Tensorflow-cpu 1.x安装——环境搭建(3)

Windows 10系统下安装和搭建TensorFlow笔记(for CPU only) 1. 环境介绍 CPU:Intel Core i5 7500 OS:Windows 10 x64 VS:Visual Studio 2015 Anaconda:5.3.0 x64(下载地址:https://www.anaconda.com/download/ ) 注意: 本文仅适用于基于CPU的TensorFlow环境搭建,对GPU硬件没有要求,也无需安装显卡驱动。 2. 安装Anaconda... 阅读详情

建议用python=3.6装tensorflow=1.13.1

1. 创建环境

  conda create -n tf_2.0 python=3.5.2

在这里插入图片描述

2. 进入环境

  activate tf_2.0

在这里插入图片描述

3. 安装cpu版本的tensorflow

 pip install --ignore-installed --upgrade tensorflow

在这里插入图片描述

4. 在jupyter notebook运行tensorflow

在当前环境下的命令提示符输入
conda install ipython
conda install jupyter
jupyter notebook

在这里插入图片描述

linux 下 tensorflow GPU/CPU版本安装、环境搭建 tensorflow(00)–环境搭建 本文将展示如何在 debian 下安装 CPU/GPU 版本的 tensorflow1.12.0 本文使用的基本环境:deepin15.9(基于debian8)、python3.6、pip9 一、 CPU 版本安装 直接使用 pip 进行安装即可: pip install tensorflow # 可使用 ‘==1.x.x’ 指定版本。[eg.] pip... 阅读详情

相关推荐

深度学习卷积神经网络,tensorflow1.x版本从入门安装环境到模型代码运行,tensorflow1.x用LeNet实现手写数字识别

清华大学开源软件镜像站,致力于为国内和校内用户提供高质量的开源软件镜像、Linux 镜像源服务,帮助用户更方便地获取开源软件。先输入命令:conda config --set show_channel_urls yes ,然后去anaconda安装的路径找到。注意:如果你的添加镜像源后不能用conda下载模块,那么就删除掉不用配置镜像源了,使用。得到的结果如下,其中可以看出第二行第四列预测错误,正确结果应该是3,模型结果是5。然后输入命令jupyter notebook就可以到浏览器写代码了。

m0_59799878的博客 1404

【TensorFlow1.X】系列学习笔记【环境搭建】

【TensorFlow1.X】系列学习笔记【环境搭建】

yangyu0515的博客 2824

Warning-[INFL_DELTA] Too many events zero delay loop

项目场景: 运用VCS工具执行仿真的时候,遇到如下错误提示,但仿真还在继续。 Warning-[INFL_DELTA] Too many events Possible zero delay loop. Too many events in the simulation at time 0 fs. 问题描述: 为什么会有这个问题; 什么导致了这个问题; 原因分析: 1、为什么会有这个问题 由于竞争条件或编码风格不明确,可能会产生零延时回路,导致仿真挂起或仿真时间无限。 2、什么导致了这个问题 举

hh199203的博客 1万+

tensorflow 1.x版本安装:pip 或 whl

tensorflow1.15 加载model出现AttributeError: ‘str’ object has no attribute ‘decode’

ResumeProject的博客 4168

VSCode连接SAP ABAP开发环境

本文介绍了使用VSCode连接ABAP开发环境的详细步骤。首先通过SICF或SMICM事务码获取ABAP连接地址,然后安装ABAP remote filesystem插件。提供了两种创建连接的方法:通过命令面板逐步配置(输入服务器地址、账号、系统标识等)或直接编辑JSON配置文件。最后通过命令面板选择已创建的连接即可完成连接,连接成功后可在VSCode左侧工作区查看ABAP系统内容进行开发。JSON配置方式更为简便推荐。整个流程帮助开发者摆脱复杂的Eclipse配置,实现快速便捷的ABAP开发环境搭建。

weixin_45293769的博客 2219

VisionMaster 4.2.0安装

按照顺序安装。

XuXing_java的专栏 3819

windows环境下Tensorflow环境搭建(CPU版)

windows中Tensorflow环境搭建及PyCharm中配置tensorflow环境

Yuanbaokk的博客 4757

移动机器人底盘-四轮差速模型(四轮独立)

对于底盘的前轮和后轮来说,其速度是同步的,那么在理想条件下,可以将底盘运动视为以ICR为圆心做圆周运动,对于四个轮子来说,圆周运动的角速度是一致的,圆周运动圆心ICR始终位于底盘几何中心COG的y轴延长线上,ICR与COG之间的距离。有关,整个底盘的速度位于速度瞬心COM处,用。四轮差速底盘设定左轮、右轮得速度分别为。圆周运动的角速度公式如式1所示。受约束,约束与圆周运动的角速度。合成,设四个轮子的速度分别为。,设左轮和右轮之间的轴距为。为圆周运动角速度,线速度为。,其均由预设目标速度。

Moresweet 猫甜 1万+

在anaconda离线安装tensorflow1.X

在anaconda离线安装tensorflow1.X

qq_43732303的博客 1575

遥感大模型的深度学习从CNN到Vision Transformer以及混合架构的演进之路

深度学习,特别是以卷积神经网络(CNN)和Transformer为代表的“大模型”技术,正以其强大的表征学习能力,深刻地重塑着遥感智能解译的整个技术栈与认知范式。本文将系统性地梳理遥感大模型从局部卷积的奠基,到全局注意力的革命,再到二者融合的混合架构演进这一波澜壮阔的历程。我们将深入剖析每个阶段的核心技术原理,结合遥感数据特性与实际应用案例,详细阐述其在分类、检测、分割等核心任务中的具体应用。

panshengwu的博客 1142

假期搞定!2026国社科申报AI全攻略指南:从选题到创新,7大核心要点手把手教你!

最后给大家推荐的400多所高校教师都在用的AI平台——高级学术版专业应用平台,集成了国际主流学术应用,以及ChatGPT、Claude、Gemini、Grok等Al大模型的高级版本平台,还有,可以辅助大家高效完成科研和学术写作任务,当然撰写硕博论文,课题、职称论文、国社科、国自然基金本子也是手拿把掐。你的任务是:用高度凝练的方式说明在(某一明确国家战略 / 政策方向,如:中国式现代化、共同富裕、基层治理现代化、数字中国、文化强国、国家安全等)背景下,我究竟要研究一个什么“具体而可操作的问题”。

智能AI让学术科研更容易 626

Tensorflow系列:如何安装Tensorflow CPU版(Tensorflow 2.1版本)?

趁着2020年的春节长假,简单学习了一下梦寐以求的python。学完python皮毛,怎么能不尝试下tensorflow,毕竟人家这么火。由于只是尝试,机器性能也一般,咱就不上GPU版本了,只想着装个纯CPU版本的体验体验。但是遇到的问题也不少,在此给大家分享一下,讲述下我的心路历程。 首先声明一下本人操作系统是win10家庭中文版(系统买本自带的,懒得换了),安装的是截止目前最新的Tensor...

zhanghai4155的专栏 4万+

筑基篇第9节:CUDA内存管理API进阶

CUDA多维内存管理与零拷贝技术 本文介绍了CUDA中高效处理多维数据的内存管理技术。对于二维数据,使用cudaMallocPitch可确保内存对齐访问,提升75%的带宽利用率;三维数据则通过cudaMalloc3D实现切片对齐。配套的cudaMemcpy2D/3D函数能高效处理数据拷贝。此外,零拷贝内存技术允许内核直接访问主机内存,避免显存拷贝开销。这些技术对图像处理、科学计算等应用至关重要,能显著提升多维数据处理的性能。

PeterPan的博客 83

『带你学AI』极简安装TensorFlow2.x的CPU与GPU版本教程

0 前言 TensorFlow 2.0,今天凌晨,正式放出了2.0版本。 不少网友表示,TensorFlow 2.0比PyTorch更好用,已经准备全面转向这个新升级的深度学习框架了。 本篇文章就带领大家用最简单地方式安装TF2.0正式版本(CPU与GPU),由我来踩坑,方便大家体验正式版本的TF2.0。 废话不多说现在正式开始教程。 1 环境准备 我目前是在Window...

简明AI工作室 3万+

把 ABAP writable CDS view entity 讲透:从只读建模到可写模型的 ABAP CDS 新能力

摘要:SAP引入的writable CDS view entity突破了传统CDS视图只读的限制,允许通过ABAP SQL直接进行数据修改。该特性通过WRITABLE关键字定义,使CDS视图成为与数据库表同等级别的可写对象。其核心价值在于为数据集成、中间层同步等场景提供结构化写入入口,但需注意不应绕过业务规则。最佳实践建议保持底层表结构简单映射,避免复杂变形。这一特性标志着CDS从单纯消费模型向双向数据交互能力的演进,为ABAP开发提供了新的数据边界设计思路。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1314

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

tensorflow1 tensorflow 2 安装配置(cpu+gpu)windows+linux

tensorflow安装 2.16.1版本

ziqibit的博客 1万+

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

anaconda3 安装 tensorflow1.x + tensorflow 2.x 步骤 (win10)

最近初学深度学习,原本是tensorflow 1.x 版本,找到应该pdf教程,用的是 2.x 版本,所以就试一下了。但是这个玩意儿挺麻烦,环境配置的时候遇到了很多坑,卸了装,装了卸,前前后后装了很多遍,报错也很多,足足折腾了两天多的时间,算是成功安装了,分享一下安装的步骤。 1. 安装anaconda3 首先安装anaconda3,这类教程很多了,不再赘述。 详细教程:Anaconda详细安装及使用教程 啰嗦一句,安装好了anaconda之后,为了让你的conda安装包的时候更好用,需要做以下两个事情。

StevenLin的博客 3581

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Statistics and Machine Learning Toolbox

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

Python3.8安装tensorflow

以下内容是针对安装tensorflow-CPU版本的。 tensorflow已经支持Python3.8版本的安装。 可以查看自己的Python版本信息,以及可以支持的tensorflow版本号。在Anaconda promot界面使用python --version(注意是**–version**)。本人的是3.8.8 使用python -m pip debug --verbose查看可以支持的tensorflow信息,这里显示最高支持cp38的 tensorflow的下载使用的是国内的镜像,本人使用

LilyS1的博客 3万+

【TensorFlow】tensorflow简介和环境搭建、入门

TensorFlow是深度学习领域使用最为广泛的一个Google的开源软件库(最初由Google brain team进行开发的内部库,由于它的易用性Google决定把它开源出来). - 采取数据流图,用于数值计算. 节点——处理数据 线——节点间的输入输出关系 数据流图中的数据叫做tensor, 表示张量, 即N维数据, tensor在数据流图中流动表示计算的过程, 这也是tensorflow名字的由来.

专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发 2万+

【Windows下搭建深度学习环境之TensorFlow篇】一气呵成,五步搞定TensorFlow的安装!TensorFlow的安装之路

五步搞定TensorFlow的安装,搭建基于TensorfFlow的深度学习环境。

大道至简 1万+

tensorflow / tensorflow-gpu / tensorflow-cpu区别?

在tensorflow 1.x中, 环境 tensorflow==1.x tensorflow-gpu==1.x 只有CPU cpu运行 和tensorflow一样运行 有GPU且装Cuda和Cudnn cpu运行 gpu运行 有GPU未装Cuda或Cudnn cpu运行 和tensorflow一样运行 在tensorflow 2.x中, 环境 tensorflow-cpu==2.x tensorflow==2.x 只有CP

hello_program_world的博客 9227

基于CPU的tensorflow的环境搭建

2019.4.21学习笔记 一、 Tensorflow环境搭建 在网上找了很多个安装Tensorflow的文章,经过不断的尝试安好了一个简易的cpu版本的Tensorflow。 具体安装步骤是: 直接使用pip命令(安装CPU 版本的 TensorFlow) :pip3 install --upgrade tensorflow 用 Anaconda 进行安装Tensorflow(其中Anaconda必须是3.5版本,其他版本的好像要改配置,Anaconda 3.5版本的在官网好像下不到了,要在清华大学的镜

weixin_44154096的博客 940

基于anaconda虚拟环境的tensorflow(cpu版本)的安装注意事项

。

qq_44949041的博客 3433

【Tensorflow2.0】Tensorflow2.x的安装教程

anaconda 可以使tensorflow的安装变的简单 昨天tensorflow 开发者大会刚开完,会上发布了关于 TensorFlow 2.0,TensorFlow Lite,TensorFlow.js,Swift for TensorFlow,TFX 等产品生态体系的最新更新和首次发布的内容,2019年任会支持tensorflow1.x,但是我们相信,版本的升级会带来易用性和使用性能的提升......

dddeee的专栏 11万+

深度学习环境配置4——windows下的tensorflow-cpu=1.13.2环境配置

神经网络学习小记录60——windows下的tensorflow-cpu=1.13.2环境配置学习前言环境内容环境配置一、Anaconda安装1、Anaconda的下载2、Anaconda的安装二、配置tensorflow环境1、tensorflow环境的创建与激活2、tensorflow库的安装3、其它依赖库的安装4、安装较慢请注意换源三、安装VSCODE1、下载安装包安装(推荐)a、VSCODE的下载b、VSCODE的安装2、anaconda上安装 学习前言 好多人没有显卡想要配置深度学习环境,tens

Bubbliiiing的学习小课堂 1万+

TensorFlow 1.15.0 + Keras 2.3.1 on Python 3.6安装教程

TensorFlow 1.15.0 + Keras 2.3.1 on Python 3.6安装教程TensorFlow 1.15.0 + Keras 2.3.1 on Python 3.6安装教程1 下载Anaconda2 创建虚拟环境2.1 进入命令行2.2 创建虚拟环境2.3 查看虚拟环境3 安装tensorflow3.1 tensorflow CPU版3.1.1 激活tfenv虚拟环境3.1.2 安装tensorflow_cpu3.2 tensorflow GPU版3.2.1 查看CUDA版本3.2.

weixin_40274677的博客 7048
上一篇: Tensorflow安装——环境搭建(2)
下一篇: conda创建虚拟环境失败的解决办法
Priplex
博客等级 码龄6年 18粉丝 19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  | 博主筛选后可见
 
 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