国科大模式识别与机器学习这几个年份的真题我做了一份整理复盘今天拿出来聊聊。先说背景这门课在国科大是很多工科和理科方向研究生的必修或选修课内容覆盖面广从经典统计分类到深度学习都有涉及考试风格和本科阶段的机器学习课程有明显差异。2015到2019年的题加上2021年和2023年的题我前后过了三轮一个很直接的感受是这门课的考题并不像很多人想象的那样“只要背熟课件就能拿高分”它真正在考的是你有没有把整个模式识别的框架串起来。如果你正在准备这门课的考试或者打算选修但还没摸清套路这篇文章会给你一个比较完整的地图。先说结论国科大这门课的考题核心逻辑是“理解框架 推导能力 关键概念辨析”不是单纯的记忆型考试。下面我按章节和题型两个维度拆开讲。1. 课程与考试整体认知这门课到底在考什么在谈具体题目之前有必要先弄清楚一个底层问题国科大的模式识别与机器学习和市面上常见的“西瓜书”风格课程、或者李宏毅老师的ML课程到底有什么区别。这个认知如果你没有对齐后面复习方向很容易跑偏。国科大这门课的整体定位比较偏“经典模式识别”加“现代机器学习基础”的混合体而且更倾向于前者。这意味着它在贝叶斯决策理论、参数估计、线性分类器、支持向量机这些“古典内容”上花的时间非常多深度学习相关内容倾向作为扩展和前沿介绍来讲而不是主线。这和你在热词里看到的“李宏毅机器学习”“西电机器学习期末”那些更偏现代深度学习的课程有本质区别复习的时候千万不要拿错剧本。从历年考题2015-2019、2021、2023来看考试的重心可以归纳为三个层面概念辨析层面考察你是否理解不同方法之间的区别与联系比如生成模型和判别模型的区别、贝叶斯估计和极大似然估计的区别、硬分类和软分类的区别。这种题的典型问法是“简述”“比较”“说明为什么”看起来不痛不痒但拿全分其实很考验表达逻辑。数学推导层面这是国科大考试的重头戏。比如给定一个具体的概率模型让你推导极大似然估计的闭式解给定一个损失函数让你推导梯度更新公式给定一个约束优化问题让你用拉格朗日乘子法推出对偶形式。这些题本质上是在考察你有没有真正动手推导过而不只是“看懂了”。算法流程与性质分析层面让你写出某个算法的完整步骤、分析它的时间复杂度、说明它的收敛性或者在给定小样本数据上手动执行一轮迭代。再结合我手头这些年的真题分布来看学科知识点权重也有一些规律。贝叶斯决策与参数估计几乎每年都会出现且占比很高线性模型与分类器LR、Fisher、感知机属于中高频SVM与核方法是中高频但更偏推导和概念理解聚类与无监督学习几乎每年一道但难度一般神经网络与深度学习部分占比相对低一些但2021年和2023年有明显上升降维与特征选择则属于“时有时无出现即送分”的部分。看完整体布局你大概就能明白为什么我一开始说“背熟课件”不够用了。接下来我逐个章节展开讲讲具体考什么以及对应的复习策略。2. 核心章节考查版图每一个知识点的考法与应对2.1 贝叶斯决策理论与分类器设计全卷的定海神针贝叶斯决策理论是这门课最核心、也最常考的知识群基本上每年大题必占一席有时候甚至占两道。这不是偶然的因为它把“概率建模”“损失函数”“决策规则”三者串在了一起恰恰是模式识别最本质的东西。历年真题在这个知识点上的考法主要有三种第一种是最小错误率贝叶斯决策的直接计算题。给定两类的类条件概率密度通常是高斯分布再给先验概率让你求决策边界、求某个样本的分类、计算最小错误率。这类题关键要掌握对数似然比的处理方法以及在高斯假设下决策边界退化为线性或二次函数的推导过程。2015年和2017年都出过比较典型的这种题2017年那道还特意把两类协方差矩阵设成相同值考察学生是否意识到此时判别界面是一个超平面。第二种是最小风险贝叶斯决策。这类题比第一种略复杂引入了损失矩阵需要你计算出条件风险再比较大小。这里面容易出错的点在于很多同学会把“后验概率最大”和“风险最小”搞混。我建议复习时你要理解透一句话最小错误率准则是最小风险准则在0-1损失下的特例。2016年和2018年在这上面连续出过文章2018年那道还刻意给了一个不对称的损失矩阵导致最优决策和最大后验决策的结果不一样需要你敏锐察觉。第三种是朴素贝叶斯分类器的设计与计算。这个相对温和通常给一个离散特征的小数据集让你估计先验和条件概率然后分类一个新样本。这里要特别注意拉普拉斯平滑的处理因为如果某个特征取值在训练集中没出现概率直接变零的话整个结果就是错的。2021年考了一道朴素贝叶斯并且明确要求“说明为什么需要平滑处理”这种追问就是典型的“概念辨析”。复习建议不要只背贝叶斯公式你要能从风险最小化出发把整个贝叶斯决策框架重新推一遍做到“合上笔记本从零开始写出”最小错误率准则、最小风险准则、似然比检验、判别函数这几个东西之间的关系。具体来说你可以在白纸上默写这样一条推导链先验 类条件概率 - 后验概率 - 条件风险 - 决策规则然后针对高斯分布这个特例把边界方程推出来。2.2 参数估计极大似然与贝叶斯估计的“相爱相杀”参数估计这一块也是历年必考主要围绕极大似然估计MLE和贝叶斯估计Bayesian Estimation展开。MLE的考点非常固定就是给定分布推导参数估计的闭式解。最常见的是一维或多元高斯分布的均值和协方差估计也有考过多项分布参数估计、指数分布参数估计的情况。2015年考了一元高斯2016年考了多元高斯要你推出均值向量和协方差矩阵的估计式2019年考的是在已知方差的情况下估计均值。这类题属于“如果你平时动笔推过考场上就是送分如果没推过只看了公式就会卡在求导和矩阵运算上”。这里有一个非常关键的矩阵求导细节多元高斯对协方差矩阵求导时会涉及迹运算和行列式求导公式比如 d log|Σ| tr(Σ^{-1} dΣ)这是大多数同学一开始会卡住的地方。复习时你最好把《Matrix Cookbook》里那几个最常用的公式抄出来对照推导一遍不要偷懒。贝叶斯估计的考法和MLE完全不同它更注重概念。你需要掌握的是先验分布、似然函数、后验分布这三者的关系以及如何利用共轭先验来简化计算。常考的一个例子是已知似然是伯努利分布选Beta分布作为先验求后验分布并说明它与极大似然估计的区别。2018年还考过一个比较有意思的题给定一组数据要求分别用MLE和贝叶斯估计来估计参数然后比较两种结果在训练样本少的时候的差异并解释为什么贝叶斯估计有“正则化”效果。这种题如果你只是背定义是答不出深度来的你要真正理解“先验相当于虚拟样本”这个直觉化解释。另外有一个高频但容易被忽视的概念极大后验估计MAP。很多同学会把MAP和贝叶斯估计搞混。这里我说一个当年我自己的理解方式MAP是“后验分布的峰值点”贝叶斯估计是“后验分布的期望或完整积分结果”前者得到的是一个点估计后者得到的是一个分布。考试时如果让你“求MAP估计”你的做法是在MLE的目标函数后面加上先验的对数项然后一起优化。2019年和2023年都涉及这个概念2023年那次还和正则化联系起来了问你“L2正则化等价于什么样的先验”这个连接性是真题里少见的跨章节串考点。2.3 线性分类器感知机、Fisher线性判别与逻辑回归这一章的知识点密集度很高也容易出大题。从历年真题来看感知机、Fisher判别、逻辑回归这三兄弟几乎每年至少有一个出场偶尔还会组团出场。感知机的考法主要是两类一是让你写出感知机算法的完整步骤然后用一个小数据集通常是二维平面上的几个点手算执行几轮迭代观察权重变化二是考感知机的收敛性和线性可分性之间的关系。2015年考过前者2017年考过“感知机是否一定能收敛为什么”。第一类考题要特别注意学习率的取值会影响收敛速度但在线性可分条件下不影响最终是否收敛第二类考题要答出“感知机收敛定理的前提是训练数据线性可分而线性不可分时算法会震荡不收敛”这个关键点。Fisher线性判别的核心是“找一个投影方向使类间散度尽可能大、类内散度尽可能小”。真题通常给你两类二维数据让你计算类内散度矩阵和类间散度矩阵然后求解最佳投影方向 w。这类题的难点在矩阵运算的细节——Sw类内散度怎么算、Sb类间散度怎么定义、最终的优化目标为什么是最大化 J(w) (w^T Sb w) / (w^T Sw w)以及求解时为什么最终转化为广义特征值问题。2016年和2019年都出过完整的Fisher判别计算题套路高度相似。逻辑回归在国科大考题里更偏向“模型推导题”。一个典型的出题方式给定二分类逻辑回归的似然函数要求写出对数似然、推导梯度、给出梯度上升/下降更新公式然后解释为什么不能用最小二乘误差。2021年出了一道很综合的题把逻辑回归的梯度推导和牛顿法求参结合起来要求你对比两种优化方法的收敛特性。这道题的区分度很高因为很多人知道梯度公式但不会推导知道牛顿法但没想过它能用到逻辑回归上。这三块内容的复习逻辑我建议按“统一视角”来学它们本质上都是在定义不同的决策面或决策函数区别在于如何定义损失函数——感知机用误分类点驱动的损失Fisher用类间类内散度比逻辑回归用条件似然的负对数。如果你能把它们放在同一个框架下比较遇到“简述感知机、Fisher判别和逻辑回归的异同”这类论述题时就能答得很有条理。2023年还真出了这么一道综合比较题分值还不低。3. 支持向量机与核方法推导是灵魂SVM在国科大这门课的考题中出现的频率很稳定基本上属于“至少一道大题或者一道大题中的一大问”。但它的考法和别的高校很不一样它非常重视从间隔最大化到对偶问题的完整推导链条。先看间隔的基本概念。题目可能会给定一个简单的二维数据让你写出最大间隔超平面的方程计算几何间隔和函数间隔的关系甚至手动求解一个简单问题的SVM。比如2016年有一道题给定三个点两类各一个支持向量和一个普通点让你求最大间隔分类器的决策边界。这道题如果你理解了几何间隔的本质可以直接用“决策边界是两个类别的支撑向量连线的中垂线”这个几何直觉来快速求解省去大量计算。再看对偶形式推导。这是SVM最常考的推导题从原始优化问题出发写出拉格朗日函数令其对 w 和 b 的偏导为零回代得到对偶问题然后说明KKT条件。2015、2017、2019、2023四年都非常直接地考了这个链条只是形式略有不同有时候让你用hinge loss来解释有时候让你推导软间隔版本2023年还专门加了一问“说明支持向量在最终决策函数中的作用”考察你是否理解“决策函数只依赖支持向量”这个稀疏性特点。核方法部分的考法则更偏概念理解和应用。常考的点包括核函数的定义Mercer条件、常见核函数类型线性核、多项式核、高斯核/RBF核、核技巧的核心思想把低维非线性问题映射到高维线性问题避免显式计算高维内积而是用核函数直接计算内积。2021年出了一个很典型的题给定一个具体的二维到三维的特征映射 ϕ(x)要求你写出对应的核函数 K(x, z)并验证它是否是一个合法的核。这类题的解题要点是先写出 K(x,z)ϕ(x)·ϕ(z) 的展开形式再看它是否能分解成关于 x,z 的某种函数的乘积或满足正定性。复习SVM时我个人的建议是把“从感知机到SVM再到核SVM”这条演近线梳理清楚。感知机找的是任意一个能正确分类的超平面SVM在感知机的基础上要求间隔最大化核SVM在SVM的基础上解决了非线性可分问题。这个递进关系是理解整个支持向量机体系的关键也是论述题里常用的答题框架。4. 无监督学习聚类与降维的小题大做无监督学习在国科大考试中占比不如监督学习高但基本是年年有题而且以小题简答或计算为主处在“送分但有陷阱”的位置。想拿高分的同学这一块尽量不要丢分。聚类方面K-means是绝对的主角。它的考法非常固定给定几个点要求列出执行K-means时每一轮的簇分配和质心更新结果。2015年和2018年各考过一道2021年又考了一次类似的。这种题最怕“起始中心选择不同导致结果不同”这件事没说清楚考卷上一般会指定初始质心你按步骤算就行。但有一个隐藏考点K-means的收敛性保障是“单调下降目标函数直到局部最优”不是“全局最优”。2018年那道题最后一问问的是“K-means一定能找到全局最优聚类吗为什么”你要是只答“能”就直接掉坑了。除了K-means高斯混合模型GMM与EM算法的考频也在增加。这有点出乎意料因为EM算法本身推导较复杂不太适合笔试计算但命题组会以“简述EM算法的E步和M步在GMM中的具体操作”“为什么不能直接用MLE对GMM求解”这类问法来考。2023年就出了一道结合具体小数据集的GMM迭代题虽然数据量很小但它考的是你对“软分配”和“硬分配”区别的理解值得特别注意。降维方面PCA几乎是唯一出场选手。考法是两种一种是给你协方差矩阵让你求特征值和特征向量然后取最大特征值对应的方向作为主方向另一种是概念性简答比如“为什么PCA要中心化”或“PCA和线性判别分析LDA有什么区别”。2017年考过第一种2019年考过第二种。LDA作为监督降维偶尔也会出现通常与Fisher判别结合出题复习时可以放在一起理解。这块复习的核心是不要死记硬背算法步骤而是弄清几个根本问题K-means的损失函数是什么为什么交替迭代能收敛PCA为什么要找最大方差方向PCA和LDA在“保留信息”这件事上的目标有何不同把这些底层逻辑想明白了无论题目怎么变化都能应对。5. 从真题看命题趋势深度学习占比上升与题型演变我把手头这八个年份的真题按时间轴对比之后发现了几个明显的趋势这里单独拿出来说一说。趋势一深度学习内容从无到有、从选做到必做。2015和2016年的考题里几乎不含神经网络和深度学习的题目最多就是概念性提及。但从2017年开始每年都出现至少一道关于神经网络或深度学习的题。2017年考的是反向传播的简单计算2018年考了CNN的基本组件及其作用2019年考了“为什么深层网络比浅层网络在图像任务上表现更好”这种开放性问题2021年和2023年更是把深度学习内容的占比提高到了接近20%。这意味着如果你完全放弃这块内容考试会很被动。趋势二论述题和比较题的比重逐步增加。2015年的时候试卷里大部分是计算题和推导题简答题也偏“背概念”。到2019年以后出现了越来越多的“请比较”“请说明理由”“请分析优缺点”这类带有论述性质的题目。比如2021年有一道题是“比较生成模型与判别模型在分类任务中的优缺点并各举一个例子”2023年又出现了“比较Bagging与Boosting的异同”这种综合问题。这种题目没有标准答案答题时要有清晰的逻辑框架和具体的例子支撑单纯罗列知识点得不了高分。趋势三对“手动计算”能力的要求从未降低。虽然深度学习等现代内容进来了但传统的“给定小数据手动执行算法”的题型依然稳定出现。K-means手算、感知机迭代、贝叶斯分类计算、PCA特征分解这些体力活每年必有一到两道。这种趋势说明命题人非常看重学生是否真的理解算法的每一步在做什么而不只是会调用sklearn。这对复习方式影响很大后面我会专门说怎么练。趋势四跨章节综合题增多。早期的题目基本上是“一章一题”贝叶斯就是贝叶斯SVM就是SVM彼此独立。但最近几年跨章节串联的题目越来越明显。我印象最深的是2023年那道把贝叶斯决策、生成模型、逻辑回归放在一起的综合题它给你一个场景先要求构建生成模型做分类再要求改用判别模型逻辑回归做分类最后让你比较两种方法的效果差异。这道题如果平时学习是“各章孤立地背公式”基本无从下笔。6. 复习路线与实操方法八年真题应该怎么用才最有效很多人拿到历年真题的第一反应是“赶紧做一遍”但我要说的是真题不是用来“做”的是用来“拆”的。同样一份真题你用的方式不同收获天差地别。首先按章节和考点把八年真题做一次“考点映射表”。手动整理一份Excel或表格横轴是年份纵轴是知识点贝叶斯决策、MLE、感知机、Fisher、逻辑回归、SVM、核方法、K-means、GMM、PCA、神经网络等然后逐年标记每道题对应的格子。这份映射表一旦做出来每一个知识点的出题频率、出现间隔、命题形式全都一目了然。比如你很快就能发现贝叶斯决策几乎每两年必考一道大题而不是年年考SVM的对偶推导2015、2017、2019、2023年考了基本上是隔年出现而K-means则是以每三四年一次的频率出现。有了这张表复习优先级和精力分配就非常清晰了。其次把真题当作“推导练习题”而不是“检验卷”。国科大这门课的计算题和推导题你直接对着题目做做完对答案效果一般。更好的做法是拿到一道推导题先盖住答案按照自己的理解从头到尾推一遍推到卡住的地方就停下来对照课件看看卡点在哪里然后重新推。这个过程比“做对了”重要得多。我当时复习SVM对偶形式前后完整地推了六遍前两遍卡在小于号的拉格朗日乘子符号上后两遍卡在KKT条件的互补松弛上直到第五、六遍才做到全程无卡顿。这种反复不是浪费时间而是一种主动查漏。第三建立“手算题库”专项练习。既然命题人钟爱“小数据手动执行算法”你得专门练这个能力。具体方法是把历年真题里的所有手算类题目感知机迭代、K-means迭代、贝叶斯分类计算、Fisher判别、PCA计算全部抽出来集中火力练熟。练习要求是“不看任何参考仅凭纸笔算出最终结果”当成一次小测来做。如果连这些基础的计算都会出错那考场上大概率会更紧张出错率更高。第四有意识地积累“论述题答题框架”。针对近年越来越多论述题我的建议是每复习完一个章节用自己的话写一段“这个算法的核心思想是什么它解决什么问题有什么优缺点和什么算法有对比关系”的文字。比如复习完SVM你就写一段“SVM通过最大化间隔来提升泛化能力使用核技巧处理非线性问题优点是鲁棒性好、在高维空间表现好、决策函数只依赖支持向量缺点是训练时间长、对参数敏感、不直接输出概率”。这样写过的框架在考场上遇到变体论述题也能快速组织答案。很多时候我们觉得论述题难其实不是不知道知识点而是脑子里没有现成框架临时组织语言就会啰嗦且漏点。最后很多同学问要不要做别的学校的真题。我的建议是如果你时间充裕可以做一下其他高校比如西电、山大的期末题作为补充但千万不要以它们为主。因为国科大这门课的命题风格和知识点偏向与多数高校有明显差异它的推导占比更高、概念辨析更深、更接近英文教材比如Duda那本《模式分类》或Bishop的PRML的课后题风格。做太多风格不同的题反而会扰乱你对国科大考点的敏感度。7. 高频失分点与实战排坑这些坑我替你踩过了这门课的考试有一些非常典型的失分点我在整理真题和自己模拟测试时踩过不少这里集中拿出来每条都是真实的教训。失分点一推导过程中符号不规范。数学推导题最忌讳的就是变量符号写不清楚或前后混用。比如在多元高斯分布推导时均值向量用 μ协方差矩阵用 Σ但有些同学写着写着就把 Σ 当成了求和符号或者在推导贝叶斯估计时把 x观测值和 θ参数的符号搞混导致整个推导逻辑混乱。我自己的做法是推导之前在草稿纸最上方明确列出“本节涉及的符号及其含义”推导中严格不换用。这个习惯养成了不只为考试以后写论文也用得上。失分点二概念题只答关键词不展开逻辑。这类失分最可惜。举个例子问“为什么贝叶斯估计比极大似然估计更鲁棒”很多同学只答“因为贝叶斯考虑了先验信息”然后就没下文了。但阅卷人希望看到的可能是当样本量较少时极大似然估计完全依赖数据、容易过拟合而贝叶斯估计结合了先验信息相当于引入额外约束降低了模型对有限样本的敏感度因此更鲁棒。也就是说概念题答题要尽量呈现“什么是X—为什么能用—优缺点—适用场景”的完整逻辑链而不是把所有相关术语甩在试卷上。失分点三手算类题目草稿乱导致誊写错位。K-means、感知机迭代这类题目计算步骤多、中间结果多很容易在草稿纸上算对了、誊写到答卷时抄错一个数。我的建议是这类题目直接在答题卡上按步骤写不要先在草稿纸上算完再誊写因为后续步骤的中间结果也要写在试卷上你誊抄就多了一次出错的机会。写的时候把每一次迭代的簇分配结果、质心更新结果用一个小表格列出清晰又不容易错。失分点四SVM对偶推导跳过“令偏导为零代入”这一步。这个可能是最容易被扣分的地方。很多同学推SVM对偶问题时直接从拉格朗日函数跳到对偶问题中间的关键步骤“对 w 求偏导得到 w Σ α_i y_i x_i对 b 求偏导得到 Σ α_i y_i 0代回拉格朗日函数”全部省略。但这一步恰恰是考察你理解不理解整个推导链条的核心一旦省略哪怕结果是对的阅卷人也会认为你是背下来的而不是理解推导。我的建议是SVM对偶问题每一个小步骤都在答题卡上写清楚一个字都不要省。失分点五忽视计算类题目的“验算步骤”。像Fisher判别中求 Sw、Sb 以及 PCA 中求特征值特征向量这些数值运算很容易在矩阵乘法里出错。我见过很多考生算出道特征值但代回去验证时完全对不上。这里分享一个实用的自查方法在手算PCA时算完特征向量后花十秒钟用特征方程 A v λ v 验算一下看看等式两边是否相等算Fisher判别时算完投影方向 w 后把三类点的投影值算出来看投影后类间差异是否真的大于类内差异。考场上多花这几秒钟能挽回的分数可能远超过你的想象。失分点六复习时间分配失误。很多同学花大量时间研究SVM的复杂变体、深度学习的各种新模型却忽略了最基础的贝叶斯决策和MLE推导。但实际上后者在试卷上的分值占比远高于前者。合理的复习时间分配建议是贝叶斯决策与参数估计占35%线性分类器与逻辑回归占20%SVM与核方法占20%无监督与降维占15%深度学习与现代方法占10%。8. 冲刺阶段怎么安排一周到三周的高效打法如果你离考试还有三周我建议把时间切成三段来安排每一段的侧重点完全不同。第一周是“框架重建周”。目标是关闭所有细节把整门课的知识体系和核心推导链在纸上过一遍。具体做法是和章节无关按“监督学习”和“无监督学习”两条主线画思维导图把每个算法的输入输出、假设、目标函数、优化方法、优缺点写出来。这一周不追求记住所有细节但求“合上书能说出每个算法是干什么的、和它同类的算法有哪些”。第二周是“真题攻坚周”。这个阶段的核心任务就是我已经在前面提到的“考点映射表”和“手算题库专项训练”。每天定一个主题花两到三个小时专门攻克一到两个知识点的历年真题和相似题做完之后立刻总结错因。第三周是“模拟冲刺周”。这一周的重点是适应考试节奏。建议做两件事第一抽两个完整的三个小时拿最近年份的真题比如2023年和2021年做两次全真模拟期间不翻书、不查资料、手机静音完全按考试流程走。第二针对第一次模拟中暴露的问题进行定点突破然后再做第二次模拟。注意模拟时也要注意答题时间分配根据历年真题题量和难度我个人的建议是概念简答类控制在20-25分钟推导计算类控制在60-70分钟论述题控制在30-40分钟剩余时间检查和验算。这个节奏因人而异你可以通过模拟来调整。如果你距离考试只有一周我建议你砍掉“全面复习”的妄念集中火力做三件事把所有推导题的核心步骤默写一遍SVM对偶、MLE推导、梯度更新、感知机迭代、把贝叶斯决策和参数估计这两个最高频章节的真题重复做两遍、把每章的“核心概念一句话解释”抄在一张纸上考前反复看。这些内容覆盖了试卷上最稳定拿分的部分。关于参考书我补充一句国科大这门课的风格和英文经典教材Duda《模式分类》以及Bishop《Pattern Recognition and Machine Learning》非常接近。如果你发现课件上的推导细节不够用可以优先去查这两本书。特别是Bishop的PRML它对贝叶斯估计、线性分类器、SVM的推导都写得非常优雅。但要注意这两本都是大部头不要从头到尾读只查你需要补充的知识点即可。最后再分享一个真实体会这门课的知识点和题目其实很多是“第一次学觉得破碎第二次看觉得成型第三次复盘觉得通透了”的过程。如果你第一遍复习时感觉吃力、到处都是没见过的符号先不用慌这是正常现象。我自己当年复习到第二遍的时候才慢慢感觉那些公式不再是孤立的而是可以你推我导连成一片的。这门课的考试本质上是“帮你确认你是否完成了从碎片到框架的搭建”而不是“检验你背诵能力”。顺着这个思路去准备拿高分的概率会明显大很多。