自动驾驶神经网络是什么,自动驾驶神经网络算法

自动驾驶汽车的技术原理

汽车自动驾驶技术包括视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况，并通过一个详尽的地图对前方的道路进行导航。

这一切都通过谷歌的数据中心来实现，谷歌的数据中心能处理汽车收集的有关周围地形的大量信息。就这点而言，自动驾驶汽车相当于谷歌数据中心的遥控汽车或者智能汽车。汽车自动驾驶技术物联网技术应用之一。

沃尔沃根据自动化水平的高低区分了四个无人驾驶的阶段：驾驶辅助、部分自动化、高度自动化、完全自动化：1、驾驶辅助系统（DAS）：目的是为驾驶者提供协助，包括提供重要或有益的驾驶相关信息，以及在形势开始变得危急的时候发出明确而简洁的警告。

如“车道偏离警告”（LDW）系统等。2、部分自动化系统：在驾驶者收到警告却未能及时采取相应行动时能够自动进行干预的系统，如“自动紧急制动”（AEB）系统和“应急车道辅助”（ELA）系统等。

3、高度自动化系统：能够在或长或短的时间段内代替驾驶者承担操控车辆的职责，但是仍需驾驶者对驾驶活动进行监控的系统。4、完全自动化系统：可无人驾驶车辆、允许车内所有乘员从事其他活动且无需进行监控的系统。

这种自动化水平允许乘从事计算机工作、休息和睡眠以及其他娱乐等活动。

结构性能1、激光雷达车顶的“水桶”形装置是自动驾驶汽车的激光雷达，它能对半径60米的周围环境进行扫描，并将结果以3D地图的方式呈现出来，给予计算机最初步的判断依据。

2、前置摄像头自动驾驶汽车前置摄像头谷歌在汽车的后视镜附近安置了一个摄像头，用于识别交通信号灯，并在车载电脑的辅助下辨别移动的物体，比如前方车辆、自行车或是行人。

3、左后轮传感器它通过测定汽车的横向移动来帮助电脑给汽车定位，确定它在马路上的正确位置。

4、前后雷达后车厢的主控电脑谷歌在无人驾车汽车上分别安装了4个雷达传感器（前方3个，后方1个），用于测量汽车与前（和前置摄像头一同配合测量）后左右各个物体间的距离。

5、主控电脑自动驾驶汽车最重要的主控电脑被安排在后车厢，这里除了用于运算的电脑外，还有测距信息综合器，这套核心装备将负责汽车的行驶路线、方式的判断和执行。

自动驾驶汽车如何识别和预测车和行人行为？

据外媒2月14日报道，美国密歇根大学科学家们正利用人类的步态、身体对称性和足部位移，教授自动驾驶汽车识别和预测行人的行动，其精确度要高于现有技术。

据悉，汽车通过摄像头、激光雷达和全球定位系统(GPS)收集到的数据，可以使研究人员能够捕捉到人类活动的视频片段，然后在三维(3D)计算机模拟中再现它们。

在此基础上，科学家们创造了一个“生物力学启发下的循环神经网络”，用于对人类运动进行分类。

据研究人员称，他们通过利用循环神经网络预测距离汽车约50码处的一个或几个行人的动作及其未来位置，该网络相当于一个城市交叉路口的规模。

汽车要想拥有必要的预测能力，需要利用循环神经网络深入研究人类动作细节，其中包括人类步态的节奏(周期性)、四肢的镜像对称性，以及走路时脚的位置对人体稳定性的影响。

密歇根大学机械工程助理教授RamVasudevan说：“此前在这一领域的研究通常只关注静态图像，并不关注人们如何在三维空间中运动。

然而，如果这些汽车要在现实世界中运作和互动，我们需要确保对行人所在位置的预测与车辆的下一步走向不一致。行人的动作和他们遥望的地方可以告诉你他们的注意力水平程度，也能告诉你他们下一步即将做什么。

”大部分将自动驾驶技术提升至目前水平的机器学习算法，都涉及二维图像—即静态照片。如果一台电脑展示了数百万张的停车标志照片，最终它将能够在现实世界中实时识别出停车标志。

然而，通过利用运行数秒的视频片段，系统可以研究视频片段的前半部分来进行预测，然后用后半部分来验证准确性。

最终，研究结果表明，这种新系统提升了无人驾驶汽车预测未来最有可能发生情况的能力，有利于提高自动驾驶汽车的安全性。

俄罗斯创企推新型自动驾驶算法 一个摄像头可让无人车实现3D感知

车东西（chedongxi）文 | 小路车东西6月29日消息，近日，俄罗斯一家名为Ralient的自动驾驶初创公司成功推出基于神经网络的自动驾驶系统，该系统名为MIMIR。

MIMIR自动驾驶系统仅用一个普通摄像头即可构建自动驾驶汽车所需的3D场景，实现3D感知。

Ralient公司在You Tube上发布了一段由单个摄像头拍摄的视频，视频展示了该公司的MIMIR自动驾驶系统是怎样检测出路上车辆的尺寸、运动状态和方向。

▲MIMIR自动驾驶系统计算机视角更神奇的是，MIMIR自动驾驶系统不仅可以测算出本车与其他车辆之间的距离，并且能够在不知道上一帧的情况下分别处理每一帧画面，进而通过跟踪其他车辆，准确测算出其他车辆的速度。

据悉，目前的汽车自动驾驶3D感知的方法存在成本高、探测距离近、不能测算车辆距离和速度等方面的缺点。Ralient研发的基于神经网络自动驾驶系统或将解决自动驾驶3D感知所遇到的难题。

一、Ralient推出新的自动驾驶系统 已经展开车辆上路测试近日，俄罗斯一家名为Ralient的自动驾驶初创公司推出基于神经网络开发的自动驾驶系统，该系统名为MIMIR，仅用一个普通摄像头即可构建自动驾驶汽车所需的3D环境，实现3D感知。

Ralient在You Tube上传了一段仅由单个摄像头拍摄的视频，视频中展示了该公司的MIMIR自动驾驶系统是怎样监测出路上车辆的尺寸、运动状态和方向的，该公司认为一个雷达或者摄像头就足以收集复杂的道路信息。

不仅如此，MIMIR自动驾驶系统还可测算出本车与其他车辆之间的距离，并且能够根据摄像头所拍画面，测算出其他车辆的速度。

Ralient已经展开了MIMIR自动驾驶系统的上路测试，测试其对被残缺道路标识的识别能力。

▲MIMIR自动驾驶系统识别残缺道路标识另外，这家自动驾驶初创公司还在研发名为“R-Shuttle”的无人驾驶汽车，该公司不会将高精地图作为汽车自动驾驶的核心，因为他们认为高精地图易受恶劣天气影响，并不能满足实用化的要求。

▲MIMIR自动驾驶系统在恶劣环境下工作二、主流技术路线成本高昂 最高可达40余万元据了解，现在为自动驾驶提供3D感知的技术主要有，立体视觉、RGB-D和Lidar三种技术路线。

立体视觉的工作原理与拍摄3D电影类似，使用两个或两个以上不同位置的摄像机进行环境图像的收集工作，之后通过两个角度拍摄的图像差异计算目标物体的距离。

此路线所需的硬件简单，只需要两个摄像头，但是测算目标物体的速度和位置精度方面存在问题。

▲立体视觉工作原理示意RGB-D可以看做是增加了可探测目标物体的距离功能的2D摄像头，工作原理是，利用光到内部传感器的投射时间计算与目标物体的距离。此项技术路线成本相对较低，但易被干扰和遮挡。

Lidar即激光雷达，并且大多数的3D Lidar传感器是多线的（最多64线），它利用发射的激光脉冲测算与目标的距离。

此项技术路线探测距离远、精度高，但过于笨重，而且成本较为昂贵，每台64线的Lidar需要约6万美元（约合人民币42.5万元）的成本。

Ralient公司表示，基于神经网络的MIMIR自动驾驶系统成功开发，意味着可以使用普通智能手机的摄像头取代激光雷达等昂贵的探测设备。

结语：神经网络将助力自动驾驶发展目前，自动驾驶非常依赖于对场景的3D感知，而三种主流的感知技术路线又存在这样或那样的问题。

Ralient利用神经网络开发的MIMIR自动驾驶系统解决了探测精度等方面的问题，还大幅降低了成本，拥有较为广阔的发展前景。

据悉，Ralient公司已经开始对MIMIR自动驾驶系统进行了上路测试，一旦验证该系统成熟，神经网络将向更高级别发展。本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

自动驾驶汽车是怎么运行的?它的安全系数到底有多高？

智能驾驶汽车，目前最火热同时也是很多资本家投入大量资金的项目之一。就目前来看，谷歌公司应该是在这方面最肯花费资源的公司了。因为这个项目一但能够真正投入使用，那其中带来的利益是无法想象的。

究竟什么是智能驾驶汽车呢？目前它又发展到什么水平了呢？智能驾驶汽车，顾名思义，不需要人为操纵汽车，所有汽车的活动都由程序来完成。这能省去很多的麻烦，特别是对于不会开车的人来说简直就是福音。

当然，这个项目也是深度学习浪潮带来的结果。由汽车外的传感器收集数据，再把数据传递给程序，最后由程序判断汽车接下来该怎么操作并执行相应操作。看起来很酷炫但在实际完成时却困难重重。

深度学习最基础同时最核心的内容就是神经网络。通过传入输入给神经网络，经过神经网络的运算后会返回一个输出。这个输出就是指示汽车该加速，减速，停车还是转弯，而输入就是传感器采集到的图片。

当然这个图片不仅包括汽车正前方的图片，还要包括周围的图片。要是汽车后方有车或者旁别突然窜出行人之类的，仅靠收集正前方的图片是无法应对这些特殊情况。

这也需要对算法有很高的要求，因为汽车需要在秒甚至毫秒级别内处理很多的图片，并不停的判断接下来该怎么操作。尤其是高速路上时速都在100km/s以上，要是程序的判断稍微慢一些，就会酿成大祸。

当然5G的出现给智能汽车带来了更多的可能。依靠5G快速的传输速度，汽车能更快得到传感器收集到的数据，也就能更快做出判断。目前很多地方都已经有用于实验的智能驾驶汽车。

但这些汽车都需要人坐在驾驶位上以便预防突发情况，且无一例外，这些智能汽车行驶速度很慢，虽然很安全但是离真正的使用还相差甚远。

特斯拉新专利 “影子模式”升级 将收集更多学习数据进行深度学习

车东西3月24日消息，据外媒Electrek报道，近日，特斯拉申请了一项关于自动驾驶机器学习的专利。

如果特斯拉可以获取庞大的车辆行驶数据和硬件机器学习数据，就能够训练自动驾驶神经网络，实现更深入的机器学习。实际上，这项专利就是特斯拉“影子模式”的升级版本。

此前，特斯拉通过车辆硬件自主进行机器学习，加强自动驾驶能力。而目前，通过收集大量的实际驾驶数据，可以让自动驾驶具有更强大的判断能力，尤其加强对未来发生事件的预判。

如果这项工作得以顺利开展，特斯拉的自动驾驶能力将得到更大提升。一、特斯拉申请新专利 用驾驶大数据进行更加深度的机器学日前，特斯拉申请了一项关于自动驾驶机器学习的专利。

专利中描述，特斯拉可以使用车辆行驶的大数据训练自动驾驶神经网络，让自动驾驶系统能力得到提升。

▲特斯拉新专利这一专利已经通过审核并对外公布，特斯拉是这项专利的持有者，特斯拉人工智能和Autopilot自动驾驶软件负责人Andrej Karpathy是唯一发明者。

实际上，这就是特斯拉“影子模式”的一个升级。专利描述中首先对驾驶数据收集的困难进行了阐述：“深度学习系统的性能通常受制于训练模型的质量。

大多数情况下，深度学习开发者都会花大量精力收集、整理、注释训练数据，这一过程通常十分枯燥乏味。而且，机器学习模型通常需要非常特殊的个例，这些个例也难以收集。

”而特斯拉所采用的数据收集方式和其他公司完全不同。其他自动驾驶研发公司通常会选取一部分自动驾驶车辆收集数据，因此数据量通常较少，也难以具有普遍性。

特斯拉则使用旗下大量车辆的行驶数据用于深度学习，数据量更大，也能覆盖更多的场景。因此，在进行深度学习时也会得到更精准的结果。▲特斯拉数据收集流程图可是，如果不进行大量数据收集就无法完成机器学习了吗？

Karpathy对此进行解释：“随着机器学习模型变得越来越复杂，机器学习需要使用更多数据才能保证准确性。与较浅的机器学习相比，更深入的学习可以保证软件通用性更高。

虽然经过反复的机器学习训练，浅层的机器学习也能提高准确度，但它对未来发生事件的判断仍不够强大。”也就是说，通过前期的机器学习，特斯拉自动驾驶已经取得了一些成果。

目前进行的数据收集，则是为了能够达到更高的自动驾驶目标。

二、特斯拉去年推出影子模式 日“测试量”可达数百万英里特斯拉在自动驾驶领域已经是老玩家了，不过特斯拉官方的上路测试真的很少，大部分都是靠特斯拉车主贡献自动驾驶方面的数据。

此前，特斯拉在2019年4月发布了“影子模式”，希望让大量特斯拉汽车的自动驾驶硬件在车辆行驶时工作，达到机器学习的目的。

“影子模式”的原理是，让特斯拉汽车的自动驾驶软件处于开启状态，传感器探测车辆行驶道路周围的数据，但驾驶操作完全由人来完成，机器不参与驾驶。

在人的驾驶过程中，机器就能学习人的驾驶操作，从而达到提升自动驾驶能力的目的。

▲特斯拉2019年发布“影子模式”时的演讲特斯拉当时就认为，如果只收集特定车辆的自动驾驶信息，测试结果通常都不准确，因为数据量、测试场景的局限性太大。

如果大量特斯拉车主希望共享驾驶数据，使用这些数据进行机器学习，数据量和准确度都有更多保障。

特斯拉表示，如果使用电脑模拟器进行自动驾驶测试，每天测试量可以达到100万英里，而特斯拉车主所能共享的数据已经超过这个数字，车主共享的数据有更高的价值。

结语：特立独行者——特斯拉在自动驾驶测试中，特斯拉算是个特立独行者。没有官方的自动驾驶测试，靠的是大量用户的驾驶数据；坚决不用激光雷达，相信摄像头+毫米波就能解决大多数自动驾驶难题。

特斯拉的这种特立独行也让许多自动驾驶公司有些不知所措。不过，正是特斯拉的特立独行才造就了特斯拉。从推出电动汽车的那一刻起，特斯拉就注定是个特立独行者。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

特拉斯的自动驾驶可靠吗？他的工作原理是什么？

这个套餐给很多用户留下了深刻的印象。一些人在YouTube上发布了该系统在城市街道运行的视频。尽管有这个名字，但“完全”自动驾驶不是自动驾驶，也不是业界大多数人说的完全自动驾驶。

更确切地说，它是在城市街道上运行的特斯拉“自动pilot”。与Autopilot一样，它需要驾驶员不断监视，实际上发生错误，需要驾驶员控制，以避免事故的发生。

虽然可以处理各种城市街道，但不能应对车道或停车场，所以人类司机在旅程的开始和结束都要开车。以前的Autopilot只操作高速公路、乡村道路和部分城市高速公路，而没有操作路标、信号灯等基本要素。

这辆车的功能比2010年我工作的谷歌Chauffeur(现在的Waymo)稍微好一些。

虽然只使用相机和最少的地图就能完成工作很重要，但Chauffeur需要使用详细的地图和激光雷达，并将相机的使用降至最低。在过去的十年里，神经网络计算机视觉的能力突飞猛进。

特斯拉——仅在主要参与者中有效，避免了激光雷达，严重依赖摄像头(以及雷达，大家都在使用的雷达)。所有全自动驾驶汽车项目在方向盘后面需要一个或两个“安全驾驶员”，他们也需要这样的介入。

刚开始很频繁，随着时间的流逝越来越少。直到最近，Waymo和现在的nuro还部署了没有监督司机的车辆。Cruise最近获得了这样做的许可，但尚未实施，并声称将于今年晚些时候实施。

亚马逊的JOX也获得了这样的许可。根据特斯拉的视频和主张，在埃隆马斯克的通勤中，他通常很少参与驾驶，有时甚至完全不参与，但他说：“在大多数情况下，这似乎是有效的。

”在现实中，我们应该计算需要介入的频率。有时不需要干预的时候会发生，所以真正需要衡量的是“必要”干预，即没有干预，就会发生不好的事情。很多团队使用模拟器来模拟没有干预会发生什么。

“坏事”可以指严重的事故，也可以只是明显的驾驶失误。例如，暂时转向另一条车道。即使运气好，车道上也没有车。人类每10万英里就发生一次事故，通常开车大约需要8到10年。

保险公司每25万英里(25年)见一次面，警察每50万英里(40-50年)见一次面。幸运的是，死亡非常罕见。——人类驾驶每8000年发生一次，高速公路每2万年发生一次。这对任何司机来说都是罕见的。

因为我们开车太多，所以我们能遇到那么多。约翰肯尼迪开车。就其本身而言，全天开车时不需要干预可能会给人留下深刻的印象。

特别是对刚进入这一领域的人来说，这条街似乎离实现完全自动驾驶还有很长的路要走，而不是监视驾驶员辅助目标。

特斯拉申请专利 从消费者车队获取数据训练自动驾驶神经网络

特斯拉的自动驾驶技术到底有什么玄机？

。

马斯克曾说会在2019年年底推出功能齐全的自动驾驶（Full Self Driving,简称 FSD），但现在已经到了2020年，特斯拉升级系统后除增加了“车辆召唤”功能，也并没有完全开放自动驾驶权限。

对此，马斯克表示特斯拉希望通过训练神经网络来识别城市中可能遇到的每个物体并采取相应的行动，从而强行进入城市驾驶，这可能还需要数月的时间。

不得不说，尽管还需数月，但如果能在今年内开放城市内的完全自动驾驶，也足以令人惊叹。而最近有日本媒体拆解了特斯拉Model 3，更是宣称它的自动驾驶技术要领先其余汽车制造商6年的时间，究竟有什么玄妙？

什么是“Hardware 3”？说起来特斯拉的自动驾驶技术，不能忽略的就是它的自研芯片，也就是在2019年4月发布的“Hardware 3”。

其实在最开始的时候，特斯拉并没有完全独立研究这块集成芯片，而是与 Mobileye 合作，但后来特斯拉产品在辅助驾驶情况下经历了一次事故，这显然没有达到预期的要求，所以二者不欢而散。

随后特斯拉又携手英伟达，采用英伟达的芯片解决方案，但显然马斯克觉得这还不够，于是在2016 年请来“芯片皇帝” Jim Keller 担任特斯拉硬件开发副总裁，也正式拉开了自研自动驾驶芯片的序幕。

从成品的FSD 电脑中可以看出，里面包含了两块自研芯片。这两款芯片独立运行，拥有各自的电源、DRAM 内存以及闪存，也就是说，当其中任何一个出现故障，FSD 电脑依然会正常驱动汽车进行自动驾驶。

“Hardware 3”拥有60亿颗晶体管，每秒能完成144万亿次计算，能同时处理每秒2300帧的图像。

对比特斯拉上一代处理器（HW2.5），FSD在性能方面提高了21倍，并且能够应对L5级别自动驾驶所需的感知层数据量和计算能力，目前来看哪怕与英伟达这样的芯片公司相比也丝毫不落下风。

“神经网络”才是重点？想要在自动驾驶方面比其它汽车制造厂更好仅仅拥有一块自研芯片也是不够的。特斯拉之所以能在辅助驾驶领域拥有较好口碑，还有一个关键点，就是神经网络。

神经网络（NEURAL NETWOTRK）现在对于用户来说并不再陌生，因为大家熟悉的手机产品很多都使用了这种机器学习方式，比如：Iphone 上的Siri。

神经网络的工作原理的数学模型就像是生物神经网络。最主要的能力就是能够依赖大量的数据信息进行自我学习，而特斯拉拥有庞大的用户群以及数据量。

所以特斯拉可以通过大量用户数据，教会机器识别车道线、车辆、行人、交通信号等内容。

具体来说，特斯拉会首先在神经网络中放置一个种子数据集，随机采集大量数据然后进行标注，当神经网络在后续识别中存在识别不准确或者车内司机进行某些操作触发反馈机制后，车子会向总部回传这些数据，特斯拉会对数据进行验证修复，在经过海量数据学习之后，机器就变得更加智能，识别更加准确，同时更利于后续的路径规划以及决策操作。

根据之前特斯拉公布的一份数据，利用在全球的车队，特斯拉已经收集超过 160 亿公里的真实行驶数据，其中超过16 亿公里的行驶里程使用了 Autopilot 自动辅助驾驶系统，海量的自动驾驶数据也是特斯拉相比其它汽车制造厂更占优势的地方。

视觉传感器有何作用？说完了特斯拉自动驾驶中的“大脑”，想要完成出色的自动驾驶功能，还有一个部分不可缺少，那就是车辆的“眼睛”，也就是视觉传感器，俗称摄像头。

在特斯拉看来，人就是通过两只眼睛来实现对外界的感知，车辆上的摄像头作用与之类似，而特斯拉产品上的的视觉传感器有8 个，并且还有毫米波雷达等辅助设备一起完成车辆在自动驾驶时对外界的感知。

总结通过上述内容可以总结出，特斯拉自动驾驶技术的核心就是视觉感知+自我学习。而特斯拉这种通过神经网络来完成的“用户数据—自动驾驶—用户数据”提升闭环也能使特斯拉自动驾驶技术愈发的领先。

要说特斯拉完全自动驾驶功能何时能下放到现有产品上，很多行业人士乐观的认为将会在2020年内完成。

反观其它汽车制造商，无论是传统品牌还是造车新势力，要么就被禁锢在传统的汽车制造逻辑中难以脱离，要么就是缺乏可用的大量用户数据。这些因素虽不说让它们在技术上落后特斯拉6年，但差距总归还是有一些的。

据消息称，特斯拉的下一代芯片也会在两三年内面世，如再不加以追赶，特斯拉会不会在自动驾驶的道路彻底甩离这个时代呢？本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

仅依靠摄像头的话，会实现自动驾驶吗？

特斯拉新的自动驾驶系统获得专利认证。该系统只需对摄像头捕获的视觉信号进行处理和学习，就可以构建一套不依赖雷达辅助的自动驾驶逻辑。

该自动驾驶系统主要基于芯片、神经网络和人工智能，对传感器的类型和数量等硬件指标要求不高。马斯克宣称，它可以使车辆以更简单的结构和更低的价格获得不亚于行业领先水平的自动驾驶能力。

作为自主驾驶技术的先驱，特斯拉从未停止创新。在传统的自动驾驶系统中，有特殊类型的传感器负责收集特定类型的数据。例如激光雷达是一种收集距离数据的传感器。

随着人们对自动驾驶系统的性能要求越来越高，汽车公司不可避免地要在车辆上安装更多的传感器，以便车辆能够更准确、更详细地感知外部环境，随之而来的问题是整个车辆结构的成本和复杂性飙升。

此外，传感器的类型和数量越多，信息传输容量越大，对车载传输系统的带宽要求也越高。

特斯拉新技术的本质在于高效和谐地调用整车摄像头采集的图像信息，结合强大的芯片计算能力、充足的传输带宽和深度人工智能学习，实现自动驾驶，而不是堆砌传感器的种类和数量，胡乱采集数据量。

有了特斯拉的自动驾驶技术，汽车公司只需要安装合适数量的传感器，就可以构建一个简单、低成本、安全、实用的自动驾驶系统。特斯拉新的自动驾驶系统是基于两套神经网络开发的。

第一组神经网络专门处理来自车载摄像头的图像，然后判断此时外部物体与车辆之间的距离。人工智能在研究了足够多的数据后，会将学习经验反馈给神经网络系统，让他们更聪明地工作。

超高的通信带宽将作为一个坚实的后盾，确保大量数据顺利进出上述地点。这种良性循环启动后，整个自动驾驶系统会更加准确地感知和响应路况的变化，以更加安全灵活的方式控制车辆的行驶。

新专利还包括一项自动标记视觉信息的技术。该技术实现了视觉信息和相关辅助信息的同步采集和实时关联，整个过程几乎不需要人工干预。视觉信息和辅助信息会被自动捆绑打包，作为学习资料传送给人工智能。

最后

以上就是正直舞蹈为你收集整理的自动驾驶神经网络是什么,自动驾驶神经网络算法的全部内容，希望文章能够帮你解决自动驾驶神经网络是什么,自动驾驶神经网络算法所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。