HM在vs2010下的测试使用详细说明

HM的配置使用(编码) 由于研究方向是hevc,所以必须会使用HM。本人是个小白,刚刚入门,有诸多理解错误的地方多谢指出。网上搜了HM的使用,有好多牛人的博客也有介绍之类的。但是还是不会配置(太笨了),因此请教了师兄,果然还是这样学的快。废话不多说,开始配置编码器。    我使用的是HM16.2。以编码Newspaper.YUV为例,这个测试序列网上可以下载    一、我编码的是3D-HEVC,打开HM16. 阅读详情

1.下载

https://hevc.hhi.fraunhofer.de/svn/svn_HEVCSoftware/tags/

下载地址如上,上面有各种版本的HM,现在已经更新至HM10.1。可以使用SVN下载,如windows下使用TortoiseSVN。

下图为解压后HM-10.1目录下的文件及目录信息

2.编译

如上图所示打开其中HM-10.1\build目录下的HM_vc10.sln,整个工程就在vs2010中打开了,其中有7个project:TAppCommon、TAppDecoder、TAppEncoder、TLibCommon、TLibDecoder、TLibEncoder、TLibVideoIO。

build一下,全部编译一下,在目录HM-10.1\bin\vc10\Win32\Debug下有两个可执行文件分别是TAppEncoder.exe和TAppDecoder.exe。

HM-10.1\cfg目录下有一个子目录per-sequence和8个测试condition配置文件(4个8bit,4个10bit),在per-sequence子目录下存放的是特定测试序列的配置文件,这些特定测试序列可以在ftp://ftp.tnt.uni-hannover.de/testsequences上下载到。


3.编码测试

在vs2010中右击项目TAppEncoder选择Set as StartUp Project(即选择此为启动项目);

右击TAppEncoder选择Properties如下图

Command一栏中默认的$(TargetPath)的具体值可以点中这一栏在下拉菜单下选择Edit,接着选择Marcros可以查看到。其中还有其他宏名所代表的具体目录值。这边的$(TargetPath)其实就是HM-10.1\bin\vc10\Win32\Debug\TAppDecoder.exe(注意是带文件名的与$(TargetDir)不同)。

Command Arguments一栏本来是空着的。这里填的是命令参数,-c $(SolutionDir)\..\cfg\encoder_intra_main.cfg -c $(SolutionDir)\..\cfg\per-sequence\BQMall.cfg 这边的写法借用了上面提到的宏名,第一个配置文件是8个测试condition配置文件之一,第二个配置文件是针对BQMall.yuv的特定配置文件。

Working Directory一栏默认的就是$(ProjectDir)具体值可以查得为HM-10.1\build\vc10\,即Debug调试时的工作目录就在这里,运行之后生成的两个文件rec.yuv和str.bin也在这里。

配置文件的更改。刚刚提到的两个配置文件,第一个不需要更改,第二个配置文件BQMall.cfg用记事本打开后更改其InputFile的目录,可以选择使用绝对路径或者相对路径,若使用相对路径,参考的当前路径就是上面提到的Working Directory,根据这个相应的更改。如..\..\..\yuv\BQMall_832x480_60.yuv表示的就是HM-10.1上一层目录下yuv目录下BQMall_832x480_60.yuv文件。

好了,一切搞定之后就可以运行了,运行后生成的两个文件可以在工作目录中找到。

VS2010中使用ankhSVN 给大家介绍一些SVN的入门知识!希望对大家的学习起到作用!      关于SVN与CVS的相关知识,大家可以自己去google一下。      一、准备         SVN是一个开源的版本控制系统,它可以记录所有的文件修改版本。CVS也是一个版本控制系统,可是现在大家更多的是用SVN,因为SVN不但继承了CVS的优点,而且还有许多的功能是CVS所不具备的。可以肯定,SVN会成为CVS的替 阅读详情

相关推荐

VS2010下面编译使用boost库

1、下载boost压缩包 在boost网站http://www.boost.org/users/history/version_1_59_0.html上下载最新的boost库,目前最新的是1_59_0版本。然后可以将其解压至自己安装VS2010的目录,我得是F:\tool\VS2010。 2、解压压缩包,编译出对应VS2010的lib文件 (1)、双击F:\tool\VS2010\b

luokh327的博客 1169

CUDA高性能计算经典问题①:归约

撰文 |Will Zhang本系列为CUDA进阶,通过具体的经典问题,讲述高性能编程的一些基本原则以及方法。建议读者先阅读NVIDIA官方的编程指南完成CUDA入门,基础比较少的同学也建...

OneFlow深度学习框架 1438

vs2010编译配置boost

1.下载安装包boost_1_53_0,下载windows版本。 http://www.boost.org/users/history/version_1_53_0.html 2.解压缩到d:\boost目录下 3.编译bjam    (1)从vs2010的工具菜单进入命令提示窗口(单击“开始”按钮,指向“所有程序”,指向“Microsoft Vis l St io 20

随风秀舞(diyoosjtu) 1961

【实战指南】多项式全家桶:从理论推导到代码实现

本文全面解析多项式全家桶的理论与实现,涵盖基础运算、FFT/NTT优化、求逆/对数/指数等进阶操作,并提供竞赛级代码模板。通过详细数学推导和C++实现,帮助读者掌握O(nlogn)多项式算法,提升算法竞赛和工程应用中的问题解决能力。

416

BQMall_832x480_60.rar

VVC一些测试序列:BQMall,后续会继续更新,部分4K序列压缩后太大,没法上传,有需要的私信就可以

HM代码在VS下编译

这个文档教你什么使用HM代码和配置自己的配置文件。

HM学习(一):梳理帧内预测编码过程

HM学习(一):梳理帧内编码过程 在HEVC中,帧内预测的过程大致可以分为三步,首先是参考像素的填充,参考像素的平滑滤波,利用参考像素值求出预测块像素的预测值 将HM工程在VS中打开后可以看到9个主要的工程,此次主要梳理的使用TAppEncoder进行帧内预测的过程。 我们展开TAppEncoder,可以看到其中有一个encmain.cpp文件,这无疑就是工程运行的main文件,...

RJzz 2698

HEVC的标准测试模型(HM-16.20)

HM是HEVC的标准测试模型,如果去官网(https://hevc.hhi.fraunhofer.de/svn/svn_HEVCSoftware/tags/)下载,则需安装SVN客户端。这里上传是最新版本(截止2018年10月)HM-16.20

HM代码的使用

HM代码自带了 software manual即参考软件手册,这个手册的主要内容包括HM的下载地址和使用方法,更重要的是,里面包含了对配置文件各个参数的详细解释,可以说是使用HM的必备手册。在VS2013下编译HM开下载下来的HM文件夹,工程存放在build目录下,选择对应版本vs的工程。step1:编译工程,右击解决方案->生成解决方案正常的话,等待片刻所有工程都能得到正确的编译,并最终在HM文件

Kerer的博客 4212

2019年电赛D题《简易电路特性测试仪》全过程

2019年全国大学生电子设计大赛D题《简易电路特性测试仪》硬件部分及故障分析

zzhao2580的博客 5万+

Pyrosim进阶指南:从隧道火灾模拟到复杂通风策略分析

本文深入探讨Pyrosim在隧道火灾模拟与通风策略分析中的高级应用。从精确几何建模到火源参数设置,再到通风系统的量化分析,详细介绍了如何利用Pyrosim优化隧道安全设计。特别强调了临界风速验证、横向通风配置及结果可视化技巧,为工程师提供实用的进阶指南。

weixin_30644369的博客 141

3D-HEVC测试平台HTM16.1在VS2017中的编码配置

1.首先下载HTM,这个在官网中就有; 2.下载好了之后对HTM进行编码配置: 3.首先在F:\HTM-16.1\HTM-16.1\HTM-16.1\cfg\3D-HEVC这个路径下打开配置文件baseCfg_3view+depth.cfg 下图这6个.yuv为3D的测试序列,按自己的路径输入即可(配置顺序按照实际的摄像机配置顺序来); 会输出下图的6个.yuv和bit文件 ...

qq_39834007的博客 1536

从芯片原厂到BSP工程师:技术转型与核心能力解析

嵌入式系统开发中,BSP(板级支持包)作为连接硬件与操作系统的关键层,其开发能力直接影响设备稳定性与性能。理解Linux内核架构(如内存管理、进程调度)和基础接口协议(I2C/SPI/USB)是BSP工程师的核心技能。在芯片验证与驱动开发场景中,多核异构系统调试与稳定性问题排查(如死机分析)展现了工程师的实战能力。随着物联网与智能设备发展,掌握从硬件适配到系统优化的全链路技术栈,成为职业发展的关键突破点。

weixin_36012152的博客 601

VS2010详细安装步骤

VS2010安装步骤 为了满足不同需求的用户,VS2010 又被细分成了五个版本,分别是专业版(Professional)、高级版(Premium)、旗舰版(Ultimate)、学习版(Express)和测试版(Test) 其中: 学习版是免费的,功能也相对简单,主要供初学者使用(也足够使用了)。 旗舰版是最高版本,功能最强大,收费也最贵,主要供专业的开发人员使用。如果您由于种种原因不能支持正版,...

u014610117的博客 1万+

中科蓝讯蓝牙开发:从源码到固件的自动化构建链路解析

本文详细解析了中科蓝讯AB530X蓝牙芯片从源码到最终固件的完整自动化构建链路。通过剖析prebuild.bat、GCC编译、postbuild.bat等关键环节,阐述了资源打包、配置生成、代码编译与固件合成的全过程,并重点介绍了如何实现一键编译与自动下载,为开发者高效进行嵌入式蓝牙开发提供清晰指南。

weixin_29193259的博客 125

深入分析大众点评 Ajax 接口:直接请求 JSON 数据高效获取评论

大众点评网站采用前后端分离架构,通过Ajax接口动态加载数据。按F12打开开发者工具,切换到Network(网络)面板。实际环境中,我们需要使用Python重现这一加密逻辑。查看请求响应,寻找包含评论数据的JSON接口。参数是大众点评的反爬机制核心,需要特别处理。:尊重网站的robots.txt文件规定。:仅将数据用于合法合规的研究和分析目的。:不侵犯大众点评的商业秘密和知识产权。打开大众点评网站,进入任意商户页面。:对采集到的用户信息进行脱敏处理。:避免对目标网站造成过大负担。

Z_suger7的博客 1591

HM的使用

各个HM版本下载 本文是使用的HM-16.7,vs2010 1.先下载HM-16.7,安装vs2010(:https://pan.baidu.com/s/1puh5xhKIxT-b0DB_Tp2ARA 提取码:16m4,破解码百度一下就有,破解步骤也都有) 2.HM-16.7下载后 3.在VS2010中点击文件->打开文件HM16.7->build文件夹中,点击对应的VS版本打开,这里以HM_vc2010.sln为例,可以看到右侧出现9个项目 4.右击“解决方案‘HM_vc2010’(9个项

weixin_43876729的博客 1815

部署OpenClaw时设置环境变量提示export: not valid in this context的完整解决方案

OpenClaw环境变量设置错误解决方案 问题概述 在部署OpenClaw时设置环境变量出现"export: not valid in this context"错误,通常由以下原因导致: 在非交互式shell中使用export命令 在命令替换或管道中使用export 脚本文件包含Windows换行符(CRLF) 解决方案 修正脚本执行方式:确保export命令在正确的shell上下文中使用 使用source命令:通过. setup_openclaw.sh或source setup_op

博客 459

HEVC学习之HM初使用

HEVC编码之HM学习欢迎一起学习HM1.如何下载HM2.搭配HM的运行环境3.HM生成解决方案4.HM环境配置5.对YUV视频进行编码6.运行HM7.查看HM生成的bin文件第一次学习HM,希望大家可以一起学习,谢谢!!! 欢迎一起学习HM HM是HEVC的官方标准测试模型,想要对HEVC进行了解,需要对HM源码进行一定解读才能够更加深入。 1.如何下载HM (1)HM不能直接下载,因为它是采用...

满目星辰 6187

Android 中 app freezer 原理详解(二):S 版本

在之前的两篇博文《Android 中app内存回收优化(一)》和《Android 中app内存回收优化(二)》中详细剖析了 Android 中 app 内存优化的流程。这个机制的管理通过 CachedAppOptimizer 类管理,为什么叫这个名字,而不叫 AppCompact 等?freezer,一个针对应用进程长期处于 Cached 状态的优化。在之前博文《app freezer 原理 R 版本》

私房菜 3614

openpi 入门教程(二)droid libero 训练、推理

OpenPI是由物理智能团队发布的机器人领域开源模型与软件平台,提供基于流扩散式(π₀)和自回归式(π₀-FAST)两类视觉-语言-动作模型。平台支持在DROID、ALOHA、UR5等多种机器人系统上部署,包含预训练检查点(1万+小时数据)和微调示例。文档详细说明了各平台部署流程:DROID需启动策略服务器并配置摄像头;ALOHA提供真实机器人任务(取吐司、叠毛巾等)的检查点和场景设置建议;UR5示例展示自定义数据转换方法。实验性验证显示π₀-FAST在LIBERO基准测试中平均得分85.5。平台强调模型适

2506_90492529的博客 1024

5. HEVC参考代码HM10.0的使用

在正式讨论HEVC的技术细节之前,有必要先建立好符合标准的实验平台,这对理解编解码的技术具有很大帮助。最方便,最有效,认可程度也最高的自然是JCT-VC工作组公布的参考代码HM系列了。这里,我们用最新版的参考代码HM10.0为例,详细阐述如何用参考软件成功编码一个视频码流。 参考代码的下载请到我的微盘:http://vdisk.weibo.com/s/u9IAN下载。 (1)下载完成后解压,文

ClaireShi的专栏 2652

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

CxImage在VS2010下的配置

1. 在SourceForge上下载http://sourceforge.net/projects/cximage/

youzhuo的专栏 3282

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

vs2008打开vs2010项目

  公司大部分人还在使用VS2008做2.0的项目,想使用VS2010尝尝鲜,但是也用不到4.0的库,想着以后用VS2010做了改动,VS2010仍然可以用,就研究查看了一下.SLN文件,发现VS2008的SLN文件的开头会有如下代码:   Microsoft Visual Studio Solution File, Format Version 10.00   # Visual Stud...

weixin_30950607的博客 933

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 远程桌面连接
下一篇: windows下批处理文件的编写
DiffenYu
博客等级 码龄14年 14粉丝 29原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值