：svmtra_iris_scale.png程序执行的结果在svmtes_iris.txt.predict文件中，规范化结果在svmtra_iris.txt.scale.out中。
从运行情况可看出，其预测精度为Accuracy = 96.6667% (58/60)。
libsvm_iris.rar(2009-12-04 09:58:34, Size: 9.34 KB, Downloads: 51)（2）对应上实验，手动使用libsvm进行多分类的方法下面方法是通过分析easy.py所得，均在“运行”cmd命令行执行。
规范化训练样本CODE:svm-scale -s svmtra_iris.txt.range svmtra_iris.txt > svmtra_iris.txt.scale交叉验证寻找最优参数CODE:grid.py -svmtrain svm-train -gnuplot gnuplot svmtra_iris.txt.scale利用寻找的参数训练模型CODE:svm-train -c 8.0 -g 0.03125 svmtra_iris.txt.scale svmtra_iris.txt.model规范化测试样本CODE:svm-scale -r svmtra_iris.txt.range svmtes_iris.txt > svmtes_iris.txt.scale使用模型进行分类预测CODE:svm-predict svmtes_iris.txt.scale svmtra_iris.txt.model svmtes_iris.txt.predictsvm-train、svm-scale、svm-predict等名字为windows文件夹中exe文件的名字。