[ECCV2026][模型压缩][输入自适应卷积] 把一个卷积骨干所有层的卷积核看成参数空间里同一条连续轨迹上的采样点——轨迹由一个极小的「puppeteer」神经常微分方程沿归一化坐标 $s\in[0,1]$ 演化而来，网络深度变成采样分辨率 $\lfloor 1/\Delta s\rfloor$，轨迹的初始状态与采样步长又随输入的熵复杂度变化——于是在 CIFAR-10 上以 1.08（原文表头记作 1.08 MB，但按量级应为百万参数级，⚠️ 以原文为准）的可训练参数量取得 72.51% Top-1，并让样本级的参数自适应与深度自适应成为这套动力系统的结构副产物，而不是外挂的控制器。

标签：ECCV2026 · 模型压缩 · 输入自适应卷积 · 神经 ODE · 参数生成 · 动态卷积 · 参数效率

Puppet-CNN: Continuous Parameter Dynamics for Input-Adaptive Convolutional Networks¶

会议: ECCV2026
论文: ECCV 原文
领域: 模型压缩
关键词: 输入自适应卷积、神经 ODE、参数生成、动态卷积、参数效率

一句话总结¶

把一个卷积骨干所有层的卷积核看成参数空间里同一条连续轨迹上的采样点——轨迹由一个极小的「puppeteer」神经常微分方程沿归一化坐标 $s\in[0,1]$ 演化而来，网络深度变成采样分辨率 $\lfloor 1/\Delta s\rfloor$，轨迹的初始状态与采样步长又随输入的熵复杂度变化——于是在 CIFAR-10 上以 1.08（原文表头记作 1.08 MB，但按量级应为百万参数级，⚠️ 以原文为准）的可训练参数量取得 72.51% Top-1，并让样本级的参数自适应与深度自适应成为这套动力系统的结构副产物，而不是外挂的控制器。

研究背景与动机¶

现代卷积网络把计算组织成一层一层的离散堆叠：每一层的卷积核是一个独立存储、独立学习的张量，而层数在训练之前就作为架构超参固定下来。这套组织方式支撑了从 AlexNet 到 ResNet 的大部分进展，但也带来两个直接后果。一是参数冗余：相邻层的核各自从头学起，深度几乎线性地换算成参数量和存储开销——在本文的受限 CIFAR-10 协议下，AlexNet / VGG / ResNet 分别要存 11.65 / 39.01 / 44.84 的参数量。二是计算的刚性：无论输入是纹理单一的天空还是细节密集的街景，所有样本都走完全相同的层数。围绕后者已经有一批工作：Early-Exiting（BranchyNet 按中间层置信度提前退出）、Layer Skipping（SkipNet 用门控决定某些层是否执行）、动态递归（DRNN 调整块内残差变换的次数）。它们的共同点是自适应发生在「选择 / 跳过 / 复用预定义结构」这一层，层参数本身依然被显式学习和存储，架构形状也没有任何改变。

另一条更贴近「改参数」的路线是输入条件化参数化。CondConv 用样本相关的路由权重组合同一批专家核，Dynamic Convolution 进一步约束组合系数的归一化形式，Pixel-Adaptive 一类工作用空间变化的掩码调制卷积响应——这些方法里核张量是预先定义的，输入只决定它们被如何激活。再往前一步是直接生成参数：DFN、HyperNetworks、WeightNet、DDFN 用辅助网络根据各层输入特征现场生成该层权重。但无论调制还是生成，共同结构都是逐层的：第 $l$ 层的参数由第 $l$ 层的特征（或第 $l$ 个映射）独立决定，而深度仍然是预先定义好的结构维度。扩散式权重生成换了个粒度，把整个参数集当作一个分布去采样，可它的「生成时间」是参数空间的采样进程而不是网络的深度，架构依旧固定。核心矛盾于是浮出来：既然参数在深度方向上完全可以有结构，为什么深度本身必须是一个训练前钉死的超参？

本文的切入角度是把参数化本身当作一个连续动力系统：卷积核参数 $\mathbf{P}(s)$ 是沿归一化演化坐标 $s\in[0,1]$ 的一个状态，它的变化率由一个可学习的神经函数 $G(\cdot;\theta)$ 给出。网络前向仍然是逐层执行的，但每一层的核不再独立存储，而是同一条轨迹在不同 $s$ 处的采样；离散化步长 $\Delta s$ 决定能采出多少层，深度于是从「架构超参」变成「采样分辨率」。更进一步，轨迹的初始状态与采样步长都可以依赖输入复杂度 $c(\mathbf{X}_0)$，参数适应与深度适应就都落到了同一个连续对象上。核心 idea：用一个共享的神经 ODE 在参数空间生成全部卷积核，把网络深度重解释为该连续轨迹的采样分辨率，并让轨迹起点与采样密度随输入复杂度变化——参数量因此与深度解耦，自适应计算则成为动力系统的结构副产物而非外加的控制模块。

方法详解¶

整体框架¶

Puppet-CNN 由两个部件组成：负责「生成」的 puppeteer 模块（一个神经常微分方程）和负责「执行」的 puppet 模块（一个标准卷积骨干）。整体流程是：输入图像 $\mathbf{X}_0$ 先被折算成一个标量复杂度 $c(\mathbf{X}_0)$；两个确定性的标量映射 $\psi$、$\phi$ 分别把它变成参数轨迹的初始状态 $\mathbf{P}_0$ 和离散化步长 $\Delta s$；puppeteer 在一个固定维度的最大张量空间 $(C^{max}_{out}, C^{max}_{in}, K_{max}, K_{max})$ 里，用共享的神经函数 $G(\cdot;\theta)$ 沿 $s$ 推进参数状态；每一步采样出来的状态被缩放（resize）到该层真实的卷积核尺寸，直接当作 puppet 骨干第 $l$ 层的卷积核使用；骨干完成 Conv-BN-ReLU 堆叠后输出分类。沿 $s$ 采出多少个状态，就实例化多少层，因此被实际执行的层数 $D=\lfloor 1/\Delta s\rfloor$ 也由输入决定。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入图像 X0"] --> B["输入自适应轨迹调制<br/>复杂度 c(X0) 定初始态与步长"]
    B --> C["连续参数演化<br/>共享 ODE 沿 s 推进"]
    C --> D["逐层缩放注入<br/>采样态缩放到各层核尺寸"]
    D --> E["Puppet 卷积骨干<br/>Conv + BN + ReLU + 池化"]
    E --> F["分类输出"]

关键设计¶

1. 输入自适应轨迹调制：让同一个复杂度标量同时决定轨迹起点与采样密度

轨迹 $\mathbf{P}(s)$ 在给定演化函数 $G$ 之后由初始状态唯一确定，如果所有输入都从同一个 $\mathbf{P}_0$ 出发、以同一个 $\Delta s$ 采样，那么这套连续参数化就退化成一个静态的共享权重方案，自适应无从谈起。本文的做法是先从一个标量复杂度信号入手：空间域上取输入像素强度的经验分布熵，频域上取傅里叶变换表示的熵，两者平均得到 $c(\mathbf{X}_0)$。

\[E(\mathbf{X})=-\sum_{x_i}p(x_i)\log p(x_i),\qquad c(\mathbf{X}_0)=\tfrac{1}{2}E(\mathbf{X}_0)+\tfrac{1}{2}E(\mathcal{F}(\mathbf{X}_0))\]

然后让这个标量控制两件事。一是参数级适应：$\mathbf{P}_0=\psi(c(\mathbf{X}_0))$，不同输入在同一个演化规则下走出不同的轨迹，网络的「权重」因此逐样本不同。二是深度级适应：$\Delta s=\phi(c(\mathbf{X}_0))$，$\phi$ 保持复杂度与采样分辨率之间的单调关系，复杂输入采样更密、实例化出更深的网络，简单输入采样更粗、网络更浅。$\psi$ 和 $\phi$ 都只是确定性标量变换，不引入任何额外的可学习参数。

值得强调的是这机制与「用一个门控网络决定走多深」的差别：这里没有额外的控制网络，也没有对已有架构做任何增删，深度变化只是同一段连续区间 $[0,1]$ 被切成了多少份。作者也明确说这个熵度量只是「可行性实例」而非优化过的复杂度估计器，换成任何别的标量指标都不影响共享演化本身。原文该式在 PDF 抽取中损坏（$\mathbf{P}_0$ 一行残留 $\exp(\cdot)$ 形式的碎片），且论文没有报告实际推理时 $\Delta s$ 取值或 $D$ 的分布，⚠️ 具体形式以原文为准。

2. 连续参数演化：把深度方向的组织写成一条 ODE 轨迹，「深度」变成采样分辨率

要摆脱「每层一个独立张量」，需要一个跨层共享的生成规则，并且这个规则最好自带一个连续的「层数旋钮」。本文设归一化演化坐标 $s\in[0,1]$，卷积核参数 $\mathbf{P}(s)$ 沿 $s$ 的变化率由一个可学习的神经函数 $G(\cdot;\theta)$ 决定：

\[\frac{d\mathbf{P}(s)}{ds}=G(\mathbf{P}(s);\theta),\qquad \mathbf{P}_l=\mathbf{P}_{l-1}+G(\mathbf{P}_{l-1};\theta)\,\Delta s\]

积分式没有闭式解，于是用显式欧拉法在 $[s,s+\Delta s]$ 上走一步得到下一个状态；在 $[0,1]$ 上以 $\Delta s$ 均匀采样出的状态个数就是有效深度 $D=\lfloor 1/\Delta s\rfloor$。每个采样状态对应 puppet 模块里的一次卷积变换，训练时梯度就沿这条离散化轨迹反传——训练 puppet 网络因此等价于只优化 puppeteer 的参数 $\theta$，所有卷积核都由同一个 $\theta$ 生成。

与几条最接近的路线相比，这个设计的差别是结构性的。相对 DFN / HyperNetworks / WeightNet / DDFN 的逐层生成：那里第 $l$ 层的权重是第 $l$ 个独立映射的产物（即使条件在中间特征上，各层权重仍是彼此离散的实体），深度预先给定；这里所有层是一条轨迹上的不同采样，层与层之间被显式地耦合起来，参数量不再随深度线性增长。相对 CondConv / Dynamic Convolution：那些方法从一个预先定义的专家核库里按输入权重做（软）选择或组合，核的张量本体是固定且被存储的；这里根本不存在专家库，也没有路由权重，核是被演化出来的。这也正是「continuous」与离散选择的分界——MoE 式方案只能在有限个专家间挑，层数变化意味着换一批离散参数；而本文在连续轨迹上取任意分辨率的样本，相邻层的参数天然彼此接近，加一层只是在更细的网格上多取一个点。相对扩散式权重生成：那里的生成时间对应参数分布的采样过程、架构仍是固定的，这里的演化坐标直接对应网络深度。

3. 逐层缩放注入：在固定维度状态空间里演化，再投影到各层真实核尺寸

一个骨干里各层的核形状并不一致（通道数从 64 变到 512、层与层的 $K$ 也可能不同），如果参数状态空间跟着每一层走，「共享一条轨迹」就无从谈起。本文把连续状态统一定义在最大张量形状 $(C^{max}_{out}, C^{max}_{in}, K_{max}, K_{max})$ 上，演化始终在这个固定维空间里进行；为了让 $G$ 能以卷积的方式处理这个状态，把核的空间维重整成一个卷积友好的排布（原文 Fig. 3），但仍保持它是一个统一的参数状态。每个采样态 $\mathbf{P}_l$ 随后通过一个确定性缩放操作（实现中用 3D 平均池化）投影到该层真正需要的核形状 $(C^{out}_l, C^{in}_l, K_l, K_l)$，直接作为该层卷积核 $\mathbf{W}_l$ 使用。

这一步是「一条轨迹服务异构层」得以成立的关键，代价则完全落在 puppeteer 的状态规模上：状态量由最大输出通道决定，且因为核张量是各维度的乘积，规模随 $C^{max}_{out}$ 二次增长。原文的实测是 $C^{max}_{out}$ 从 64 翻到 4096 时，变量数从 0.04M 涨到 167.83M（见实验部分）。论文采用的配置是 $C^{max}_{out}=512$，对应约 2.63M 变量、表中记作 1.08 的可训练参数规模。换言之，这套参数化把「深度」从成本项里彻底删掉了，但把「最大通道容量」变成了新的成本项——这是它能否扩展到 ImageNet 级骨干的关键约束。

损失函数 / 训练策略¶

论文没有为这套参数化引入新的损失项，训练目标仍是标准的分类交叉熵，真正的变化在优化对象上：puppet 模块中的所有卷积核都由共享的 $G(\cdot;\theta)$ 生成，因此训练整个网络退化为沿离散化轨迹对 $\theta$ 做反向传播。实现细节：PyTorch，单张 RTX 4090，Adam，batch size 64，训练 800 epoch，学习率从 $1\times10^{-3}$ 衰减到 $1\times10^{-5}$；骨干通道配置为 {64, 128, 256, 512}，每个卷积后接 BN 与 ReLU，通道维度变化处接 2D 最大池化，所有卷积核为 $3\times3$；动力函数 $G$ 实现为一层深度可分离卷积 + BN + tanh；采样态用 3D 平均池化缩放到各层的核尺寸；$\Delta s$ 与 $\mathbf{P}_0$ 的映射是确定性的，不含可学习参数。为保证比较聚焦在参数化机制而非训练配方上，所有基线都被重新实现并在完全相同的数据划分与优化设置下训练，且所有方法的最大输出通道统一限制为 512，除特别说明外不使用数据增强。

实验关键数据¶

主实验¶

所有实验都在受限协议下进行：CIFAR-10 只从官方训练集里随机取 10,000 张（其中 20% 作验证）；CIFAR-100 用完整训练集（20% 作验证）；mini-ImageNet 按 8:1:1 划分并把图像缩放到 $64\times64$。原文的对照分组是「自适应参数方法 / 自适应深度方法 / 轻量架构」，下表把三组汇总在一起（数值取自原文 Tab. 1 与 Tab. 3，同一受限协议）：

类别	模型	Top-1 (%)	Top-5 (%)	参数量	速度 (s/img)
自适应参数	DFN	68.59	93.13	75.89	0.0012
自适应参数	WeightNet	62.77	93.52	45.87	0.0040
自适应参数	DDFN-SW（改为逐样本）	55.55	93.34	300.83	0.0059
自适应深度	BranchyNet	70.00	93.94	27.69	0.0015
自适应深度	SkipNet	55.82	87.95	68.88	0.0115
自适应深度	DRNN	41.71	63.89	45.78	0.0025
轻量架构	AlexNet	65.86	92.05	11.65	0.0006
轻量架构	MobileNet-v1	58.58	91.17	7.52	0.0018
轻量架构	MobileNet-v2	66.73	93.33	8.90	0.0032
轻量架构	SqueezeNet	63.31	94.34	3.96	0.0022
本文	Puppet-CNN	72.51	96.85	1.08	0.0039

⚠️ 参数量一列原文表头写作 "Params (MB)"，但从 75.89 / 300.83 这类量级看，它实际指的是参数量计数（百万级）而非字节数；Tab. 7 中 "2.63M 变量 → 1.08 MB" 也无法按 float32 简单换算，单位以原文为准。速度一列越大越慢。

在更强的泛化设定上（CIFAR-100 与 mini-ImageNet，训练样本更少、类别更多），Puppet-CNN 同样以 1.08 的参数量领先（数值取自原文 Tab. 6）：

模型	CIFAR-100 Top-1 / Top-5	mini-ImageNet Top-1 / Top-5	参数量
AlexNet	41.46 / 67.67	36.92 / 64.35	11.84
VGG	45.06 / 67.66	32.95 / 59.94	39.20
ResNet	44.07 / 70.96	38.41 / 68.58	45.02
Puppet-CNN	53.26 / 79.63	46.46 / 74.38	1.08

消融实验¶

原文的消融是「渐进式」的：先看把逐层独立参数换成共享演化生成（+ Puppet-Puppeteer）会怎样，再加上参数级自适应（+ Parameter Adaptation）。三个代表性骨干分别覆盖浅层卷积、深层顺序卷积与残差连接三种设计范式（数值取自原文 Tab. 2，格式为 Top-1 / Top-5 / 参数量）：

骨干	Fixed-CNN	+ Puppet-Puppeteer	+ Parameter Adaptation
AlexNet	65.86 / 92.05 / 11.65	69.33 / 94.05 / 1.08	70.05 / 94.13 / 1.08
VGG	67.84 / 91.98 / 39.01	67.78 / 93.02 / 1.08	68.42 / 90.13 / 1.08
ResNet	68.94 / 95.17 / 44.84	66.69 / 95.46 / 1.08	68.25 / 94.31 / 1.08

深度自适应在这里扮演的角色不是提精度而是控开销——固定深度地生成参数会让推理计算量翻倍，自适应深度把它拉回到原骨干附近（数值取自原文 Tab. 5）：

变体	参数量	Mult-Adds (G)	速度 (s/img)
ResNet（固定参数）	44.84	11.40	0.0019
Puppet-ResNet（生成参数、固定深度）	1.08	23.44	0.0061
Puppet-CNN（生成参数 + 自适应深度）	1.08	12.34	0.0039

关键发现¶

共享演化替换逐层独立参数，精度基本不掉、参数量掉一到两个数量级。 三个骨干上 Puppet-Puppeteer 变体的 Top-1 与固定版持平（AlexNet 甚至 +3.47，VGG -0.06，ResNet -2.25），而参数量一律压到 1.08（对应 11.65 / 39.01 / 44.84）。原文还给出一致性更强的证据：在完整 CIFAR-10 训练集上，AlexNet 65.86→83.75、VGG 81.05→80.57、ResNet 82.24→80.47（Top-1），说明这个参数化的有效性不依赖于训练数据规模，VGG/ResNet 上轻微掉点也在两个数据规模下同样出现。
参数量与网络深度解耦。 关掉深度自适应、手动加粗 puppet 模块的层数时，常规 CNN 的参数量随深度线性上涨，而 Puppet 变体几乎保持常数，因为所有核都来自同一条共享轨迹（原文 Fig. 4，VGG 与 ResNet 两个骨干）。
深度自适应真正的价值在计算量而非精度。 固定深度的 Puppet-ResNet 因为每步都要跑 ODE 生成参数，Mult-Adds 从 11.40G 涨到 23.44G；加上输入自适应深度后回落到 12.34G，与原始 ResNet 基本持平——也就是说自适应深度在这里承担的是「用浅输入少算几层」来抵消生成开销的角色。
参数级自适应的收益依骨干而变，且不是单调的。 AlexNet 69.33→70.05、ResNet 66.69→68.25（Top-1 提升），VGG 67.78→68.42；但 VGG 的 Top-5 从 93.02 掉到 90.13，原文未解释这一处不一致，⚠️ 以原文为准。作者本身也声明这组消融的目标不是「全面涨点」，而是验证连续参数动力学能否成为一种实用的紧凑参数化。
参数规模对最大通道容量呈二次增长。 原文 Tab. 7 给出 $C^{max}_{out}$ = 64 / 128 / 256 / 512 / 1024 / 2048 / 4096 时，puppeteer 的变量数为 0.04 / 0.17 / 0.66 / 2.63 / 10.50 / 41.97 / 167.83（M），对应可训练参数规模 0.02 / 0.07 / 0.28 / 1.08 / 4.26 / 16.90 / 67.35。通道翻倍变量数约涨 4 倍，这与核张量是各维度乘积一致；在 512 通道的配置下整体规模仍远小于常规 CNN，但往 ImageNet 级（2048/4096 通道）走时这份优势会被明显侵蚀。
原文没有报告自适应行为的实际统计量：$\Delta s$ 的取值分布、实际实例化深度 $D$ 的分布、以及不同复杂度输入的深度差异都没有量化，因此「高复杂度输入确实得到更深网络」目前只有机制上的论证。

亮点与洞察¶

把 ODE 放在参数空间而不是特征空间，是这篇文章最有辨识度的一步。 常见的 Neural ODE 用法是让特征/隐状态沿深度连续演化，网络仍然是「一层一层算特征」；这里演化的对象直接是卷积核本身，深度方向不再由特征流的层数定义，而是由参数轨迹被采样的疏密定义。这个换轴让「改层数」变成「改采样率」，是后续所有自适应行为的来源。
「深度 = 采样分辨率」把架构与参数统一进一个生成过程。 传统上「加一层」意味着多一个独立模块、多一份参数；这里加一层只是在同一轨迹上多取一个点，参数量几乎不变（Fig. 4 的持平曲线就是这么来的）。这条思路可以迁移到任何「同一模块重复堆叠」的场景：把重复块的参数写成一条可学习的连续轨迹，块数就成为一个可以在推理时按预算调整的连续旋钮。
自适应不是外挂的控制网络，而是动力系统自身的两个自由度。 初始条件与步长是 ODE 求解里天然存在的两个量，作者直接让它们依赖输入复杂度，于是参数适应与深度适应不需要任何额外模块或门控。相比 Early-Exit / SkipNet 那类「在已有架构上做选择」的方案，这里没有任何结构性的增删，实现的侵入性更低。
固定维度状态空间 + 确定性缩放，是让一条轨迹服务异构层的实用解法。 在最大核张量空间里演化、再把采样态池化到各层真实尺寸，避开了「每层核形状不同所以无法共享」的死结；代价（状态随最大通道二次增长）被诚实地量化在 Tab. 7 里，属于清楚知道自己短板在哪儿的设计。

局限与展望¶

实验规模偏小，没有 ImageNet-1k。 最大规模只到 mini-ImageNet 的 $64\times64$，且 CIFAR-10 用的是 10k 子集、无数据增强，绝对精度（72.51%）显著低于常规 CIFAR-10 协议下的结果。因此 Tab. 1 中「超过 BranchyNet/DFN」的结论只在这个受限协议内成立，不能直接外推到标准基准。
没有和 CondConv / Dynamic Convolution 直接对比。 相关工作里花了不少篇幅讨论这两类输入条件化卷积，但实验中的自适应参数基线是 DFN / WeightNet / DDFN-SW，缺少与「专家库 + 路由权重」这一最常见动态卷积形态的同台比较，而这恰恰是「连续生成 vs 离散选择」最需要证据的地方。
复杂度度量与两个映射没有消融。 $c(\mathbf{X}_0)$ 用的是空间熵与频域熵的等权平均，$\psi$/$\phi$ 是手工设计的确定性标量映射，论文声明它们是「可行性实例」而非最优解，但既没有替换实验，也没有报告 $\Delta s$ 的实际取值与实例化深度 $D$ 的分布，读者无法判断深度自适应到底在多大范围内起作用。
参数生成的计算开销在固定深度下接近翻倍。 Puppet-ResNet 的 Mult-Adds 是 11.40G→23.44G，速度 0.0019→0.0061 s/img；即便加回自适应深度也仍有 0.0039 的推理耗时，比 AlexNet 慢数倍。参数量上的巨大优势是以推理计算换来的，原文的「参数量」叙事没有充分讨论这一点。
参数量对最大通道容量二次增长（Tab. 7），意味着把它搬到 ImageNet 级骨干时，$C^{max}_{out}$ 一旦上到 2048/4096，puppeteer 自身会涨到 16.90/67.35，相对常规骨干的节省会大幅缩水。
ODE 的数值层面没有被讨论。 全篇只用了一步显式欧拉，步长误差、是否需要对 $G$ 做 Lipschitz 约束、能否换更高阶求解器或自适应步长都没有涉及；同时相关工作里没有引用 Neural ODE（Chen et al., 2018）这一条最直接的思想来源，与 HyperNetworks 的关系也只在分类层面交代，缺少直接的对照实验。

评分¶

新颖性: ⭐⭐⭐⭐ 把神经 ODE 从特征空间搬到参数空间、并用采样分辨率重新定义深度，这个视角本身就值得一读；但输入自适应、复杂度度量、即插即用骨干等组件多为已有思想的组合。
实验充分度: ⭐⭐ 只有 CIFAR-10（10k 子集）/ CIFAR-100 / mini-ImageNet，无 ImageNet-1k；缺与 CondConv/DyConv 的直接对比，复杂度度量与 $\psi$/$\phi$ 无消融，$\Delta s$ 与实例化深度 $D$ 的分布完全未报告，且有 VGG Top-5 反常下降未作解释。
写作质量: ⭐⭐⭐ 概念分层清楚、动机讲得明白，但公式在正文中多处被抽取损坏、参数量单位标注（MB vs 计数）不一致，部分结论（如自适应收益）措辞偏保守而缺乏量化支撑。
价值: ⭐⭐⭐ 「参数量与深度解耦」和「深度 = 采样分辨率」这两个结论有明确的可迁移价值，适合作为连续参数化方向的可行性证据；但当前的精度/效率证据还不足以支撑它作为一个可直接采用的骨干方案。