Um método de inversão de anomalia magnética que integra o módulo de atenção do bloco convolucional e as restrições de consistência física

Summary

Para enfrentar os desafios de não linearidade e não unicidade na inversão por anomalia magnética, este estudo integra o módulo CBAM com restrições de consistência física para propor um novo método de inversão com alta precisão e estabilidade, apoiando assim práticas de exploração geológica.

Abstract

A inversão de anomalias magnéticas desempenha um papel vital na exploração geológica e na identificação de estruturas subterrâneas; No entanto, sua inerente não linearidade e não singularidade continuam sendo desafios significativos. Para melhorar a precisão da inversão e a interpretabilidade do modelo, este estudo propõe um método de inversão por anomalia magnética que integra o Módulo de Atenção ao Bloco Convolucional (CBAM) com restrições de consistência física. Construído sobre uma arquitetura de rede neural convolucional, o método incorpora o módulo CBAM para aumentar a atenção da rede a canais críticos e regiões espaciais, melhorando assim a delimitação de limites e a reconstrução estrutural. Simultaneamente, um termo de consistência física baseado na matriz kernel de modelagem direta é incorporado na função de perda de erro quadrático médio para impor conformidade entre os resultados previstos e as leis físicas. Experimentos extensos de inversão usando dados sintéticos e de campo de áreas de mineração demonstram que o método proposto supera modelos convencionais de CNN em termos de localização de anomalias, reconstrução morfologica e estimativa de parâmetros de magnetização. Os resultados destacam a precisão e estabilidade superiores do método, oferecendo uma nova abordagem eficiente e confiável para a inversão de anomalias magnéticas.

Introduction

A inversão de anomalias magnéticas é uma técnica crítica no campo da exploração geofísica, desempenhando um papel significativo na revelação de estruturas geológicas subterrâneas, prospecção de recursos minerais e previsão de riscos^{geológicos 1}. Ao longo dos anos, inúmeros pesquisadores propuseram uma variedade de métodos para inversão de anomalias magnéticas, enriquecendo continuamente tanto as bases teóricas quanto as metodologias práticas nesse domínio.

Em estudos anteriores, vários algoritmos de otimização foram aplicados à inversão de anomalias magnéticas. Por exemplo, foi desenvolvido um método de otimização de colônia de formigas restrito pela litologia para processar dados magnéticos de superfície e^{furo 2}; Um algoritmo de recozimento simulado muito rápido foi empregado para inverter anomalias magnéticas associadas a estruturas semi-infinitas em forma de haste^{verticais 3}. Simultaneamente, métodos de inversão baseados em regularização têm recebido ampla atenção e avanço. O algoritmo clássico de inversão de^{Occam 4} gera modelos suaves a partir de dados de sondagem eletromagnética. Além disso, a imagem focada por inversão geofísica^{foi introduzida 5}, juntamente com a inversão eletromagnética baseada na aproximação quase^{linear 6}. Abordagens de inversão eletromagnética tridimensional incorporando restrições de suporte de gradiente mínimo e funcionais estabilizadores também foram^{propostas 7,8}. Além disso, técnicas compactas e suaves de inversão direcionadas a dados de gravidade e gradiente gravitacional expandiram muito o arcabouço metodológico^{de inversão 9,10}. Sobre a inversão tridimensional de anomalias magnéticas, vários estudos propuseram estratégias distintas de inversão 3D 11,12,13, que impulsionaram o desenvolvimento do campo. Nos últimos anos, com o advento da inteligência artificial, os métodos de aprendizado profundo têm sido cada vez mais aplicados à inversão por anomalias magnéticas. Por exemplo, redes neurais convolucionais foram utilizadas para inversão conjunta de dados gravitacionais e^{magnéticos 14}, e redes residuais profundas foram adotadas para inversão tridimensional de dados gravitacionais e^{magnéticos 15}, abrindo novas vias para pesquisa.

Além disso, um estudo de caso na região de Sharif Kandi, no Irã, empregou restrições de compactação na inversão magnética tridimensional de dados, integrando efetivamente características estruturais geológicas para melhorar a confiabilidade geológica dos resultados de^{inversão 16}. Embora foquem principalmente em dados de resistividade, estudos sobre variações temporais de estruturas de resistividade vulcânica fornecem insights valiosos sobre abordagens de inversão em escala de tempo múltiplas que podem informar a inversão dinâmica de anomalias magnéticas.

Apesar da crescente variedade de métodos de inversão, as aplicações práticas ainda enfrentam inúmeros desafios. A precisão da correção do terreno sob condições topográficas complexas influencia diretamente a confiabilidade dos resultados de inversão; dados magnéticos de alto ruído interferem na convergência dos algoritmos, levando a modelos enviesados; e a superposição de anomalias magnéticas de múltiplas fontes complica a separação de sinais anômalos. Além disso, equilibrar a eficiência computacional e a precisão da inversão, bem como integrar efetivamente dados geológicos e geofísicos de múltiplas fontes para mitigar a não singularidade, continuam sendo desafios críticos que exigem pesquisas^{adicionais 17}.

Portanto, este estudo propõe um método de inversão por anomalia magnética que integra o Módulo de Atenção em Blocos Convolucional (CBAM) com restrições de consistência física, visando aprimorar a capacidade do modelo de capturar características estruturais subterrâneas complexas e garantir a plausibilidade física dos resultados de inversão. Ao incorporar o CBAM, a atenção da rede a funcionalidades espaciais e por canal importantes é fortalecida, melhorando efetivamente a extração e fusão de características em múltiplas escalas. Simultaneamente, incorporar restrições de consistência física garante que o processo de inversão siga leis geofísicas fundamentais, aumentando assim a estabilidade e a confiabilidade da inversão. Esse método não apenas suprime efetivamente os efeitos adversos da interferência de ruído e da mistura de sinais multi-fonte, mas também equilibra a precisão da inversão e a eficiência computacional, fornecendo novos insights e ferramentas para avançar técnicas de inversão de anomalias magnéticas com valor teórico significativo e amplas perspectivas de aplicação em engenharia.

Protocol

Modelagem dianteira e inversa por anomalia magnética
A modelagem dianteira e inversa por anomalias magnéticas serve como uma base teórica fundamental na exploração geofísica, amplamente aplicada à identificação de estruturas subterrâneas e à prospecção de recursos. A modelagem direta baseia-se em modelos geológicos subterrâneos conhecidos e utiliza leis físicas para calcular as respostas das anomalias magnéticas em pontos de observação, enfatizando a derivação de resultados a partir de causas conhecidas. Em contraste, a modelagem inversa parte de dados observados de anomalias magnéticas e infere os parâmetros do modelo subsuperficial que dão origem a essas anomalias, como distribuição de magnetização ou geometria estrutural. Devido à não linearidade e à natureza mal colocada dos campos geofísicos, problemas inversos frequentemente sofrem de não unicidade e instabilidade, exigindo a incorporação de restrições ou informações prévias para alcançar soluções estáveis. A modelagem direta e inversa formam juntas a base teórica para interpretar anomalias magnéticas, desempenhando um papel central na construção do modelo e na interpretação dos dados. O processo específico de modelagem direta e inversa é ilustrado na Figura 1.

Figura 1: Diagrama esquemático dos processos de modelagem direta e inversa. Esta figura ilustra o fluxo de trabalho central da modelagem dianteira e inversa de anomalias magnéticas. No processo direto, um modelo geológico subterrâneo conhecido é usado como entrada, e os dados de anomalias magnéticas nos pontos de observação são derivados com base em leis físicas. No processo inverso, dados de anomalias magnéticas observadas são inseridos em uma rede neural convolucional (CNN) para inferir parâmetros do modelo subsuperficial, como distribuição de magnetização e geometria estrutural. Por favor, clique aqui para ver uma versão ampliada desta figura.

Modelagem frontal
A modelagem frontal de anomalias magnéticas é usada principalmente para calcular a resposta de modelos subterrâneos dentro de um campo magnético. Esse processo baseia-se na distribuição assumida da magnetização dentro dos corpos geológicos e deriva dados de anomalias magnéticas na superfície ou em outros pontos de observação por meio de equações físicas. Na modelagem direta, os dados da anomalia magnética correspondem à intensidade de magnetização. Ao comparar os resultados simulados com o modelo real da estrutura subsuperficial, a racionalidade da modelagem direta pode ser avaliada, o que, por sua vez, ajuda a melhorar os algoritmos de inversão. A área de observação para modelagem frontal de anomalias magnéticas está ilustrada na Figura 2.

Figura 2: Diagrama esquemático da simulação frontal da anomalia magnética. Esta figura apresenta o layout espacial da região de observação usada na modelagem frontal de anomalias magnéticas. O plano horizontal e a direção do eixo X são indicados, e o domínio subsuperficial é dividido em múltiplas unidades geológicas retangulares. "Ponto P" representa um local de observação superficial. Este diagrama fornece uma explicação visual da relação espacial física entre as células da grade e os pontos de observação, apoiando assim a interpretação teórica da equação de modelagem direta. Por favor, clique aqui para ver uma versão ampliada desta figura.

O espaço subsuperficial é dividido em múltiplos corpos geológicos quadrados, sendo o ponto P representando um ponto de observação superficial. A equação de modelagem direta das anomalias magnéticas descreve a relação entre a intensidade de magnetização dos corpos geológicos e a anomalia magnética observada, conforme mostrado na Equação (1):

(1)

Aqui, F denota a anomalia magnética, tipicamente representada como um vetor coluna contendo valores de múltiplos pontos de observação. G_i é a matriz do núcleo da anomalia magnética, onde cada elemento representa a contribuição da célula i-ésima da grade para o campo magnético no ponto de observação. K_i é a suscetibilidade magnética da i-ésima célula da grade, e M_i é sua intensidade de magnetização. O cálculo da matriz kernel geralmente depende da relação espacial entre os pontos de observação e cada célula da grade. Uma abordagem comumente usada é baseada no modelo de dipolo magnético, conforme mostrado na Equação (2):

(2)

Aqui, G_ij representa a contribuição do campo magnético da j-ésima célula da grade para o i-ésimo ponto de observação. μ denota a permeabilidade magnética do espaço livre. r_j é o vetor distância da j-ésima célula da grade até o i-ésimo ponto de observação, e | r_j | é a magnitude dessa distância.

Preparação de dados
Neste estudo, 101 pontos de observação foram dispostos linearmente ao longo de uma única linha de levantamento na superfície, com espaçamento uniforme de 10 m e altura de observação de 0,3 m. O subsolo foi discretizado em uma grade de 20 × 40, com cada célula medindo 25 m × 25 m, e os ângulos de declinação e inclinação magnética foram definidos para 90° e 60°, respectivamente. Para simular diferentes estruturas geológicas, foram construídos três tipos de modelos sintéticos do subsolo, todos baseados na grade 20 × 40 mencionada. Os valores eram atribuídos sequencialmente da esquerda para a direita (colunas 1→40) e de cima para baixo (linhas 1→20): o modelo regular consistia em 3 × 3 corpos de anomalia retangulares (por exemplo, colunas 10-12, linhas 5-7) com magnetização fixa de 5 A/m ou 10 A/m; o modelo complexo continha dois corpos de anomalia trapezoidal de tamanhos diferentes (por exemplo, um grande trapézio nas colunas 8-15, fileiras 4-8, e um pequeno trapézio nas colunas 20-25, fileiras 6-9) com magnetizações de 5 A/m ou 10 A/m; o modelo aleatório foi gerado selecionando uma célula central (por exemplo, coluna 20, linha 10) e realizando uma caminhada aleatória ao longo de colunas e linhas para criar uma região de anomalia de 13-16 células contíguas, com uma magnetização geral de 5 A/m ou 10 A/m. Quinze, vinte e trinta e duas estruturas base foram definidas para os modelos regular, complexo e aleatório, respectivamente, resultando em um total de 15 × 60 + 20 × 60 + 32 × 60 = 4020 amostras de treinamento. Cada modelo recebeu valores sequencialmente atribuídos, e seus dados correspondentes sobre anomalias magnéticas foram gerados por meio de modelagem direta. O conjunto de dados resultante foi dividido em conjuntos de treinamento e teste na proporção de 8:2, que foram usados para treinamento de rede e avaliação de desempenho, respectivamente. A configuração específica de modelagem forward está ilustrada na Tabela 1.

Modelo	Tamanho do modelo
Modelo Regular	3×6, 4×4
Modelo Complexo	duplo8×4, duplo trapézio
Modelo aleatório	Tamanho de passo de 13, 16 modelo aleatório

Tabela 1: Configuração do modelo.

Arquitetura de rede
Este estudo propõe um modelo de inversão de anomalia magnética de ponta a ponta construído usando uma rede neural convolucional unidimensional (1D-CNN). O design arquitetônico é inspirado no paradigma de "empilhamento convolucional profundo" das redes VGG e é ainda aprimorado com um mecanismo integrado de atenção. O objetivo é alcançar um mapeamento eficiente e preciso dos sinais unidimensionais de anomalias magnéticas para a distribuição bidimensional de magnetização subsuperficial. A rede geral consiste em cinco componentes principais: entrada e adaptação de dados, backbone de extração de características, módulos de atenção CBAM, achatamento de características e camadas totalmente conectadas.

Camada de entrada e adaptação de dados
A camada de entrada recebe dados de anomalia magnética unidimensional, com sua dimensionalidade estritamente definida pela configuração de observação. No sistema de levantamento sintético, 101 pontos de observação são implantados na superfície com espaçamento de 10 m e elevação de 0,3 m. Assim, a dimensão de entrada é definida como 1 × 101, onde um único canal representa 101 amplitudes de anomalia magnética correspondentes aos pontos de observação.

No pré-processamento de dados, 10% de ruído branco Gaussiano é adicionado para emular distúrbios observacionais realistas. Os sinais são então normalizados para a faixa [0, 1] usando escala Min-Max. Essa normalização alivia a inconsistência dimensional, estabiliza a distribuição de dados durante o treinamento e previne atualizações enviesadas de parâmetros decorrentes de discrepâncias de magnitude.

Espinha dorsal de extração de características
A espinha dorsal de extração de características é composta por 14 camadas organizadas em torno de módulos repetidos "Conv1d + BatchNorm + ReLU", intercaladas com operações de max-pooling para redução de dimensionalidade e fusão de características em múltiplas escalas. A espinha dorsal é agrupada em quatro estágios com profundidade do canal que aumenta progressivamente.

Estágio I (Extração básica de características)
Essa fase inclui três camadas (Camada 1-Camada 3), produzindo mapas de características de 64 canais.

Camada 1: Uma camada Conv1d com tamanho de kernel 3 (canais 1→64), seguida por normalização em lote e ReLU. Tamanho da entrada: 1×101; Saída: 64 × 101.

Camada 2: Mesma configuração (64→64).

Camada 3: MaxPooling1d com tamanho de kernel 2, reduzindo o comprimento das características de 101 para 50, gerando 64×50 mapas de características.

Estágio II (Extração de características em escala média)
Este estágio contém quatro camadas (Camada 4-Camada 7), que geram 128 canais.

Camada 4-Camada 5: Camadas Conv1d aumentando os canais de 64 para 128; Tamanho da saída: 128 × 50.

Camada 6: Um módulo CBAM (veja a Seção 3).

Camada 7: MaxPooling1d reduzindo o comprimento da característica para 25, dando 128 × 25 mapas.

Estágio III (Representação complexa de características)
Este estágio também contém quatro camadas (Camada 8-Camada 11), produzindo 256 canais.

Camada 8-Camada 9: Camadas Conv1d aumentando os canais de 128 para 256, saída: 256 × 25.

Camada 10: Um segundo módulo CBAM.

Camada 11: MaxPooling1d reduzindo o comprimento para 12, gerando 256 × 12 mapas.

Estágio IV (Refinamento profundo de características)
Este estágio inclui três camadas (Camada 12-Camada 14), que geram 512 canais.

Camada 12-Camada 13: Camadas Conv1d aumentando os canais de 256 para 512.

Layer14: O pool final reduz o comprimento das características de 12 para 6, produzindo a representação profunda de 512 × 6.

Módulos de atenção CBAM
O Módulo de Atenção de Blocos Convolucional (CBAM) é estrategicamente incorporado após o estágio de 128 canais (Camada 6) e o estágio de 256 canais (Camada 10). Ele aprimora a capacidade da rede de focar em características-chave relacionadas a anomalias por meio de mecanismos de atenção de canal e espacial.

Submódulo de atenção de canal
O agrupamento global de máximas e o agrupamento global de média são aplicados ao mapa de características de entrada para produzir dois descritores de canal unidimensionais. Após a concatenação, os descritores passam por uma camada totalmente conectada com 32 neurônios (ativação ReLU), seguida por outra camada totalmente conectada que fornece os pesos de atenção por canal. Esses pesos modulam as características de entrada por meio de multiplicação elemental a elemento, amplificando canais que contribuem significativamente para a inversão da anomalia magnética.

Submódulo de atenção espacial
Para o mapa de características refinado por canais, é realizado um pooling médio canal a canal, seguido por uma convolução 1D com tamanho de kernel 3 para gerar os pesos de atenção espacial. A multiplicação elemento a elemento com o mapa de características de entrada permite que o modelo enfatize seletivamente regiões espaciais relevantes para anomalias magnéticas, enquanto suprime efetivamente o ruído.

Achatamento de características e camadas totalmente conectadas
Este módulo mapeia as características profundas extraídas para o domínio final de previsão.

Achatamento de Características (Layer15): Converte o mapa de características 512×6 em um vetor de características de 3.072 dimensões.

Camada 1 totalmente conectada (Camada 16): Consiste em 1.024 neurônios com ativação de ReLU e regularização Dropout para mitigar o sobreajuste. Essa camada integra características de alto nível e as projeta em um espaço de regressão orientado à magnetização.

Camada de Saída (Camada 17): Contém 800 neurônios correspondentes à grade subsuperficial discretizada 20×40. Ele gera um vetor de 800 dimensões que representa a intensidade estimada de magnetização de cada célula da grade, completando assim o mapeamento de inversão de ponta a ponta.

Hiperparâmetros de Treinamento
Para garantir um treinamento estável e ótimo, os seguintes hiperparâmetros são utilizados: o otimizador Adam com taxa inicial de aprendizado de 0,001; tamanho do lote de 32 pessoas; e um total de 2.000 épocas de treinamento. Os parâmetros de peso de todas as camadas Conv1d e totalmente conexas são inicializados usando a distribuição normal de He, e todos os termos de viés são inicializados a zero.

Parâmetros detalhados da rede estão listados na Tabela 2.

Camada	Tipo de Operação	Tamanho da entrada	Tamanho da Saída	Tamanho do Kernel/Pool	Canais (entrada→saída)
1	Conv1d + BatchNorm + ReLU	1×101	64×101	3	1 → 64
2	Conv1d + BatchNorm + ReLU	64×101	64×101	3	64 → 64
3	MaxPooling1d	64×101	64×50	2
4	Conv1d + BatchNorm + ReLU	64×50	128×50	3	64 → 128
5	Conv1d + BatchNorm + ReLU	128×50	128×50	3	128 → 128
6	Módulo CBAM	128×50	128×50
7	MaxPooling1d	128×50	128×25	2
8	Conv1d + BatchNorm + ReLU	128×25	256×25	3	128 → 256
9	Conv1d + BatchNorm + ReLU	256×25	256×25	3	256 → 256
10	Módulo CBAM	256×25	256×25
11	MaxPooling1d	256×25	256×12
12	Conv1d + BatchNorm + ReLU	256×12	512×12	3	256 → 512
13	Conv1d + BatchNorm + ReLU	512×12	512×12	3	512 → 512
14	MaxPooling1d	512×12	512×6
15	Achatar	512×6	3072×1
16	Totalmente Conectado + ReLU + Queda	3072×1	1024×1		3072 → 1024
17	Totalmente Conectado (Saída)	1024×1	800×1		1024 → 800

Tabela 2: Configuração da Arquitetura de Rede.

Função de perda
A essência da inversão de anomalia magnética está em "inferir o modelo subsuperficial (causa) a partir dos dados observados (efeito)." No entanto, esse processo é inerentemente não linear e não único. Consequentemente, uma rede treinada exclusivamente por perdas convencionais de ajuste de dados pode gerar modelos de magnetização numericamente próximos da verdade, mas fisicamente implausíveis. Para resolver essa questão, a função de perda neste estudo foi projetada para alcançar simultaneamente dois objetivos: (1) garantir concordância numérica entre os parâmetros de magnetização prevista e verdadeira (ajuste de dados) e (2) impor consistência física para que os resultados previstos obedeçam às leis que regem a modelagem magnética direta (restrição física).

Assim, a função de perda é explicitamente composta por dois componentes:

Termo de desajuste de dados: Um termo de erro quadrático médio (MSE) é usado para quantificar a discrepância entre os parâmetros de magnetização subsuperficial previstos e verdadeiros, garantindo a capacidade fundamental de ajuste de dados da rede.

Termo de restrição de consistência física: Derivado da modelagem dianteira do dipolo magnético, este termo mede a diferença entre a anomalia magnética teórica gerada pela magnetização prevista e a anomalia magnética observada. Ele garante que o modelo previsto siga os princípios geofísicos.

Os dois componentes são combinados por integração ponderada para formar a perda total, estabelecendo um ciclo fechado de "ajuste de dados + validação física" e evitando efetivamente as desvantagens associadas ao uso de um único termo de perda.

Perda por erro quadrático médio
A perda MSE mede a discrepância entre as previsões do modelo e os valores de verdade fundamental. Ele calcula a média das diferenças quadráticas entre valores previstos e verdadeiros, quantificando o erro em cada tarefa de previsão. Para cada ramo (anomalia gravitacional e anomalia magnética), a perda MSE é calculada separadamente, representando o erro do modelo naquela tarefa específica. A função de perda por erro quadrático médio é expressa como Equação (3):

(3)

Perda por restrição baseada em física
Para evitar que a inversão de anomalias magnéticas produza resultados que sejam "numericamente próximos dos valores reais, mas fisicamente inviáveis" quando dependem exclusivamente da MSE, este estudo introduz uma restrição de consistência física baseada no modelo dipolo magnético para frente na função de perda. Os parâmetros previstos de magnetização subsuperficial são mapeados através da matriz do núcleo direto para calcular as correspondentes anomalias magnéticas teóricas, que são então comparadas com os dados observados para avaliar diretamente a plausibilidade física dos resultados da inversão. Essa restrição penaliza efetivamente previsões que, embora numericamente próximas dos valores reais, não reproduzem as anomalias observadas quando modeladas para frente, guiando a rede para aprender o mapeamento fisicamente consistente a partir de "magnetização subsuperficial → anomalias magnéticas superficiais." Para otimizar conjuntamente a precisão numérica e a consistência física, a função de perda total combina a perda de dados do MSE com a restrição de consistência física de forma ponderada, garantindo que o modelo não apenas minimize a diferença entre os valores de magnetização prevista e verdadeira, mas também produza resultados fisicamente consistentes com as observações. Por meio desse mecanismo integrado, a restrição de consistência física desempenha um papel crucial na supressão dos efeitos de ruído, mitigação de questões de não unicidade, aumento da estabilidade e generalização da inversão e, por fim, garantindo que as distribuições de magnetização previstas sejam geofisicamente corretas e aplicáveis na prática. A função de perda de restrição baseada em física é expressa como Equação (4):

(4)

A função final de perda é uma soma ponderada das funções de perda para anomalia gravitacional e anomalia magnética, com cada função de perda compreendendo tanto a perda MSE quanto a perda por restrição baseada em física. A função de perda total é expressa como Equação (5):

(5)

Aqui, yl_verdadeiro denota os dados verdadeiros da anomalia magnética, pred_l representa a anomalia magnética prevista pelo modelo, e A_mat é a matriz do núcleo do campo magnético.

Results

Experimentos de simulação

Resultados da inversão no conjunto de teste
O modelo é primeiro treinado no conjunto de treinamento e depois avaliado no conjunto de teste, durante o qual os resultados da previsão do conjunto de teste são salvos. Para acelerar a convergência da rede, os hiperparâmetros apropriados são configurados, conforme detalhado na Tabela 3. Após múltiplas iterações de treinamento, a curva de...

Discussion

Este estudo propõe um método de inversão de anomalia magnética que integra o Módulo de Atenção ao Bloco Convolucional (CBAM) com restrições de consistência física para enfrentar efetivamente os desafios comuns de não linearidade e não unicidade na inversão geofísica. Ao incorporar CBAM, a rede pode focar adaptativamente em canais críticos e regiões espaciais, melhorando significativamente a resolução de limites e a precisão da reconstrução para estruturas subterrâneas complexas e alivian...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Anaconda3	Anaconda	https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
MATLAB 2016b	MathWorks	https://www.mathworks.com/
Python3.7	Python.org	https://www.python.org/downloads/release/python-370/
TensorFlow2.0	Google	https://tensorflow.google.cn/install
Windows10	Microsoft	https://www.microsoft.com/zh-cn/software-download/windows10