fast-RCNN论文精读及问题整理

最新推荐文章于 2024-07-17 13:59:25 发布
最新推荐文章于 2024-07-17 13:59:25 发布
阅读量1.2k 收藏 21
点赞数 20
CC 4.0 BY-SA版权
文章标签： 深度学习 人工智能 神经网络 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ITdaka/article/details/137608074

摘要

  1. Fast R-CNN方法提出：摘要首先介绍了Fast R-CNN是一种基于区域的卷积网络方法，专注于目标检测任务。这种方法建立在之前的工作之上，旨在使用深度卷积网络高效地分类目标提议。

  2. 改进的训练和测试速度：与之前的工作相比，Fast R-CNN在训练和测试阶段都实现了显著的速度提升。具体来说，Fast R-CNN能够以比R-CNN快9倍的速度训练深度VGG16网络，在测试时的速度则快了213倍。

  3. 提高检测精度：Fast R-CNN不仅在速度上有优势，还在PASCAL VOC 2012数据集上实现了更高的平均精度（mAP）。与R-CNN相比，Fast R-CNN达到了66%的mAP，而R-CNN的mAP为62%。与SPPnet相比，Fast R-CNN在训练VGG16时速度提升3倍，在测试时速度提升10倍，并且精度更高。

  4. 开源实现：Fast R-CNN的代码是用Python和C++实现的，使用了Caffe框架，并且可以在MIT许可证下从GitHub上获得。

  5. 主要贡献：摘要强调了Fast R-CNN的几个主要贡献，包括更高的检测质量、单阶段训练过程、能够更新所有网络层的能力，以及在训练过程中不需要磁盘存储来缓存特征。

1.introduction

深度卷积网络的进步：
近年来，深度卷积网络在图像分类和目标检测任务上取得了显著的改进。图像分类是指将图像分配给特定类别的任务，而目标检测则更加复杂，因为它不仅需要识别图像中的对象，还需要精确地定位这些对象的位置。

目标检测的挑战：
目标检测任务比图像分类更具挑战性，因为它要求对图像中的每个对象进行准确的定位。这种精确定位的需求导致了两个主要的挑战：
第一个挑战是处理大量的候选对象位置，这些位置通常被称为“提议”（proposals）。在目标检测的上下文中，提议是指可能包含对象的图像区域。
第二个挑战是这些提议只能提供粗略的定位信息，需要进一步精细化以实现精确的对象定位。

现有方法的局限性：
由于目标检测的复杂性，目前的方法通常采用多阶段流水线进行模型训练，这些流水线不仅速度慢，而且在设计上也不够优雅。这些方法在速度、准确性或简单性上往往需要做出妥协。

Fast R-CNN的贡献：
论文提出了一种新的训练算法，旨在简化最先进的基于卷积网络的目标检测器的训练过程。这种算法能够在单个阶段内同时学习对对象提议进行分类和精细化它们的空间位置。
这种方法能够显著提高训练速度：与R-CNN相比，Fast R-CNN能够以9倍的速度训练深度检测网络VGG16；与SPPnet相比，训练速度提高了3倍。

Fast R-CNN的性能：
在运行时，Fast R-CNN的检测网络能够在0.3秒内处理图像（不包括对象提议的时间），同时在PASCAL VOC 2012数据集上达到了66%的平均精度（mAP），相比之下，R-CNN的mAP为62%。

1.1. R-CNN and SPPnet

  1. R-CNN方法：

    • R-CNN是一种流行的目标检测方法，它通过使用深度卷积网络对候选区域进行分类来实现目标检测。这些候选区域通常是通过选择性搜索（selective search）等方法生成的。
    • R-CNN在训练阶段存在几个显著的问题：
      • 训练是一个多阶段流水线过程。首先，R-CNN在候选区域上微调一个卷积网络，使用逻辑损失（log loss）进行训练。然后，它训练支持向量机（SVMs）来作为对象检测器，这些SVMs取代了通过微调学习到的softmax分类器。最后，学习边界框回归器（bounding-box regressors）。
      • 训练过程在空间和时间上都很昂贵。对于SVM和边界框回归器的训练，需要从每个图像的每个候选区域提取特征，并将这些特征写入磁盘。对于像VGG16这样的深度网络，这个过程需要大量的计算资源和存储空间。
      • 在测试时，R-CNN的速度很慢。因为对于每个测试图像中的每个候选区域，都需要进行一次完整的卷积网络前向传播。使用VGG16进行检测时，每张图像需要47秒（在GPU上）。

  2. SPPnet方法：

    • SPPnet是为了解决R-CNN速度慢的问题而提出的方法。它通过空间金字塔池化（spatial pyramid pooling）来共享计算，从而加速R-CNN。
    • SPPnet的核心思想是为整个输入图像计算一个卷积特征图，然后使用这个共享的特征图来对每个候选区域进行分类。对于每个提议，通过将特征图内部的区域进行最大池化（max pooling）到一个固定大小的输出（例如6×6）来提取特征。
    • 尽管SPPnet在测试时加速了R-CNN（加速了10到100倍），但它在训练时间上也有所减少（由于更快的提议特征提取，加速了3倍），但它仍然存在一些缺点：
      • 与R-CNN一样，SPPnet的训练也是一个多阶段流水线过程，涉及特征提取、网络微调、SVM训练和边界框回归器的拟合。特征同样需要写入磁盘。
      • 与R-CNN不同，SPPnet中提出的微调算法无法更新空间金字塔池化之前的卷积层。这个限制（固定的卷积层）限制了非常深的网络的准确性。

1.2. Contributions

更高的检测质量：
Fast R-CNN通过提供一个更准确和更快速的目标检测方法，实现了比R-CNN和SPPnet更高的平均精度（mAP）。这是通过联合学习分类和边界框回归任务来实现的，从而提高了检测的准确性。

单阶段训练：
与R-CNN和SPPnet的多阶段训练过程不同，Fast R-CNN采用了一种单阶段的训练算法。这意味着所有的检测任务，包括分类和边界框回归，都在一个统一的网络中同时进行训练，简化了训练流程并减少了训练时间。

更新所有网络层：
在Fast R-CNN中，训练过程可以更新网络中的所有层，包括卷积层和全连接层。这与SPPnet形成对比，后者无法更新其空间金字塔池化层之前的卷积层。这种能力使得Fast R-CNN能够更有效地学习从原始图像数据到目标检测任务的映射。

无需磁盘存储特征缓存：
传统的目标检测方法，如R-CNN和SPPnet，在训练过程中需要将提取的特征写入磁盘，以便于后续的分类和回归任务。Fast R-CNN通过在训练过程中共享计算和内存，避免了这种磁盘I/O操作，从而减少了对存储的需求，并提高了训练效率。

开源实现：
Fast R-CNN的代码是用Python和C++编写的，使用了Caffe框架，并且根据MIT许可证开源。这意味着研究社区可以自由地访问、使用和修改Fast R-CNN的代码，促进了学术交流和技术发展。

性能提升：
论文声称Fast R-CNN在训练VGG16网络时比R-CNN快9倍，在测试时快213倍。这些性能提升使得Fast R-CNN在实际应用中更具吸引力，尤其是在需要快速处理大量图像的场景中。

2. Fast R-CNN architecture and training

输入：
Fast R-CNN网络的输入包括一张完整的图像和一组候选对象区域（object proposals）。候选对象区域是图像中可能包含目标的区域，通常是通过一些预处理步骤（例如选择性搜索）生成的。

卷积和池化层：
网络首先使用多个卷积层（conv layers）和最大池化层（max pooling layers）处理整个输入图像。这些层的作用是提取图像的特征，并逐渐减少数据的空间维度（即高度和宽度），同时保持重要的视觉信息。
经过这些层的处理后，网络会产生一个卷积特征图（conv feature map），这是一个包含了图像特征的中间表示。

区域兴趣池化层（RoI Pooling Layer）：
对于每个候选对象区域，区域兴趣（RoI）池化层从卷积特征图中提取固定长度的特征向量。RoI池化是一种特殊的池化操作，它将每个候选区域内的特征映射到一个小的、固定大小的特征图上，从而为每个候选区域生成一个固定长度的特征表示。
这种操作使得网络能够对不同大小和形状的候选区域进行统一处理，为后续的分类和回归任务提供一致的输入。

全连接层（Fully Connected Layers）：
提取的特征向量随后被送入一系列全连接层（fc layers）。这些层对特征进行进一步的组合和变换，以学习更抽象的表示。
全连接层的输出最终会分支到两个并行的输出层。

输出层：
第一个输出层是一个softmax层，它为K个对象类别（包括一个代表背景的类别）生成概率估计。这些概率表示了输入图像中候选区域属于每个类别的可能性。
第二个输出层是一个边界框回归层，它为每个类别输出四个实数值。这四个值编码了针对每个类别的候选区域的精细边界框位置，包括边界框的中心坐标和宽高尺寸。
边界框回归的目的是修正候选区域的初始位置，以更精确地定位目标。

2.1. The

最低0.47元/天 解锁文章

200万优质内容无限畅学
小小酥kkk
关注
论文：Fast R-CNN
cztAI的博客
07-01 1166
Fast R-CNN 论文：https://arxiv.org/abs/1504.08083 代码：https://github.com/rbgirshick/fast-rcnn 更多 目标检测 本文提出了一种基于快速区域的卷积网络(Fast R-CNN)目标检测方法。 因为检测需要对目标进行精确定位，所以产生了两个主要的挑战。首先，必须处理许多候选对象位置(通常称为“提议”)。其次，这些候选对象只提供粗定位，必须进行细化才能实现精确定位。这些问题的解决方案往往会牺牲速度、准确性或简洁性。 我们提出了一种
目标检测篇-Faster-RCNN论文精读
acx0000的博客
02-20 3376
Faster RCNN论文精读包括其网络结构、RPN模块讲解、Fast RCNN部分的roi pooling以及两部分的回归和分类损失函数的计算。
Fast R-CNN论文详解
热门推荐
WoPawn的博客
09-07 3万+
废话不多说，上车吧，少年paper链接：Fast R-CNN &创新点 规避R-CNN中冗余的特征提取操作，只对整张图像全区域进行一次特征提取； 用RoI pooling层取代最后一层max pooling层，同时引入建议框信息，提取相应建议框特征； Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结果和窗口回归结果，实现了end-to-end的多任务训练【建议框提取除外】，也
【论文精读】Fast R-CNN
takedachia的博客
08-18 2922
《Fast R-CNN》是同一个作者基于自己之前的R-CNN工作的改进。 Fast R-CNN也是基于深度卷积神经网络用于计算机视觉任务（主要用于目标检测）的算法。 他在R-CNN的基础上进行了大幅创新，比如将目标的分类和定位的步骤进行了统一，实现了端到端的训练、预测流程。 Fast R-CNN在使用VGG-16的主干网络时，训练速度比R-CNN快9倍，测试速度快了213倍，并提升了检测精度。 训练速度比SPPnet快了3倍，测试速度快了10倍，并提升了准确率。......
论文精读之Fast R-CNN（Fast R-CNN）
weixin_44733295的博客
08-09 410
论文提出一种新的算法结构Fast R-CNN，首先，将图片输入DeepCNN网络中得到特征图，根据映射关系可以找到原图上每个候选区域在特征图上的特征矩阵，然后将特征矩阵通过RoI Pooling层统一缩放到指定尺寸（论文中采用7x7），然后经过两个全连接层得到特征向量，在这之后并联两个全连接层层，左边的全连接层用于目标类别预测（分类器），右边全连接层用于边界框回归参数的预测（回归器）。首先，最后一个最大池化层被 RoI 池化层取代， 其次，将网络的最后一个全连接层替换为前面所述的（一个全连接层和。
目标检测(R-CNN,SPPNET,FAST-RCNN,FASTER-RCNN)
2303_79620604的博客
07-17 893
一文搞懂rcnn，sppnet，fastrcnn，fasterrcnn。
fasterRCNN论文精读及问题整理
ITdaka的博客
04-14 1036
He等人[18]通过其他与Faster R-CNN正交的改进，获得了单个模型在COCO 2015测试-验证集上的55.7%/34.9%的结果，以及集成结果的59.0%/37.4%，赢得了COCO 2015目标检测竞赛的第一名。在重新缩放的图像上，无论是ZF（Zeiler and Fergus）模型还是VGG模型，在最后一个卷积层上的总步长为16像素，这意味着在典型的PASCAL图像（约500×375像素）上，步长约为10像素。图的左侧展示了RPN的示意图，它作为一个小型网络，作用在较大的卷积特征图上。
【CV论文精读】【Faster RCNN】Fast R-CNN
weixin_44184852的博客
03-05 1159
提出了一种基于区域的快速卷积网络（Fast R-CNN）目标检测方法。Fast R-CNN建立在以前的工作基础上，使用深度卷积网络有效地对目标候选框进行分类。与以前的工作相比，Fast R-CNN采用了几项创新来提高训练和测试速度，同时也提高了检测准确性。Fast R-CNN训练非常深的VGG16网络的速度比R-CNN快9倍，在测试时快213倍，并在PASCAL VOC 2012上实现了更高的映射。与SPPnet相比，Fast R-CNN训练VGG16的速度快3倍，测试速度快10倍，并且更准确。
Fast-RCNN论文总结整理
Air_2014的博客
09-15 433
此篇博客写作思路是一边翻译英文原文一边总结博主在阅读过程中遇到的问题及一些思考，因为博主本人阅读英文论文水平不高，所以还请大家在看此篇博客的过程中带着批判的眼神阅读！小墨镜带好，有什么不对的地方请在留言指出，大家一起讨论，快乐的搞事情！ Fast R-CNN Ross Girshick Microsoft Research 摘要： 本文提出了一种可用于目标检测...
RCNN、Fast-RCNN、 Faster R-CNN论文
03-28
目标检测要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。文档阐述了物体检测的方法流程和改进
RCNN，FastRCNN，FasterRCNN论文
11-01
RCNN，FastRCNN和FasterRCNN论文原文，介绍了经典的双阶段目标检测算法RCNN及其改进，属于深度学习必读论文
【论文翻译】Fast R-CNN
夏天的风
12-05 2万+
Fast R-CNNRoss Girshick Microsoft Research rbg@microsoft.com摘要本文提出了一种快速的基于区域的卷积网络方法（fast R-CNN）用于目标检测。Fast R-CNN建立在以前使用的深卷积网络有效地分类目标的成果上。相比于之前的成果，Fast R-CNN采用了多项创新提高训练和测试速度来提高检测精度。Fast R-CNN训练非常深的V
论文精读：Fast R-CNN
qq_52053775的博客
05-28 3292
Abstract 本文提出了一种基于快速区域的卷积网络方法(Fast R-CNN)进行目标检测。Fast R-CNN建立在之前的工作基础上，使用深度卷积网络有效地对目标建议进行分类。与之前的工作相比，Fast R-CNN采用了一些创新来提高训练和测试速度，同时也提高了检测精度。FastR-CNN训练非常深的VGG16网络比R-CNN快9×，在测试时快213×，并且在pascalVOC2012上实现了更高的mAP。与SPPnet相比，FastR-CNN训练VGG16 3×的速度更快，测试速度更快10×，而且
Fast-RCNN论文总结
weixin_43615373的博客
09-12 1053
摘要： 本文提出了一种可用于目标检测的基于区域的快速卷积神经网络方法，Fast-RCNN 是对以前使用深度卷积网络进行目标检测工作的一种有效增强！Fast-RCNN有几处牛逼的创新点，可以在大大减少训练和测试时间的同时增加训练精确度，Fast-RCNN训练非常深VGG16的网络，速度比RCNN快9倍，测试速度更是达到了惊人的213倍，在PASCAL VOC2012上实现了比较高的准确度！和SPPnet做比较，我们的Fast-RCNN训练速度达3倍，测试速度达10倍!简直是伟大的突破！ 最近，深度卷积神经网络
【论文阅读】Fast RCNN论文详解
想当咸鱼的猫
11-04 1681
Fast RCNN 1. Introduction 1.1 R-CNN R-CNN存在以下几个问题： Training is a multi-stage pipeline： 训练分多步，每次训练需要fine tuning一个预训练网络，然后region proposals要通过selective search算法获取，还有针对每一个类别都训练一个SVM分类器，最后还要用regressor对bounding box进行回归 Training is expensive in space and time: 时
【论文】Fast RCNN
Aries_young的博客
09-18 192
【论文】Ross Girshick. Fast R-CNN. （pdf） Why is Fast RCNN RCNN 存在的问题： 训练分多阶段进行 （1）fine-tune ConvNet；（2）fit SVMs to CovNet features；（3）learn bbox regression 训练耗时、占内存 从磁盘读出图片然后再对 object proposal 提取特征 测试时检测速度慢 测试时对每张图片的每个 object proposal 提取特征，每张图片提取 2k 个 objec.
Fast RCNN论文总结
m0_57131092的博客
01-29 4096
原文链接 [1504.08083] Fast R-CNN (arxiv.org) Abstract Fast RCNN在实现了几个创新点后在提升训练、测试速度的同时增加了检测的准确度 Introduction 检测需要准确的物体位置信息，要解决这一问题有两个挑战：其一是大量的候选区需要被处理，其二是这些候选区只包含粗略的位置信息而必须被精炼才能得到准确位置。解决这些问题通常会伴随着速度、准确度和模型复杂度三者的相互制约。 作者提出了一种单步的训练算法，能够将分类与精炼空间位置联合在一起学习。
VQ-VAE论文精读
最新发布
07-29
VQ-VAE（Vector Quantized Variational AutoEncoder）是一种改进型的变分自编码器（VAE），其核心思想是通过引入离散的潜在表示来提升生成模型的性能。与传统VAE不同，VQ-VAE的潜在空间是由一组离散的嵌入向量（embedding vectors）构成的，这使得模型能够更有效地学习到语义上有意义的表示，并避免了传统VAE中常见的后验崩溃问题。 ### 核心思想 VQ-VAE 的核心思想在于将连续的潜在变量替换为离散的潜在表示。具体来说，编码器将输入数据映射到一个连续的潜在空间，然后通过一个量化过程将这些连续值映射到最近的嵌入向量上。这个过程类似于向量量化（Vector Quantization），因此得名 VQ-VAE。这种离散化的潜在表示不仅能够减少模型的冗余性，还能提升生成图像的质量和多样性。 ### 模型架构 VQ-VAE 的模型架构主要包括三个部分：编码器（Encoder）、量化器（Quantizer）和解码器（Decoder）。 1. **编码器（Encoder）**：编码器的作用是将输入数据（如图像）映射到一个连续的潜在空间。通常，编码器是一个卷积神经网络（CNN），其输出是一个连续的潜在向量 $ z_e $。 2. **量化器（Quantizer）**：量化器的作用是将编码器输出的连续潜在向量 $ z_e $ 映射到最近的嵌入向量 $ e_k $。嵌入向量集合 $ E = \{e_1, e_2, ..., e_K\} $ 是模型的一部分，通过训练学习得到。量化过程可以表示为： $$ z_q = e_k \quad \text{where} \quad k = \arg\min_j \|z_e - e_j\| $$ 这里，$ z_q $ 是量化后的潜在向量，$ e_k $ 是与 $ z_e $ 最接近的嵌入向量。 3. **解码器（Decoder）**：解码器的作用是将量化后的潜在向量 $ z_q $ 映射回输入空间，生成重构的数据。解码器通常也是一个卷积神经网络（CNN）。 ### 实现原理 VQ-VAE 的实现原理可以分为以下几个步骤： 1. **编码阶段**：输入数据 $ x $ 通过编码器得到连续的潜在向量 $ z_e $。 2. **量化阶段**：将 $ z_e $ 映射到最近的嵌入向量 $ e_k $，得到量化后的潜在向量 $ z_q $。 3. **解码阶段**：将 $ z_q $ 输入解码器，生成重构的数据 $ \hat{x} $。 4. **损失函数**：VQ-VAE 的损失函数主要包括三个部分： - **重构损失**：衡量输入数据 $ x $ 和重构数据 $ \hat{x} $ 之间的差异，通常使用均方误差（MSE）。 - **代码本损失**：鼓励嵌入向量 $ e_k $ 接近编码器输出 $ z_e $，通常使用 $ \|z_e - e_k\|^2 $。 - **承诺损失**：防止编码器输出 $ z_e $ 偏离嵌入向量 $ e_k $，通常使用 $ \|z_e - e_k\|^2 $，但梯度方向相反。 综合起来，损失函数可以表示为： $$ L = \|x - \hat{x}\|^2 + \|z_e - e_k\|^2 + \beta \|z_e - e_k\|^2 $$ 其中，$ \beta $ 是一个超参数，用于平衡代码本损失和承诺损失。 ### 代码示例 以下是一个简单的 VQ-VAE 实现示例，使用 PyTorch 框架： ```python import torch import torch.nn as nn import torch.nn.functional as F class VectorQuantizer(nn.Module): def __init__(self, num_embeddings, embedding_dim, beta=0.25): super(VectorQuantizer, self).__init__() self.embedding_dim = embedding_dim self.num_embeddings = num_embeddings self.beta = beta self.embeddings = nn.Embedding(num_embeddings, embedding_dim) def forward(self, inputs): # Flatten inputs except last dimension input_shape = inputs.shape flat_inputs = inputs.view(-1, self.embedding_dim) # Calculate distances distances = (torch.sum(flat_inputs**2, dim=1, keepdim=True) - 2 * torch.matmul(flat_inputs, self.embeddings.weight.t()) + torch.sum(self.embeddings.weight**2, dim=1, keepdim=True).t()) # Get encoding indices encoding_indices = torch.argmin(distances, dim=1).unsqueeze(1) encodings = torch.zeros(encoding_indices.shape[0], self.num_embeddings, device=inputs.device) encodings.scatter_(1, encoding_indices, 1) # Quantize and unflatten quantized = torch.matmul(encodings, self.embeddings.weight).view(input_shape) # Calculate losses codebook_loss = F.mse_loss(quantized.detach(), inputs) commitment_loss = F.mse_loss(quantized, inputs.detach()) loss = codebook_loss + self.beta * commitment_loss quantized = inputs + (quantized - inputs).detach() avg_probs = torch.mean(encodings, dim=0) perplexity = torch.exp(-torch.sum(avg_probs * torch.log(avg_probs + 1e-10))) return loss, quantized, perplexity, encodings class VQVAE(nn.Module): def __init__(self, num_hiddens, num_residual_hiddens, num_residual_layers, num_embeddings, embedding_dim, beta=0.25): super(VQVAE, self).__init__() self._encoder = nn.Sequential( nn.Conv2d(3, num_hiddens // 2, kernel_size=4, stride=2, padding=1), nn.ReLU(), nn.Conv2d(num_hiddens // 2, num_hiddens, kernel_size=4, stride=2, padding=1), nn.ReLU(), ResidualStack(num_hiddens, num_residual_layers, num_residual_hiddens) ) self._pre_vq_conv = nn.Conv2d(num_hiddens, embedding_dim, kernel_size=1, stride=1) self._vq_vae = VectorQuantizer(num_embeddings, embedding_dim, beta) self._decoder = nn.Sequential( nn.ConvTranspose2d(embedding_dim, num_hiddens, kernel_size=4, stride=2, padding=1), nn.ReLU(), nn.ConvTranspose2d(num_hiddens, 3, kernel_size=4, stride=2, padding=1) ) def forward(self, x): z = self._encoder(x) z = self._pre_vq_conv(z) loss, quantized, perplexity, _ = self._vq_vae(z) x_recon = self._decoder(quantized) return loss, x_recon, perplexity class ResidualStack(nn.Module): def __init__(self, in_channels, num_hiddens, num_residual_hiddens): super(ResidualStack, self).__init__() self._block = nn.Sequential( nn.ReLU(), nn.Conv2d(in_channels, num_residual_hiddens, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(num_residual_hiddens, num_hiddens, kernel_size=1, padding=0) ) def forward(self, x): return x + self._block(x) ``` ### 相关问题 1. VQ-VAE 如何解决传统 VAE 中的后验崩溃问题？ 2. 在 VQ-VAE 中，量化器的作用是什么？ 3. VQ-VAE 的损失函数包含哪些部分，各自的作用是什么？ 4. 如何在实际应用中选择 VQ-VAE 的超参数，如嵌入向量的数量和维度？ 5. VQ-VAE 在图像生成任务中的表现与其他生成模型（如 GAN 和扩散模型）相比如何？
评论
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