大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于gpt和bert區(qū)別的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內免費在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

• 1、磁盤初始化時選mbr還是選gpt，有什么區(qū)別

• 2、BERT預訓練模型

• 3、硬盤GPT分區(qū)與MBR分區(qū)的有什么區(qū)別？

• 4、BERT：深度雙向預訓練語言模型

一、磁盤初始化時選mbr還是選gpt，有什么區(qū)別

MBR和GPT各有各的特點，這兩個現(xiàn)在都在使用，至于選哪一個是要分情況討論的。

在設置新磁盤時，系統(tǒng)會詢問你是想要使用MBR還是GPT分區(qū)。GPT是一種新的標準，并在將來逐漸取代MBR。

GPT為我們帶來了很多新的特性，但MBR仍然擁有最好的兼容性。GPT并不是Windows專用的新標準，Mac OS X，Linux，及其他操作系統(tǒng)同樣使用GPT，實際上其他操作系統(tǒng)仍可以使用MBR。

新磁盤在使用之前，必須對其進行分區(qū)操作。MBR（Master Boot Record）和GPT（GUID Partition Table）是在磁盤上存儲分區(qū)信息的兩種不同方式。這些分區(qū)信息包含了每個分區(qū)從哪里開始的信息，這樣才能讓操作系統(tǒng)知道哪個扇區(qū)是屬于哪個分區(qū)的，以及哪個分區(qū)是可以啟動的。在磁盤上創(chuàng)建分區(qū)時，必須在MBR和GPT之間選擇一個適當?shù)姆謪^(qū)管理方式。

MBR的局限性

MBR的意思是“主引導記錄”，最早在1983年在IBM PC DOS 2.0中提出。

它是存在于驅動器開始部分的一個特殊的啟動扇區(qū)，磁盤的第一個扇區(qū)。這個扇區(qū)包含了已安裝的操作系統(tǒng)的Bootloader和驅動器的邏輯分區(qū)信息。

MBR最大支持2TB磁盤，它無法處理大于2TB容量的磁盤。MBR支持最多4個主分區(qū)——如果想要更多分區(qū)，就需要創(chuàng)建所謂“擴展分區(qū)”，并在其中創(chuàng)建邏輯分區(qū)。MBR已經(jīng)成為磁盤分區(qū)和啟動的工業(yè)標準。

GPT的優(yōu)勢

GPT意為GUID分區(qū)表。（GUID意為全局唯一標識符）。這是一個正逐漸取代MBR的新標準。它和UEFI相輔相成——UEFI用于取代老舊的BIOS，而GPT則取代老舊的MBR。之所以叫作“GUID分區(qū)表”，是因為你的驅動器上的每個分區(qū)都有一個全局唯一的標識符（globally unique identifier，GUID）——這是一個隨機生成的字符串，可以保證為地球上的每一個GPT分區(qū)都分配完全唯一的標識符。

GPT沒有MBR的那些限制。磁盤驅動器容量幾乎不限制（還是有限制的，只不過對我們來說它太大太大）。它還支持幾乎無限個分區(qū)數(shù)量，限制只在于操作系統(tǒng)——Windows支持最多128個GPT分區(qū)，而且你還不需要創(chuàng)建擴展分區(qū)。

在MBR磁盤上，分區(qū)和啟動信息是保存在一起的。如果這部分數(shù)據(jù)被覆蓋或破壞，事情就麻煩了。相對的，GPT在整個磁盤上保存多個這部分信息的副本，因此它更為健壯，并可以恢復被破壞的這部分信息。GPT還為這些信息保存了循環(huán)冗余校驗碼（CRC）以保證其完整和正確——如果數(shù)據(jù)被破壞，GPT會發(fā)覺這些破壞，并從磁盤上的其他地方進行恢復。而MBR則對這些問題無能為力——只有在問題出現(xiàn)后，你才會發(fā)現(xiàn)計算機無法啟動，或者磁盤分區(qū)都不翼而飛了。

現(xiàn)代操作系統(tǒng)也同樣支持GPT。Linux內建了GPT支持。蘋果公司基于Intel芯片的MAC電腦也不再使用自家的APT（Apple Partition Table），轉而使用GPT。

如果現(xiàn)在要進行分區(qū)的話，推薦使用GPT對磁盤進行分區(qū)。它更先進，更健壯，所有計算機系統(tǒng)都在向其轉移。如果你需要保持對舊系統(tǒng)的兼容性——比如在使用傳統(tǒng)BIOS的計算機上啟動Windows，你需要使用MBR。

二、BERT預訓練模型

n-gram語言模型：根據(jù)前面n個詞預測當前詞，它的缺點是，一般只能取1-2，n越大計算成本越高，這就使得它關注的信息是非常局限的。

預訓練語言模型：wordvec\glove\fasttext。wordvec是根據(jù)周圍詞預測當前詞或當前詞預測周圍詞，相比于n-gram，它關注了下文，但它仍然是關注局部信息。glove通過構建詞頻共現(xiàn)矩陣來訓練詞向量，將全局信息融入到詞向量中。fasttext仍然是局部的，只是他分詞是基于subword，對于oov詞相對友好。三者共同的缺點是，無法解決一詞多義問題。

高級語言模型：elmo\GPT，elmo采用1層靜態(tài)向量+2層單向LSTM提取特征，并且能夠解決一詞多義，elmo是一個雙向語言模型，但實際上是兩個單向語言模型（方向相反）的拼接，這種融合特征的能力比 BERT 一體化融合特征方式弱。GPT采用Transformer的decoder單元提取特征，同樣也可以解決一詞多義問題，但GPT是單向的。所以，對上下文信息的融合，二者能力還不夠。

bert是雙向語言模型，句子沒有shift_mask操作，所以是完整的上下文環(huán)境，證實了雙向語言模型對文本特征表示的重要性。bert同時證實了預訓練模型能夠簡化很多繁重任務的網(wǎng)絡結構，在11個nlp任務上都有顯著提升。

bert采用Transformer的encoder單元提取特征，encoder中包含幾個重要的機制：self-attention、muti-head attention、position encoding。

bert分為bert_base和bert_large大小兩個模型，bert_base采用了12個encoder單元，768維隱藏層，12個attention。bert_base采用了24個encoder單元，1024維隱藏層，16個attention。

input：單句或句對組合，有[cls]作為句子開頭的標記，[sep]作為句子分隔和結束的標記。

token embedding：對于英文采用WordPiece embeddings，也就是一個單詞會被拆成詞根詞綴的，比如圖中的playing被拆成了play和ing兩個token；對于中文，就是單子拆分。

segment embedding：相鄰句子采用不同的標志分隔，形如111111111100000011111100000。

position embedding：在transformer中，單詞之間是沒有先后順序的，而語言本身是有序的，所以采用采用正余弦函數(shù)來計算每個單詞的先后順序，這種方式有點勉強，算是折中方式。

前面講到elmo也是雙向語言模型，它是采用bi-LSTM來提取特征，如下：

比如一句話：‘北京是中國的首都’，在LSTM中從左往右，預測‘中國’的時候只能看到‘北京’，從右往左，預測‘中國’的時候只能看到‘首都’，然后將兩個lstm的輸出做拼接來達到上下文信息融合的目的。其實是沒有完全做到雙向，只是以結構的改變來接近雙向語言模型。真正的雙向是預測‘中國’的時候，需要同時看到‘北京’和‘首都’。由此，mask LM產(chǎn)生了。

mask LM的原理是將‘中國’遮蓋住，同時用‘北京’和‘首都’來預測‘中國’?！本汀锥肌?lián)系起來語言模型很容易聯(lián)想到就是‘中國’啦。這個思想和wordvec的CBOW模型如出一轍，就是用周圍詞預測當前詞，只是這個思想放在厲害的transformer中，便能大顯其能。

BERT的mask方式：在選擇mask的15%的詞當中，80%情況下使用mask掉這個詞，10%情況下采用一個任意詞替換，剩余10%情況下保持原詞匯不變。這樣mask的優(yōu)點是什么？

1）被隨機選擇15%的詞當中以10%的概率用任意詞替換去預測正確的詞，相當于文本糾錯任務，為BERT模型賦予了一定的文本糾錯能力；

2）被隨機選擇15%的詞當中以10%的概率保持不變，緩解了finetune時候與預訓練時候輸入不匹配的問題（預訓練時候輸入句子當中有mask，而finetune時候輸入是完整無缺的句子，即為輸入不匹配問題）。

在Mask LM任務中，模型學到了詞與詞之間的關系，而NSP任務是要模型學到句子與句子之間的關系，比如問答、推理等。它將訓練語料分為兩類，一是將50%語料構建成正常語序的句子對，比如A-B句子對，B就是A的實際下一個句子，并做標記為isnext；二是將50%語料構建成非正常語序句子對，B是來自語料庫的隨機句子，并做標記為notnext。然后通過對句子對的關系做分類，預測B到底是不是A句子的下一個句子，使模型具有句子級別的識別能力。

微調的目的在于我們的任務與bert預訓練任務是不一致的，但是bert是非常好的語言模型，他具備提取詞法和句法的強大能力。將bert嵌入到我們的網(wǎng)絡結構中，能夠簡化在語言模型方面的復雜結構。只需要將輸入做成和bert適配的格式就行，而在bert后面接上全連接、CNN等簡單模型進行訓練，就能夠使訓練得到一個比較好的效果。

GPT 和 BERT 都采用Transformer，Transformer 是encoder-decoder 結構，GPT 的單向語言模型采用 decoder 部分，decoder 的部分見到的都是不完整的句子；BERT 的雙向語言模型則采用 encoder 部分，采用了完整句子。他倆最主要的區(qū)別在于BERT是雙向語言模型，更適合文本分類等任務，GPT是單向語言模型，更適合生成式任務。

1）低層網(wǎng)絡捕捉了短語級別的結構信息

2）表層信息特征在底層網(wǎng)絡（3，4），句法信息特征在中間層網(wǎng)絡（6~9），語義信息特征在高層網(wǎng)絡。（9~12）

3）主謂一致表現(xiàn)在中間層網(wǎng)絡（8，9）

1）ROBERTA

•靜態(tài)mask->動態(tài)mask：在bert中每一個epoch被mask的是相同的詞，而ROBERTA在每一個epoch結束，重新隨機15%的詞，使不同的詞被mask。

•去除句對NSP任務，輸入連續(xù)多個句子：在bert中最長是512個token，輸入單句或者句對不容易把512個token占滿，ROBERTA輸入更多句子占滿512個坑位。

•訓練使用更多數(shù)據(jù) 更大batch size 更長時間

2）ALBERT

•減少參數(shù)：詞表 V 到隱層 H 的中間，插入一個小維度 E，即一個VxH的embedding變成兩個VxE, ExH的兩個fc。

•共享所有層的參數(shù)：Attention 和 FFN，在bert中每一層的Attention 和 FFN的參數(shù)是不一樣的。

•SOP 替換 NSP：負樣本換成了同一篇文章中的兩個逆序的句子，bert中是A-->B和A-->隨機，ALBERT中是A-->B，B-->A。

•BERT對MASK 15% 的詞來預測。ALBERT 預測的是 n-gram 片段，包含更完整的語義信息。

•訓練數(shù)據(jù)長度：90%取512，BERT90% 128

•對應BERT large：H:1024 ->4096  L:24->12  窄而深->寬而淺

三、硬盤GPT分區(qū)與MBR分區(qū)的有什么區(qū)別？

MBR的局限性

MBR的意思是“主引導記錄”，最早在1983年在IBM PC DOS

2.0中提出。

之所以叫“主引導記錄”，是因為它是存在于驅動器開始部分的一個特殊的啟動扇區(qū)。這個扇區(qū)包含了已安裝的操作系統(tǒng)的啟動加載器和驅動器的邏輯分區(qū)信息。所謂啟動加載器，是一小段代碼，用于加載驅動器上其他分區(qū)上更大的加載器。如果你安裝了Windows，Windows啟動加載器的初始信息就放在這個區(qū)域里——如果MBR的信息被覆蓋導致Windows不能啟動，你就需要使用Windows的MBR修復功能來使其恢復正常。如果你安裝了Linux，則位于MBR里的通常會是GRUB加載器。

MBR支持最大2TB磁盤，它無法處理大于2TB容量的磁盤。MBR還只支持最多4個主分區(qū)——如果你想要更多分區(qū)，你需要創(chuàng)建所謂“擴展分區(qū)”，并在其中創(chuàng)建邏輯分區(qū)。

MBR已經(jīng)成為磁盤分區(qū)和啟動的工業(yè)標準。

GPT的優(yōu)勢

GPT意為GUID分區(qū)表。（GUID意為全局唯一標識符）。這是一個正逐漸取代MBR的新標準。它和UEFI相輔相成——UEFI用于取代老舊的BIOS，而GPT則取代老舊的MBR。之所以叫作“GUID分區(qū)表”，是因為你的驅動器上的每個分區(qū)都有一個全局唯一的標識符（globally

unique

identifier，GUID）——這是一個隨機生成的字符串，可以保證為地球上的每一個GPT分區(qū)都分配完全唯一的標識符。

這個標準沒有MBR的那些限制。磁盤驅動器容量可以大得多，大到操作系統(tǒng)和文件系統(tǒng)都沒法支持。它同時還支持幾乎無限個分區(qū)數(shù)量，限制只在于操作系統(tǒng)——Windows支持最多128個GPT分區(qū)，而且你還不需要創(chuàng)建擴展分區(qū)。

在MBR磁盤上，分區(qū)和啟動信息是保存在一起的。如果這部分數(shù)據(jù)被覆蓋或破壞，事情就麻煩了。相對的，GPT在整個磁盤上保存多個這部分信息的副本，因此它更為健壯，并可以恢復被破壞的這部分信息。GPT還為這些信息保存了循環(huán)冗余校驗碼（CRC）以保證其完整和正確——如果數(shù)據(jù)被破壞，GPT會發(fā)覺這些破壞，并從磁盤上的其他地方進行恢復。而MBR則對這些問題無能為力——只有在問題出現(xiàn)后，你才會發(fā)現(xiàn)計算機無法啟動，或者磁盤分區(qū)都不翼而飛了。

兼容性

使用GPT的驅動器會包含一個“保護性MBR”。這種MBR會認為GPT驅動器有一個占據(jù)了整個磁盤的分區(qū)。如果你使用老實的MBR磁盤工具對GPT磁盤進行管理，你只會看見一個占據(jù)整個磁盤的分區(qū)。這種保護性MBR保證老式磁盤工具不會把GPT磁盤當作沒有分區(qū)的空磁盤處理而用MBR覆蓋掉本來存在的GPT信息。

在基于UEFI的計算機系統(tǒng)上，所有64位版本的Windows

8.1、8、7和Vista，以及其對應的服務器版本，都只能從GPT分區(qū)啟動。所有版本的Windows

8.1、8、7和Vista都可以讀取和使用GPT分區(qū)。

其他現(xiàn)代操作系統(tǒng)也同樣支持GPT。Linux內建了GPT支持。蘋果公司基于Intel芯片的MAC電腦也不再使用自家的APT（Apple

Partition Table），轉而使用GPT。

我們推薦你使用GPT對磁盤進行分區(qū)。它更先進，更健壯，所有計算機系統(tǒng)都在向其轉移。如果你需要保持對舊系統(tǒng)的兼容性——比如在使用傳統(tǒng)BIOS的計算機上啟動Windows，你需要使用MBR。

四、BERT：深度雙向預訓練語言模型

論文標題：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

論文鏈接： https://arxiv.org/abs/1810.04805

BERT（Bidirectional Encoder Representations from Transformers）通過預訓練來學習無標注數(shù)據(jù)中的深度雙向表示，預訓練結束后通過添加一個額外的輸出層進行微調，最終在多個NLP任務上實現(xiàn)了SOTA。

預訓練語言模型在實踐中證明對提高很多自然語言處理任務有效，其中包括句子層級的任務，比如自然語言推斷（natural language inference）和復述（paraphrasing），還有token層級的任務，比如命名實體識別（named entity recognition）和問答（question answering）。

在下游任務中應用預訓練語言模型表示的方法有兩種：feature-based的方法和fine-tuning的方法。舉例來說，ELMo這種預訓練語言模型使用feature-based的方法，通過將ELMo的預訓練的表示作為額外的特征輸入到特定于任務的模型中去；GPT使用fine-tuning的方法，通過引入少量的特定于任務的參數(shù)，在下游任務中訓練時所有的預訓練參數(shù)。

截止BERT之前的預訓練語言模型都是單向的（unidirectional），包括GPT和ELMo，這樣的方法對句子層級的任務不是最優(yōu)的，而且對于token層級的任務比如問答非常有害。BERT使用masked language model（MLM）的方法來預訓練，這種方法能夠訓練一個雙向的（directional）語言模型。除了masked language model的預訓練的方法，BERT還使用了next sentence prediction的預訓練方法。

BERT的使用分為兩個階段：預訓練（pre-training）和微調（fine-tuning）。預訓練階段模型通過兩種不同的預訓練任務來訓練無標注數(shù)據(jù)。微調階段模型使用預訓練參數(shù)初始化，然后使用下游任務（downstream task）的標注數(shù)據(jù)來微調參數(shù)。

BERT的一個顯著特點是它在不同的任務上有統(tǒng)一的架構，使用時只需要在BERT后面接上下游任務的結構即可使用。

BERT的模型架構是一個多層雙向的Transformer的encoder。我們標記模型的層數(shù)（每一層是一個Tranformer的block）為 ，模型的hidden size為 ，self-attention head的數(shù)量為 。兩個比較通用的BERT架構為 和 。

對比GPT，BERT使用了雙向self-attention架構，而GPT使用的是受限的self-attention， 即限制每個token只能attend到其左邊的token。

BERT的輸入表示能夠是一個句子或者是一個句子對，這是為了讓BERT能夠應對各種不同的下游任務。BERT的輸入是一個序列，該序列包含一個句子的token或者兩個句子結合在一起的token。

具體地，我們會將輸入的自然語言句子通過 WordPiece embeddings 來轉化為token序列。這個token序列的開頭要加上 [CLS] 這個特殊的token，最終輸出的 [CLS] 這個token的embedding可以看做句子的embedding，可以使用這個embedding來做分類任務。

由于句子對被pack到了一起，因此我們需要在token序列中區(qū)分它們，具體需要兩種方式：

①在token序列中兩個句子的token之間添加 [SEP] 這樣一個特殊的token；

②我們?yōu)槊總€token添加一個用來學習的embedding來區(qū)分token屬于句子A還是句子B，這個embedding叫做segment embedding。

具體地，BERT的輸入由三部分相加組成：token embeddings、segment embeddings和position embeddings。如下圖所示：

BERT使用兩個無監(jiān)督的任務進行預訓練，分別是Masked LM和Next Sentence Prediction(NSP)。如下圖所示，我們定義輸入的embedding為 ，BERT最終輸出的 [CLS] 的embedding為 ，最終輸出的第 個token的embedding為 。

我們有理由相信一個深度雙向模型比left-to-right模型和left-to-right和right-to-left簡單連接的模型的效果更加強大。不幸的是，標準的條件語言模型只能夠夠left-to-right或者right-to-left地訓練，這是因為雙向條件會使每個token能夠間接地“看到自己”，并且模型能夠在多層上下文中簡單地預測目標詞。

為了能夠雙向地訓練語言模型，BERT的做法是簡單地隨機mask掉一定比例的輸入token（這些token被替換成 [MASK] 這個特殊token），然后預測這些被遮蓋掉的token，這種方法就是Masked LM(MLM)，相當于完形填空任務（cloze task）。被mask掉的詞將會被輸入到一個softmax分類器中，分類器輸出的維度對應詞典的大小。在預訓練時通常為每個序列mask掉15%的token。與降噪自編碼器（denoising auto-encoders）相比，我們只預測被mask掉的token，并不重建整個輸入。

這種方法允許我們預訓練一個雙向的語言模型，但是有一個缺點就是造成了預訓練和微調之間的mismatch，這是因為 [MASK] 這個token不會在微調時出現(xiàn)。為了緩解這一點，我們采取以下做法：在生成訓練數(shù)據(jù)時我們隨機選擇15%的token進行替換，被選中的token有80%的幾率被替換成 [MASK] ，10%的幾率被替換成另一個隨機的token，10%的幾率該token不被改變。然后 將使用交叉熵損失來預測原來的token。

一些重要的NLP任務如Question Answering (QA)或者Natural Language Inference (NLI)需要理解句子之間的關系，而這種關系通常不會被語言模型直接捕捉到。為了使得模型能夠理解句子之間的關系，我們訓練了一個二值的Next Sentence Prediction任務，其訓練數(shù)據(jù)可以從任何單語語料庫中生成。具體的做法是：當選擇句子A和句子B作為訓練數(shù)據(jù)時，句子B有50%的幾率的確是句子A的下一句（標簽是 IsNext ），50%的幾率是從語料庫中隨機選擇的句子（標簽是 NotNext ）。 [CLS] 對應的最后一個隱層輸出向量被用來訓練NSP任務，這個embedding就相當于sentence embedding。雖然這個預訓練任務很簡單，但是事實上在微調時其在QA和NLI任務上表現(xiàn)出了很好的效果。在前人的工作中，只有sentence embedding被遷移到下游任務中，而BERT會遷移所有的參數(shù)來初始化下游任務模型。

Transformer的self-attention機制允許BERT建模多種下游任務。對于包含句子對的任務，通常的做法是先獨立地對句子對中的句子進行編碼，然后再應用雙向交叉注意（bidirectional cross attention）。而BERT使用self-attention機制統(tǒng)一了這兩個過程，這是因為對拼接起來的句子對進行self-attention有效地包含了兩個句子之間的雙向交叉注意（bidirectional cross attention）。

對于每個任務來說，我們只需要將任務特定的輸入輸出插入到BERT中然后端到端地微調即可。舉例子來說，BERT的預訓練輸入句子A和句子B在微調時可以類比為：

①paraphrasing任務中的句子對；

②entailment任務中的hypothesis-premise對；

③question answering任務中的question-passage對；

④text classification或者sequence tagging任務中的text-∅對（也就是只輸入一個text，不必一定需要兩個句子）。

對于BERT的輸出，對于一些token-level的任務，BERT的token表示將被輸入到一個輸出層，比如sequence tagging或者question answering任務；對于entailment或者sentiment analysis這樣的任務，可以將 [CLS] 對應的表示輸入到一個輸出層。

我們使用 [CLS] 這個token的最后一層的隱層向量 作為聚合的表示，可以認為是sentence embedding。在微調時只引入一個新的權重 ，這里的 代表標簽的數(shù)量，然后計算標準分類損失 。下圖展示了BERT在GLUE上的效果：

在這個數(shù)據(jù)集上，我們將question和passage拼接起來作為一個輸入序列（中間是 [SEP] ）。在微調時引入一個start向量 和一個end向量 ，計算 和 的點積然后通過 函數(shù)作為word 是答案的span起始位置的概率： 。答案的終止位置也做上述類似處理。從 到 的候選區(qū)間的得分記作 ，我們挑選 的最大得分區(qū)間作為預測的結果。下圖展示了BERT在SQuAD v1.1上的效果：

SQuAD v2.0有的question在提供的passage中沒有答案存在。在微調時我們設置沒有答案的問題的span的起始和結束位置都是 [CLS] 這個token，也就是start和end的可能性空間包含進了 [CLS] 的位置。在預測時，我們比較沒有答案的span得分 和最優(yōu)的有答案得分 。當 時，我們預測這是一個有答案的問題，這里的 用來在dev set上選擇最優(yōu)的 。下圖展示了BERT在SQuAD v2.0上的效果：

微調時我們?yōu)锽ERT構建4個輸入序列，每一個是所給的句子（句子A）和一個可能的延續(xù)（句子B）。然后引入一個向量，該向量和每一個輸入對應的 [CLS] 的embedding的點積再通過一個 層來得到每個選擇的得分。下圖展示了BERT在SWAG上的效果：

以上就是關于gpt和bert區(qū)別相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內容。

推薦閱讀：

chatGPT怎么登陸（chatroulette怎么登錄）

chatGPT翻譯語音（chat online翻譯）

chatGPT火熱原因

新農(nóng)村景觀設計特點有（新農(nóng)村景觀設計特點有哪些方面）

小組隊標logo簡筆畫