- 博客(50)
- 收藏
- 关注
RSS订阅原创 4步OpenCV-----扫秒身份证号
这段代码使用OpenCV实现身份证号码自动识别功能。主要分为四个模块：1）通用工具函数，包括图像显示和轮廓排序；2）数字模板制作，从标准图像中提取0-9数字模板；3）预处理模块，定位身份证号码区域；4）识别模块，切割字符并与模板匹配，输出识别结果。系统通过二值化、轮廓检测、模板匹配等技术，最终能在身份证图像中定位并高亮显示号码。代码包含几何过滤等经验参数，需根据实际图像调整，且目前仅支持数字识别。
2025-09-12 16:17:02
1066
原创 实战项目-----银行卡号识别
该代码实现了一个信用卡卡号识别系统，主要包含以下步骤：1. 预处理模板图像，提取0-9数字的标准模板；2. 对输入信用卡图像进行灰度化、顶帽运算、闭运算等处理，增强数字区域；3. 通过轮廓检测和几何特征筛选定位卡号区域；4. 使用模板匹配方法识别每个数字；5. 输出卡号及对应的发卡组织。系统采用OpenCV进行图像处理，通过形态学操作和轮廓分析提取数字区域，最终基于模板匹配实现卡号识别。识别结果包含卡号数字和卡类型（Visa/万事达等），并在原图上标注识别区域和结果。
2025-09-12 15:42:38
954
原创 args传参
本文介绍了一个使用Python标准库argparse模块处理命令行参数的示例代码。该代码展示了如何定义和解析多种类型的参数（字符串、整数、浮点数），包括设置默认值、帮助信息以及不同形式的参数指定方式（长短选项）。核心功能包括创建参数解析器对象、添加参数定义、解析参数值并进行简单运算。文章还提供了执行示例、常见错误排查方法以及进阶使用建议，最后通过对比表分析了当前实现与推荐改进方案。该代码适用于需要从命令行获取配置参数的Python程序开发。
2025-09-09 23:51:49
2841
原创 实战项目-----在图片 hua.png 中，用红色画出花的外部轮廓，用绿色画出其简化轮廓（ε=周长×0.005），并在同一窗口显示
该代码实现了一个图像轮廓提取与绘制项目。主要功能是：1)读取图片并转换为灰度图进行二值化处理；2)使用OpenCV提取图像的最外层轮廓；3)在同一窗口中用红色绘制原始轮廓，再用绿色绘制其近似多边形，其中近似精度参数设置为轮廓周长的0.005。关键步骤包括：阈值处理、轮廓查找、面积排序选取最大轮廓、轮廓近似计算及双色绘制。最终通过imshow显示处理结果，展示了从原始轮廓到近似多边形的转换过程。
2025-09-09 23:29:47
2465
原创 再续2---《计算机视觉实战营：30 个代码案例带你从入门到落地》
本文介绍了基于OpenCV的图像形态学处理、边缘检测和轮廓检测三大核心功能。在形态学处理部分，详细解析了腐蚀、膨胀、开闭运算等操作，通过kernel结构元素控制形态变化，并演示了梯度运算和顶帽/黑帽变换的应用场景。边缘检测章节对比了Sobel、Scharr、Laplacian和Canny四种算子，重点说明如何通过cv2.convertScaleAbs()处理负梯度值，以及Canny算法的双阈值设置技巧。轮廓检测部分系统讲解了从二值化预处理、轮廓查找到特征计算的完整流程，包括面积筛选、多边形近似和几何特征提取
2025-09-09 16:01:13
1829
原创 实战项目-----Python+OpenCV 实现对视频的椒盐噪声注入与实时平滑还原”
该代码实现了视频椒盐噪声添加与中值滤波去噪处理。通过OpenCV和NumPy库，程序首先定义了一个椒盐噪声生成函数，在图像随机位置添加黑白像素点。然后读取视频文件，逐帧进行处理：对原始帧添加噪声，再使用3×3中值滤波器去除噪声，同时保留边缘细节。处理过程中实时显示原始视频、噪声视频和去噪视频三个窗口，按q键可退出程序。中值滤波因其取中间值的特性，能有效去除椒盐噪声，3×3核大小适合多数场景，噪声密集时可增大核尺寸。
2025-09-09 01:12:35
1873
原创 再续1---《计算机视觉实战营：30 个代码案例带你从入门到落地》
本文介绍了OpenCV中几种常见的图像处理操作：1. 图像运算：包括直接加法（+）的取模处理、cv2.add()的截断处理，以及加权运算dst=src1×α+src×β+γ；2. 边界填充：展示BORDER_CONSTANT、BORDER_REFLECT等五种填充方式；3. 阈值处理：详细说明THRESH_BINARY等五种阈值分割方法及其效果差异；4. 图像平滑：通过均值滤波、高斯滤波和中值滤波等方法消除椒盐噪声，比较不同滤波核大小和归一化处理的效果。这些技术为图像预处理提供了基础工具。
2025-09-09 01:00:23
1712
原创 项目介绍：图像分类项目的最小可用骨架--代码细节讲解
本文介绍了使用PyTorch构建自定义数据集类的实现方法。通过继承Dataset类，实现了支持索引访问的数据集food_dataset，主要功能包括：1）从txt文件读取图片路径和标签；2）使用Pillow库加载图片；3）通过transform对图片进行预处理（统一尺寸为256×256并转为tensor）；4）将标签转为整数类型的tensor。最后通过DataLoader实现批量加载（batch_size=64），支持随机打乱数据。该实现确保了数据预处理流程标准化，为机器学习模型训练提供了规范的数据输入格式
2025-09-07 23:19:01
1515
原创 项目介绍：图像分类项目的最小可用骨架
本文介绍了一个基于PyTorch的完整图像分类项目模板，实现食物图片20分类功能。主要流程包括：1）自动生成训练/测试清单文件；2）自定义数据集类，实现图片预处理和标签转换；3）搭建轻量CNN网络（3个卷积块+全连接层）并训练；4）单张图片推理功能。项目采用标准化处理流程，包括Resize(256×256)、ToTensor等预处理，使用CrossEntropyLoss和Adam优化器。整个模板可复用，只需更换数据即可应用于其他2-N类图像分类任务。关键创新点是自动生成标注文件和端到端的训练推理流程，大大简
2025-09-07 22:28:51
2130
原创 代码实现包括生成标签文件和处理训练集及测试集
该代码实现了一个图像分类数据集的标签文件生成工具，主要功能包括：1) 自动创建训练集和测试集的标签文件；2) 通过遍历目录结构建立图片路径与类别标签的映射关系；3) 按格式输出到文本文件。代码使用目录顺序自动分配标签（首个子目录为0，依此类推），支持跨平台路径处理，适用于多类别分类任务的数据预处理。生成的标签文件每行包含图片路径和对应数字标签，可直接用于机器学习模型训练。
2025-09-06 22:57:41
2281
原创 手写数字识别具体项目案例：讲解卷积神经网络（CNN）的构建过程
摘要：本文实现了一个基于PyTorch的CNN模型用于MNIST手写数字识别。使用DataLoader将6万张训练图像和1万张测试图像分批处理(64张/批)。网络包含3个卷积层(Conv2d+ReLU+MaxPool2d)和1个全连接层，采用交叉熵损失函数和Adam优化器。代码支持GPU加速，实现了完整的训练测试流程，10个epoch后测试准确率达98%以上。关键点包括：使用Sequential封装网络层、正确设置卷积参数、数据展平处理以及训练/测试模式切换。
2025-09-06 00:41:22
1689
原创 传统神经网络实现-----手写数字识别（MNIST）项目
本文实现了一个基于PyTorch的手写数字识别神经网络，使用MNIST数据集进行训练和测试。代码首先加载并预处理数据，然后定义了一个三层全连接网络（输入层784维，两个隐藏层128/256神经元，输出层10维），采用ReLU激活函数和交叉熵损失。通过Adam优化器进行训练，在GPU设备上完成10轮迭代，最终输出测试准确率。关键步骤包括数据批处理、自动设备选择、模型训练和评估流程，实现了从数据加载到模型训练的全流程解决方案。
2025-09-05 20:49:20
2366
1
原创 PyTorch图像数据转换为张量（Tensor）并进行归一化的标准操作
PyTorch的transform=ToTensor()将图像转换为张量并归一化：1) 支持PIL/numpy输入；2) 自动将[0,255]像素值归一化为[0.0,1.0]；3) 调整维度为(C,H,W)格式。关键技术包括除以255实现数值归一化和维度重排以符合PyTorch规范，这些操作能提升模型训练稳定性并加速收敛。该转换是图像预处理的标准流程，对神经网络输入优化至关重要。
2025-09-05 20:48:40
1259
原创 深度学习-----简单入门卷积神经网络CNN的全流程
卷积神经网络(CNN)通过局部连接和权值共享机制有效解决了传统全连接网络对图像位置变化的敏感性问题。其核心包括：卷积层使用滑动窗口提取局部特征，多通道处理彩色图像；池化层降采样减少计算量；全连接层完成最终分类。CNN通过多层堆叠逐步扩大感受野，实现从边缘到整体特征的抽象。典型网络如LeNet、AlexNet等，通过小卷积核和跨层连接等优化不断改进性能。整个流程实现了对图像平移、旋转等变换的鲁棒识别。
2025-09-03 22:58:35
2892
原创 《计算机视觉实战营：30 个代码案例带你从入门到落地》
本文介绍了计算机视觉基础及OpenCV库的使用方法。主要内容包括：1.计算机视觉概念及其应用场景；2.OpenCV库的安装与基本功能；3.图像处理基本操作：读取、显示、保存图片，获取图片属性（shape,dtype,size）；4.视频处理：逐帧读取、灰度转换；5.ROI区域提取；6.颜色通道分离与合并；7.图像修改操作（打码、组合、缩放）。代码示例展示了如何通过OpenCV实现这些功能，强调了矩阵操作在图像处理中的重要性。
2025-08-29 23:11:13
4564
原创 深度学习-----详解MNIST手写数字数据集的神经网络实现过程
本文介绍了使用MNIST手写数字数据集的神经网络实现过程。数据集通过minis模块自动下载，包含6万张训练集和1万张测试集。网络结构采用多层感知机（MLP），包含输入层（784神经元）、两个隐藏层（128和256神经元）和输出层（10神经元），使用ReLU激活函数和Softmax输出。训练过程中采用DataLoader分批处理数据（batchsize=64），确保数据与模型位于同一设备（GPU/CPU）。前向传播包括数据展平、全连接层和激活函数处理，损失函数采用交叉熵损失，反向传播通过优化器（SGD/Ada
2025-08-27 20:15:13
2311
原创 深度学习-----ptorch框架认识-手写数字识别.py项目解读
摘要：本文介绍了如何使用PyTorch实现MNIST手写数字识别任务。主要步骤包括：1)加载和预处理MNIST数据集，包括训练集(60,000张)和测试集(10,000张)；2)创建数据加载器(DataLoader)进行批量处理；3)构建一个包含两个隐藏层的全连接神经网络模型；4)使用交叉熵损失函数和Adam优化器；5)实现训练和测试流程，包括前向传播、反向传播和参数更新；6)在10个epoch的训练后评估模型性能。代码展示了PyTorch各模块的协作方式，包括数据加载、模型构建、训练优化等核心功能，并支持
2025-08-26 20:52:46
2733
原创 深度学习-----《PyTorch神经网络高效训练与测试：优化器对比、激活函数优化及实战技巧》
本文介绍了神经网络训练与测试的关键技术要点，包括：1）采用批量并行训练机制（64批次共享参数）提升效率；2）优化梯度更新策略（torch.no_grad()）和训练轮数（10轮以上）；3）测试阶段通过argmax计算正确率（70.04%）；4）比较SGD和Adam优化器性能，后者仅需10轮即可达96.81%正确率；5）分析激活函数选择（ReLU优于Sigmoid），解决梯度消失问题。实践建议包括合理设置超参数、优化设备兼容性和资源管理，以提升模型性能。核心代码展示了训练循环、评估函数和优化器配置的实现方法。
2025-08-25 22:55:31
2666
原创 深度学习-----《PyTorch深度学习核心应用解析：从环境搭建到模型优化的完整实践指南》
本文系统介绍了深度学习框架选择与PyTorch实践要点：1）框架对比显示PyTorch因生态优势成为主流；2）详细讲解了PyTorch安装、GPU加速配置及MNIST手写数字识别案例实现；3）重点分析了神经网络构建、训练流程、优化器选择（SGD到Adam改进）和激活函数优化（Sigmoid到ReLU）；4）通过实验数据验证了模型调优方法，最终实现96.81%准确率。全文涵盖环境配置、数据处理、模型设计到性能优化的完整开发链路，为深度学习入门提供实践指南。
2025-08-25 22:31:21
2866
原创 Linux-----《Linux系统管理速通：界面切换、远程连接、目录权限与用户管理一网打尽》
摘要：本文介绍了Linux系统管理的基础操作和概念，主要包括：1）图形界面切换方法（systemctl set-default + reboot）；2）Xshell远程连接配置步骤；3）根目录/和家目录的结构差异与典型子目录功能；4）文件权限的rwx表示法与八进制计算方法；5）用户管理命令（useradd参数详解）及用户组操作；6）CentOS常见问题排查资源。重点解析了Linux目录层级标准（FHS）和权限管理体系，通过具体命令示例（如chown、ls -l等）演示了系统管理的基本操作逻辑。
2025-08-20 16:37:06
2570
原创 Linux------《零基础到联网：CentOS 7 在 VMware Workstation 中的全流程安装与 NAT 网络配置实战》
本文介绍了CentOS 7在VMware Workstation中的安装与配置过程。主要包括：1)从阿里云镜像站下载CentOS 7 ISO镜像；2)安装VMware Workstation并创建虚拟机；3)配置虚拟机内存、存储等参数；4)重点讲解NAT网络模式配置，包括设置IP地址、子网掩码和网关，最终实现虚拟机联网。文章提供了详细的图文操作指引和参考链接，帮助用户完成从系统下载到网络配置的全过程。
2025-08-19 20:30:45
3157
原创 Linux------《操作系统全景速览：Windows·macOS·Linux·Unix 对比及 Linux 发行版实战指南》
本文摘要：文章系统介绍了操作系统相关知识，包括电脑和手机常见系统，重点分析了Linux系统。内容涵盖操作系统分类（如Windows、MacOS、Linux等）、用户态与系统关系、Linux发行版体系（如Debian系、RedHat系等）及其应用场景（服务器、嵌入式等）。特别对比了LAMP/LNMP服务器架构，并简要提及Linux与Windows的区别。全文简明扼要地梳理了操作系统核心知识体系。
2025-08-19 11:12:00
6436
原创 0️⃣基础 认识Python操作文件夹（初学者）
Python标准库中的os模块提供了丰富的系统操作功能，包括：1.文件路径操作（获取当前路径、创建/递归创建目录、路径拼接、路径跳转、判断路径类型、提取文件名等）；2.文件管理（查询大小、删除、重命名、复制、遍历目录、判断文件类型）；3.执行外部程序（通过system()执行系统命令）；4.压缩解压功能（通过zipfile模块实现ZIP文件处理）；5.系统交互功能（通过sys模块获取Python环境信息、处理命令行参数、控制输入输出流等）。这些模块为开发者提供了跨平台的系统操作能力，无需额外安装，是Pyth
2025-08-17 22:42:10
3469
原创 机器学习算法系列专栏：主成分分析(PCA)降维算法（初学者）
主成分分析(PCA)是一种无监督降维算法，通过线性变换将高维数据映射到低维空间。其核心思想是寻找方差最大的正交方向作为主成分，保留数据主要信息。PCA通过计算协方差矩阵的特征向量确定主成分方向，实现步骤包括：数据标准化、计算协方差矩阵、特征分解和降维映射。与随机森林等有监督学习不同，PCA不依赖标签信息，但降维后特征失去原有业务含义。应用案例展示了如何将PCA与逻辑回归结合：先对数据进行90%方差保留的降维处理，再构建分类模型。PCA能有效消除多重共线性，但解释性较差且要求特征为连续变量。
2025-08-16 08:48:19
5319
原创 系统介绍pca主成分分析算法
PCA是一种无监督线性降维方法，通过正交变换将高维数据投影到低维空间，保留最大方差信息。其核心步骤包括：数据标准化、计算协方差矩阵、特征分解选取主成分、投影降维。PCA在数据压缩、可视化、特征提取等方面应用广泛，但存在线性假设、对异常值敏感等局限。实际应用中需注意主成分选择、标准化处理等关键点，并可根据需求选择KPCA、稀疏PCA等扩展变体。
2025-08-15 23:09:54
2496
1
原创 从零开始学习：计算机视觉（基础入门版）（第2天）
滤波方法函数名关键参数特点均值滤波cv2.blur简单平均，模糊均匀方框滤波可控制是否归一化高斯滤波保留边缘，模糊更自然中值滤波去噪强，保留边缘。
2025-08-14 17:37:34
2628
原创 数据分析小白训练营：基于python编程语言的Numpy库介绍（第三方库）（下篇）
摘要： 本文系统介绍了NumPy库的核心功能，涵盖数组组合、切割、运算、拷贝、随机数生成及文件操作。重点包括： 数组操作：水平/垂直组合（hstack/vstack）与等分/强制切割（hsplit/vsplit），支持灵活维度变换； 数学运算：逐元素加减乘除、矩阵乘法（dot）及求逆（linalg.inv）； 内存管理：浅拷贝（共享内存）与深拷贝（copy()独立内存）的区别； 随机模块：生成均匀/正态分布随机数（rand()/normal()）及随机矩阵； 文件交互：loadtxt/savetxt实现文本
2025-08-13 21:19:50
2432
原创 数据分析小白训练营：基于python编程语言的Numpy库介绍（第三方库）（上篇）
本文介绍了Numpy库的安装与基本使用。首先说明如何安装指定版本的Numpy库及解决版本适配问题，然后阐述Numpy库的优势：其矩阵处理能力能显著提升大数据计算效率。文章详细讲解了创建Numpy数组(array)的方法，包括一维、二维和三维数组的创建，以及查询数组属性的基本操作。重点介绍了数组维度操作：通过reshape()实现升维降维，比较了ravel()和flatten()两种展平方法的区别，并演示了直接修改shape属性实现维度变换。这些操作使Numpy成为科学计算中处理矩阵数据的重要工具。
2025-08-12 21:19:40
2386
原创 自学python编程（0️⃣基础）组合数据类型（初学者）（第4天）
本文介绍了Python中三种主要的组合数据类型：列表、元组和字典。列表是可变序列，可通过索引和切片访问元素，支持多种操作方法如append、insert、remove等。元组与列表类似但不可变，适用于需数据安全的场景。字典是键值对的集合，通过键快速访问值，提供keys、values、items等方法进行遍历。文章还讲解了如何表示不同维度的数据：列表适合一维和二维数据，字典可表示高维数据。每种类型都有其特点和适用场景，掌握这些组合数据类型是Python编程的基础。
2025-08-12 16:20:15
2322
原创 详解：ID3算法 ― 信息增益 (Information Gain)（初学者）
本文介绍了ID3决策树算法中基于信息增益的特征选择方法。通过计算天气、温度、湿度和有风四个特征对"是否外出打球"分类结果的信息增益，发现天气特征的信息增益最大（0.247），其次是湿度（0.151）、有风（0.048）和温度（0.029）。信息增益衡量了特征减少系统不确定性的能力，数值越大表示该特征对分类决策越重要。因此，在构建决策树时，算法将优先选择信息增益最大的天气特征作为第一个划分节点。
2025-08-09 09:16:03
3376
原创 自学python编程（0️⃣基础）程序控制语句（初学者）（第3天）
本文系统介绍了Python中的条件判断、循环和异常处理三大控制结构。在条件判断部分，详细讲解了if/elif/else语句的语法结构、嵌套使用、多条件判断（and/or）以及布尔值应用；循环部分涵盖for循环（配合range()函数）、while循环及其嵌套使用，以及控制循环的break/continue语句；异常处理部分介绍了try/except语句的基本用法和特定异常捕获。全文通过大量示例代码（如年龄分段判断、成绩评估、数字范围验证等）演示了各语法结构的实际应用，并着重强调了Python语法特点（如冒号
2025-08-08 20:29:25
2361
原创 从零开始学习：计算机视觉（基础入门版）（1天）
本文介绍了使用OpenCV进行图像处理的基本方法。首先详细说明了通过pip安装opencv-python和opencv-contrib-python的步骤，并推荐使用清华镜像源加速下载。然后提供了两个完整的Python代码示例：第一个实现图像读取、显示和基础元信息输出；第二个展示灰度化处理、图像裁剪和多窗口对比显示功能。代码均包含详细注释，解释了关键函数的使用方法，如cv2.imread()、cv2.imshow()、waitKey()等，并演示了如何通过NumPy数组操作进行图像处理。最后还展示了如何保存
2025-08-07 17:29:36
3099
原创 机器学习算法系列专栏：逻辑回归（初学者）
本文介绍了逻辑回归算法的概念、核心思想及实现流程。逻辑回归是一种用于解决分类问题的统计学习方法，通过Sigmoid函数将线性回归输出映射到概率空间，判断样本类别。算法流程包括数据预处理、线性组合、Sigmoid变换、交叉熵损失函数和梯度下降优化等步骤。通过两个具体案例（寝室分配和信用卡欺诈检测）展示了逻辑回归的实际应用，包括数据读取、特征工程、模型训练与评估等关键环节。特别强调了数据标准化处理的重要性，以确保不同特征具有同等权重。案例代码演示了如何使用Scikit-Learn实现逻辑回归模型，并提供了详细的
2025-08-06 16:05:46
2706
原创 机器学习算法系列专栏：决策树算法（初学者）
决策树是一种有监督学习模型，通过递归分裂节点建立分类或回归规则。根节点选择最优特征，中间节点根据分裂条件递归生成，叶子节点存储预测结果。决策树的核心是选择最优特征和切分点，使子节点纯度最高，常用标准包括信息增益(ID3)、信息增益比(C4.5)和基尼指数(CART)。为防止过拟合，可采用预剪枝或后剪枝策略。回归树是解决回归问题的决策树模型，通过最小化均方误差选择切分点，预测时取叶子节点样本均值。决策树构建过程完全由数据和算法决定，无需人工干预。
2025-08-06 00:00:00
2423
原创 通俗讲解：正则化惩罚（初学者）
正则化惩罚是机器学习中防止过拟合的关键技术，通过在损失函数中添加惩罚项来限制模型复杂度。主要方法包括：L1正则化（产生稀疏解，用于特征选择）、L2正则化（平滑模型输出）及二者的混合ElasticNet。其核心思想是通过调整超参数λ控制模型复杂度，使模型在训练和测试数据上表现均衡。正则化通过限制权重大小、鼓励简单解，有效防止模型对噪声过度敏感，提升泛化能力，广泛应用于线性回归等算法中。
2025-08-05 10:53:25
3100
原创 K折交叉验证，下采样，过采样（初学者）
K折交叉验证通过将数据分成K个子集轮流验证，提高评估稳健性但计算成本高。下采样通过减少多数类样本解决类别不平衡，适用于小规模数据（如从900条好评随机抽取100条与差评平衡）。过采样则通过SMOTE等方法合成少数类样本（如信用卡欺诈检测中插值生成9800条新样本），更适合保留数据信息。两种采样方法各有利弊，下采样可能丢失信息而过采样可能引入噪声，需根据数据特点选择。交叉验证可与采样方法结合提升模型评估可靠性。
2025-08-05 09:36:44
2326
原创 机器学习算法系列专栏：线性回归算法（初学者）
线性回归是一种监督学习算法，用于预测连续数值型变量。其核心是通过建立自变量与因变量之间的线性关系，找到最佳拟合直线以最小化误差。模型分为简单线性回归（Y=β₀+β₁X+ε）和多元线性回归（多个自变量）。案例演示了用广告投入预测销售额的一元线性回归流程：读取数据、绘制散点图、建立模型、评估预测（R²分数）和输出方程（y=3.74x-36.36）。代码示例展示了从数据读取到模型训练的全过程，并指出原代码中存在的变量名和维度问题。
2025-08-02 16:11:58
2658
原创 机器学习算法系列专栏：K近邻（KNN）算法（初学者）
它的核心思想是通过已知的训练数据集中的最近邻点来推断未知数据点的类别或数值。为了判断两个样本之间的相似程度,KNN常用欧氏距离(Euclidean Distance)，曼哈顿距离(Manhattan Distance)或其他形式的距离函数来进行测量。（1）欧氏距离：是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。对于一个新的输入实例，KNN会在训练数据集中找到与其距离最近的K个实例（称为“邻居”），如果用于。鸢尾花训练数据.xlsx。
2025-08-02 00:50:59
2622
原创 通俗讲解：API应用程序编程接口（初学者）
你去一家火锅店吃饭：火锅店吃饭场景的逻辑思路：API优点：现实案例：例1：手机APP查天气例2：微信扫码付款
2025-08-01 16:25:59
3106
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人