【TVM 教程】在树莓派上部署预训练模型

AI编译器TVM部署示例解析 AI编译器TVM部署示例解析 AI编译器TVM(一)——一个简单的例子 概述 什么是TVM? TVM可以称为许多工具集的集合,这些工具可以组合起来使用,实现一些神经网络的加速和部署功能。这也是为什么叫做TVM Stack了。TVM的使用途径很广,几乎可以支持市面上大部分的神经网络权重框架(ONNX、TF、Caffe2等),也几乎可以部署在任何的平台,如Windows、Linux、Mac、ARM等等。 参考文献 https://oldpan.me/archives/the-first-step-towards 阅读详情

此教程介绍如何用 Relay 编译 ResNet 模型,并将其部署到树莓派。

import tvm
from tvm import te
import tvm.relay as relay
from tvm import rpc
from tvm.contrib import utils, graph_executor as runtime
from tvm.contrib.download import download_testdata

在设备上构建 TVM Runtime​

首先在远程设备上构建 TVM runtime。

本节和下一节中的所有指令都应在目标设备(例如树莓派)及 Linux 上执行。

由于我们是在本地机器上进行编译,远程设备仅用于运行生成的代码,因此只需在远程设备上构建 TVM runtime。

git clone --recursive https://github.com/apache/tvm tvm
cd tvm
mkdir build
cp cmake/config.cmake build
cd build
cmake ..
make runtime -j4

runtime 构建完成后,在 ~/.bashrc 文件中设置环境变量——用 vi ~/.bashrc 命令来编辑 ~/.bashrc,添加下面这行代码(假设 TVM 目录在 ~/tvm 中):

export PYTHONPATH=$PYTHONPATH:~/tvm/python

执行 source ~/.bashrc 来更新环境变量。

在设备上设置 RPC 服务器​

在远程设备(该示例中为树莓派)上运行以下命令,启动 RPC 服务器:

python -m tvm.exec.rpc_server --host 0.0.0.0 --port=9090

看到如下结果,则表示 RPC 服务器启动成功:

INFO:root:RPCServer: bind to 0.0.0.0:9090

准备预训练模型​

注意:确保主机已经(用 LLVM)安装了完整的 TVM。

使用 MXNet Gluon 模型集合 中的预训练模型。更多有关这部分的信息详见 编译 MXNet 模型 教程。

from mxnet.gluon.model_zoo.vision import get_model
from PIL import Image
import numpy as np

# 用一行代码来获取模型
block = get_model("resnet18_v1", pretrained=True)

为了测试模型,下载一张猫的图片,并转换其格式:

img_url = "https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?raw=true"
img_name = "cat.png"
img_path = download_testdata(img_url, img_name, module="data")
image = Image.open(img_path).resize((224, 224))

def transform_image(image):
    image = np.array(image) - np.array([123.0, 117.0, 104.0])
    image /= np.array([58.395, 57.12, 57.375])
    image = image.transpose((2, 0, 1))
    image = image[np.newaxis, :]
    return image

x = transform_image(image)

synset 用于将 ImageNet 类的标签,转换为人类更容易理解的单词。

synset_url = "".join(
    [
        "https://gist.githubusercontent.com/zhreshold/",
        "4d0b62f3d01426887599d4f7ede23ee5/raw/",
        "596b27d23537e5a1b5751d2b0481ef172f58b539/",
        "imagenet1000_clsid_to_human.txt",
    ]
)
synset_name = "imagenet1000_clsid_to_human.txt"
synset_path = download_testdata(synset_url, synset_name, module="data")
with open(synset_path) as f:
    synset = eval(f.read())

以下代码可将 Gluon 模型移植到可移植的计算图上:

# 在 mxnet.gluon 中支持 MXNet 静态计算图(符号)和 HybridBlock
shape_dict = {"data": x.shape}
mod, params = relay.frontend.from_mxnet(block, shape_dict)
# 添加 softmax 算子提高概率
func = mod["main"]
func = relay.Function(func.params, relay.nn.softmax(func.body), None, func.type_params, func.attrs)

以下是一些基本的数据工作负载配置:

batch_size = 1
num_classes = 1000
image_shape = (3, 224, 224)
data_shape = (batch_size,) + image_shape

编译计算图​

用计算图的配置和参数调用 relay.build() 函数,从而编译计算图。但是,不能在具有 ARM 指令集的设备上部署 x86 程序。除了用来指定深度学习工作负载的参数 net 和 params,Relay 还需要知道目标设备的编译选项。不同选项会导致性能不同。

如果在 x86 服务器上运行示例,可将其设置为 llvm。如果在树莓派上运行,需要指定它的指令集。若要在真实设备上运行,需将 local_demo 设置为 False。

local_demo = True

if local_demo:
    target = tvm.target.Target("llvm")
else:
    target = tvm.target.arm_cpu("rasp3b")
    # 上面一行代码是下面代码的简单形式:
    # target = tvm.target.Target('llvm -device=arm_cpu -model=bcm2837 -mtriple=armv7l-linux-gnueabihf -mattr=+neon')

with tvm.transform.PassContext(opt_level=3):
    lib = relay.build(func, target, params=params)

# 在 `relay.build` 之后,会得到三个返回值:计算图,库和新参数,因为我们做了一些优化,它们会改变参数,但模型的结果不变。

# 将库保存在本地临时目录中。
tmp = utils.tempdir()
lib_fname = tmp.relpath("net.tar")
lib.export_library(lib_fname)

输出结果:

/workspace/python/tvm/relay/build_module.py:411: DeprecationWarning: Please use input parameter mod (tvm.IRModule) instead of deprecated parameter mod (tvm.relay.function.Function)
  DeprecationWarning,
/workspace/python/tvm/driver/build_module.py:268: UserWarning: target_host parameter is going to be deprecated. Please pass in tvm.target.Target(target, host=target_host) instead.
  "target_host parameter is going to be deprecated. "

通过 RPC 远程部署模型​

利用 RPC 可将模型从主机部署到远程设备。

# 从远程设备获取 RPC session。
if local_demo:
    remote = rpc.LocalSession()
else:
    # 下面是教程环境,把这个改成你目标设备的 IP 地址
    host = "10.77.1.162"
    port = 9090
    remote = rpc.connect(host, port)

# 将库上传到远程设备,并加载它
remote.upload(lib_fname)
rlib = remote.load_module("net.tar")

# 创建远程 runtime 模块
dev = remote.cpu(0)
module = runtime.GraphModule(rlib["default"](dev))
# 设置输入数据
module.set_input("data", tvm.nd.array(x.astype("float32")))
# 运行
module.run()
# 得到结果
out = module.get_output(0)
# 得到排第一的结果
top1 = np.argmax(out.numpy())
print("TVM prediction top-1: {}".format(synset[top1]))

输出结果:

TVM prediction top-1: tiger cat

下载 Python 源代码:deploy_model_on_rasp.py

下载 Jupyter Notebook:deploy_model_on_rasp.ipynb

树莓派5上使用PyTorch进行人脸追踪的NPU加速完整示例 利用PyTorch在树莓派5上完成高效人脸追踪,充分发挥NPU加速能力,提升边缘计算场景下的实时处理性能,是pytorch与树莓派5结合的典型应用实例。 阅读详情

相关推荐

边缘AI部署实战:树莓派5与reCamera的YOLO模型选型与优化指南

在嵌入式系统和物联网领域,边缘计算正成为处理实时数据的关键范式,其核心价值在于将计算任务从云端下沉至网络边缘,以降低延迟、节省带宽并增强隐私保护。实现这一目标的关键技术之一是模型部署,特别是将训练好的深度学习模型(如目标检测模型)高效地运行在资源受限的设备上。这涉及到模型量化、推理框架选择以及硬件加速等一系列工程实践,旨在平衡速度、精度与功耗。以计算机视觉中的实时目标检测为例,YOLO(You Only Look Once)系列模型因其出色的速度与精度平衡而被广泛应用。在实际的嵌入式AI项目中,开发者常面临

weixin_34075268的博客 441

YOLOX目标检测实战:Jetson Nano部署

YOLOX是旷视科技新近推出的高性能实时目标检测网络,性能超越了YOLOv3/YOLOv4 /YOLOv5。 Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOX在Jetson Nano开发板上。 部署完成后可进行视频文件和摄像头视频的目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。课程内容包括:原理篇(DeepStream介绍、TensorRT介绍)实践篇(Nano硬件搭建、烧录系统镜像、安装远程登录工具、安装和测试DeepStream、导出YOLOX的onnx文件、安装onnx2trt、生成TensorRT的engine文件、使用DeepStream部署YOLOX(small, tiny, nano)、Nano部署测试、针对自训练数据集的修改。 相关课程:《YOLOX目标检测实战:训练自己的数据集》https://edu.youkuaiyun.com/course/detail/35586《YOLOX目标检测实战:TensorRT加速部署》https://edu.youkuaiyun.com/course/detail/35716《YOLOX目标检测实战:OpenVINO部署》https://edu.youkuaiyun.com/course/detail/35791《YOLOX目标检测实战:Flask部署》https://edu.youkuaiyun.com/course/detail/35815《YOLOX目标检测实战:Android手机部署》https://edu.youkuaiyun.com/course/detail/35884

2021年11月AI落地三件套:模型轻量化、零样本迁移与边缘部署实战

AI模型落地常卡在‘能训不能用、能用不能稳、能稳不能快’的工程断点上。其核心原理在于算法、硬件与生产环境间的多层适配——模型轻量化解决计算资源约束,零样本迁移突破小样本标注瓶颈,边缘部署弥合云-端协同鸿沟。这类技术组合具备显著的技术价值:降低推理延迟、减少数据依赖、提升跨平台鲁棒性。典型应用场景覆盖工业质检、嵌入式OCR、产线故障日志分析等对实时性、低资源、高稳定性要求严苛的领域。本文聚焦2021年11月真实验证通过的三个高可用工具,围绕模型轻量化与零样本迁移两大关键能力,提供可复现的工程化落地路径。

love android 631

在 Jetson Nano 上部署预训练模型

此教程介绍如何用 Relay 编译 ResNet 模型,并将其部署到 Jetson Nano。

HyperAI超神经 1064

轻量级AI模型设计与部署实战指南

轻量级神经网络通过优化模型结构与计算效率,实现在边缘设备的高效部署。其核心技术包括深度可分离卷积、倒残差结构等设计模式,结合FLOPs与MAC指标评估,有效平衡计算量与内存访问开销。在工程实践中,硬件适配性成为关键考量,不同处理器架构(如移动CPU、边缘GPU)需要针对性优化策略。通过量化压缩(INT8/FP16)与编译器级优化(TVM/TensorRT),可实现5-10倍的推理加速。典型应用场景涵盖智能摄像头、移动AR等实时AI系统,其中模型量化部署与功耗控制直接影响产品落地效果。当前MobileNetV

weixin_30530339的博客 476

Jetson Nano使用tensorrt部署resnet18进行分类

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言 一、pytorch训练数据、测试 二、转换成tensorrt模型engine 1.模型转换 2.接摄像头模型测试 总结 前言 最近接到有个目标分类的需求,需要使用jetson-nano海康摄像头针对在大规模农业种植中传统人工农作物病虫害预防和治理上存在的问题同,应用深度学习算法来进行农作物病虫害的检测,对农作物荧光图片进行病害识别检测,包含多个农作物物种。采用目前流行的深度网络结构,如深度

xiao__run的博客 2447

YOLOv4目标检测实战:Jetson Nano部署

YOLOv4(AlexyAB/darknet)是最近推出的端到端实时目标检测方法。YOLOv4-tiny是对YOLOv4的轻量化模型,适合在边缘计算设备上部署。 Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOv4-tiny在Jetson Nano开发板上。 部署完成后可进行视频文件和摄像头视频的实时目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。课程内容包括:原理篇(DeepStream介绍、TensorRT介绍、YOLOv4-Tiny介绍)、实践篇(Nano硬件搭建、烧录系统镜像、安装远程登录工具、安装和测试DeepStream、使用DeepStream部署YOLOv4-tiny、Nano部署测试) 

一步一步解读神经网络编译器TVM(一)——一个简单的例子

@TOC 前言 这是一个TVM教程系列,计划从TVM的使用说明,再到TVM的内部源码?为大家大致解析一下TVM的基本工作原理。因为TVM的中文资料比较少,也希望贡献一下自己的力量,如有描述方面的错误,请及时指出。 那啥是TVM? 简单来说,TVM可以称为许多工具集的集合,其中这些工具可以组合起来使用,来实现我们的一些神经网络的加速和部署功能。这也是为什么叫做TVM Stack了。TVM的使用途径很广,几乎可以支持市面上大部分的神经网络权重框架(ONNX、TF、Caffe2等),也几乎可以部署在任何的平台,

qq_33287871的博客 3121

学习笔记:Jetson nano的模型部署

一、简单介绍及准备工作 ​ 英伟达的 Jetson Nano是一块用于深度学习或者计算机视觉的开发板,不同型号的内存和性能不同。主方向上具有四个usb接口和一个HDMI视频接口一个电源接口(type-c),网线接口,一个micro-B-usb,右侧是40引针,左侧是csi摄像头,顶上是自己买的小风扇,周围是亚克力板保护。 准备工作:1.鼠标、键盘 2.64GB或128GB的sd卡和读卡器 3.type-c充电线 4.网线(或者无线网卡) 二、ubantu...

weixin_47260381的博客 5812

LTX-2.3 V1.6:8G显存本地AI视频生成工具与int8量化加速实践

这次我们来看一个本地部署的AI视频生成工具——LTX-2.3文字图片生成带音频视频工具V1.6版本。这个工具最大的特点是支持int8量化加速,相比原版提速2-4倍,效果更好,而且8G显存就能运行,不需要搭建复杂环境,解压即可使用。 对于想要在本地电脑上快速生成带音频视频内容的用户来说,这个工具解决了几个关键痛点:首先是硬件门槛低,8G显存意味着大多数主流游戏显卡都能胜任;其次是部署简单,避免了Python环境配置、依赖包冲突等常见问题;最后是性能优化明显,int8加速让生成速度大幅提升。 本文会重点演示如何

hqmln的博客 1237

基于Python的MGWR多尺度地理加权回归模型

多尺度地理加权回归(MGWR)变量之间的关系在地理空间上不是均一的,所有特征变量的影响都在不同的空间范围(带宽)内变化,某些变量可能表现出局部性影响(小带宽),某些变量可能表现出全局性影响(大带宽),通过优化每个特征变量的带宽,捕捉到空间关系的多尺度特性,得到更细致的模型解释。

weixin_61965078的博客 3858

利用TVM神经网络编译器完成模型C++端的部署

在上一篇文章中<一步一步解读神经网络编译器TVM(一)——一个简单的例子>,我们简单介绍了什么是TVM以及如何利用Relay IR去编译网络权重然后并运行起来。上述文章中的例子很简单,但是实际中我们更需要的是利用TVM去部署我们的应用么,最简单直接的就是在嵌入式系统中运行起我们的神经网络模型。例如树莓派。这才是最重要的是不是?所以嘛,在深入TVM之前还是要走一遍基本的实践流程的,也唯有实践流程才能让我们更好地理解TVM到底可以做什么。

生活需要深度 1521

SpringBoot SSE避坑指南:当客户端突然断开时服务端SseEmitter的正确回收姿势

本文深入探讨了SpringBoot中SSE连接的生命周期管理,特别是客户端主动断开连接时服务端SseEmitter的正确回收机制。文章重点分析了客户端调用eventSource.cancel()等场景下,如何利用onCompletion()回调进行可靠的资源清理,避免内存泄漏,并提供了防御式编程策略和实战优化建议。

mm9012的博客 780

TVM:在树莓派上部署预训练的模型

TVM:在树莓派上部署预训练的模型 之前我们已经介绍如何通过Python接口(AutoTVM)来编译和优化模型。本文将介绍如何在远程(如本例中的树莓派)上部署预训练的模型。 在设备上构建 TVM Runtime 首先我们需要再远程设备上安装 TVM。 注意:本节和下一节中的所有指令都应在目标设备上执行,例如 树莓派。 我们假设它运行着 Linux。 由于我们在本地机器上进行编译,因此远程设备仅用于运行生成的代码。 我们只需要在远程设备上构建 TVM Runtime。这里在我们安装 tvm 的文章中已经详

weixin_44966641的博客 2272

大模型微调框架之TRL

近年来,大语言模型(LLMs)的快速发展推动了下游应用的繁荣,但如何高效地对这些模型进行对齐和微调,依然是研究与应用的热点。Hugging Face 开源的 TRL(Transformer Reinforcement Learning) 框架,提供了基于强化学习的语言模型训练方法,并支持 SFT(监督微调)、PPO(近端策略优化)、DPO(直接偏好优化)等多种方式,是目前对齐和微调 LLM 的重要工具。

和大家一起涨芝士 905

CHARLS数据库实战指南:从注册到数据下载的完整流程解析

本文详细解析了CHARLS数据库从注册、申请到数据下载的完整实战流程。作为中国中老年人健康与养老研究的权威纵向数据源,CHARLS数据库以其免费、高质量的特点成为学术研究的重要工具。指南重点介绍了如何高效完成账号注册与激活、数据申请与审批,并强调了数据下载后理解复杂抽样设计与使用调查权重的关键性,帮助研究者避开常见陷阱,顺利获取并准备分析数据。

weixin_28338005的博客 507

一步一步解读神经网络编译器TVM(一)

转自:https://oldpan.me/archives/the-first-step-towards-tvm-1 深表感谢 前言 这是一个TVM教程系列,计划从TVM的使用说明,再到TVM的内部源码,为大家大致解析一下TVM的基本工作原理。因为TVM的中文资料比较少,也希望贡献一下自己的力量,如有描述方面的错误,请及时指出。 那啥是TVM? 《一步一步解读神经网络编译器TVM(一)——一个...

The space of Shining 4766

磁悬浮轴承控制策略设计及性能对比

摘要:针对高速磁悬浮转子控制问题,本文提出多方案对比分析。建立含陀螺效应的5自由度动力学模型,分析陀螺耦合、质量不平衡等关键挑战。对比四种控制策略:基础PID解耦、交叉反馈+自适应陷波、H∞鲁棒+前馈补偿、滑模控制+观测器,从实时性、鲁棒性等维度评估优劣。推荐采用交叉反馈+H∞+自适应陷波的混合方案,通过内环电流环与外环位置环协同,实现陀螺效应动态解耦和扰动抑制。实施步骤包括系统辨识、控制器设计、硬件部署等,需配合实验验证与参数整定。该方案综合性能最优,适用于高转速、强扰动场景。

技术工作者 1776

大模型能在树莓派运行吗?揭秘轻量化部署的5个核心技术

揭秘大模型在树莓派运行的可行性,解析轻量化部署的5大核心技术。涵盖模型压缩、量化、推理优化等大模型边缘部署案例,适用于物联网与本地AI场景。提升效率降低成本,值得收藏。

LogicGap的博客 1089

RT-DETR改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野,降低参数量计算量,独家创新助力涨点

本文记录的是利用模块优化的目标检测网络模型。的目的是在不出现过参数化的情况下有效地增加卷积的感受野,从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中,有效降低模型参数量和计算量,并二次创新,使模块更好地捕捉低频特征,增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下: 四、创新模块 4.1 改进点1⭐ 模块改进方法:加入(第五节讲解添加步骤)。添加后如下:模块改进方法:基于的(第五节讲解添加步骤)

Limiiiing的博客 1506

7、树莓派故障排查全攻略

本文详细介绍了树莓派在使用过程中常见的各类故障及其排查方法。内容涵盖键盘鼠标诊断、电源诊断、显示诊断、启动诊断、网络诊断以及紧急内核的使用,提供了具体的解决方法和实用建议。同时,文章总结了故障排查流程、常见故障及解决方法的汇总,并给出了注意事项和操作建议,帮助用户高效解决树莓派使用过程中的问题,确保其稳定运行。

cream的博客 326

移动端模型部署实战:用MobileNetV2(PyTorch版)在树莓派上跑图像分类

本文详细介绍了如何在树莓派上部署MobileNetV2(PyTorch版)进行图像分类,包括模型选择、量化优化、环境配置及性能调优。MobileNetV2凭借其轻量级架构和高效计算特性,成为嵌入式设备的理想选择。通过实战案例,帮助开发者快速实现高效模型部署。

weixin_30919429的博客 386

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

som神经网络聚类简单例子_一步一步解读神经网络编译器TVM(一)——一个简单的例子...

原文来自OLDPAN博客,欢迎来访~前言这是一个TVM教程系列,计划从TVM的使用说明,再到TVM的内部源码?为大家大致解析一下TVM的基本工作原理。因为TVM的中文资料比较少,也希望贡献一下自己的力量,如有描述方面的错误,请及时指出。那啥是TVM?简单来说,TVM可以称为许多工具集的集合,其中这些工具可以组合起来使用,来实现我们的一些神经网络的加速和部署功能。这也是为什么叫做TVM Stack了...

weixin_39693295的博客 305

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

在树莓派5上跑BoRe-Depth:实测50+FPS的轻量级深度估计模型部署教程

本文详细介绍了在树莓派5上部署轻量级深度估计模型BoRe-Depth的全流程,包括环境配置、模型转换与量化、推理引擎选型及实时摄像头处理流水线搭建。实测在1080p输入下达到53.6 FPS的高性能表现,适用于嵌入式设备上的实时深度估计任务。

weixin_33686714的博客 516

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

模型压缩与边缘部署实战:从BERT到移动端的优化之路

模型压缩技术是深度学习工程化的重要环节,通过在精度与效率间寻找平衡点,实现神经网络在资源受限设备的高效部署。其核心原理包括知识蒸馏、量化压缩、结构化剪枝等方法,能显著降低模型体积和计算复杂度。以BERT和YOLO等典型模型为例,合理运用这些技术可使模型大小缩减80%、推理速度提升5倍以上,这对于移动端AI应用和物联网设备至关重要。在实际工程中,需要结合TVM、TensorRT等工具链进行硬件感知优化,并建立完善的评估监控体系。特别是在电商评论分析、人脸检测等场景中,模型压缩技术能有效解决边缘设备算力瓶颈,推

优快云头条 415

深度学习之神经网络量化理解

刚开始接触神经网络,对量化是2年前那会,用NCNN和TVM在树莓派上部署一个简单的SSD网络。那个时候使用的量化脚本是参考于TensorRT和NCNN的PTQ量化(训练后量化)模式,使用交叉熵的方式对模型进行量化,最终在树莓派3B+上部署一个简单的分类模型(识别剪刀石头布静态手势)。这是那会的一篇文章,略显稚嫩哈哈:一步一步解读神经网络编译器TVM(二)——利用TVM完成C++端的部署转眼间过了这么久啦,神经网络量化应用已经完全实现大面积落地了、相比之前成熟多了!

二爷的博客 2616
上一篇: 一键部署 Llama3 8B/70B!最高仅占1.07GB存储;COCONut上线,字节跳动推出的首个大规模全景图像分割数据集
下一篇: 千万耐药细菌感染病患福音!麦马联手斯坦福,用生成式 AI 开发新型抗生素
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
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