从头训练一个神经网络!教它学会莫奈风格作画!

用DCGAN实现莫奈风格AI再创作:从原理到实践 生成对抗网络(GAN)是深度学习中实现图像生成的核心范式,其通过生成器与判别器的博弈机制,模拟人类视觉认知中的‘感知-校验’闭环。DCGAN作为经典架构,凭借卷积结构、批量归一化与稳定训练特性,成为理解生成式AI原理的理想入口。在艺术生成场景中,它不追求像素级复刻,而聚焦于风格本质——如印象派对光色关系、笔触纹理与构图范式的抽象建模。本文以莫奈作品为数据基础,详解如何将艺术特征转化为可学习的数值表征,并通过潜空间操作、感知损失优化与定制化数据增强,推动模型从‘模仿’走向‘再想象’,为AI艺术创作提供兼具教学 阅读详情

💡 作者:韩信子@ShowMeAI
📘 深度学习实战系列:https://www.showmeai.tech/tutorials/42
📘 PyTorch 实战系列:https://www.showmeai.tech/tutorials/44
📘 本文地址:https://www.showmeai.tech/article-detail/324
📢 声明:版权所有,转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

如今 AI 艺术创作能力越来越强大,在艺术作画上表现也异常惊人,大家在ShowMeAI的文章 📘AI绘画 | 使用Hugging Face发布的diffuser模型快速绘画 和 📘AI绘画 | 使用Disco Diffusion基于文本约束绘画 了解新技术进展和 AI 作画效果展示,其中 OpenAI 的 DALL-E 2 和 Google 的 ImageGen 等项目基于文本提示作画的结果和真实艺术家的成品难辨真假。

但上述效果好的大厂项目通常是付费而非开源的,即使有少数开源项目,也远远超出了本地电脑的计算能力(至少对于那些电脑没有 GPU 的宝宝来说)。 本篇我们用不同于 diffuser 模型的另外一种方法:GAN(生成对抗网络)来完成AI作画。

本篇内容中ShowMeAI将带大家来使用 GAN 生成对抗网络完成莫奈风格作画。

💡 GAN简介

我们本篇使用到的技术是GAN,中文名是『生成对抗网络』,它由两个部分组成:

  • 生成器:『生成器』负责生成所需的内容(在当前场景下是图像),未经训练的生成器随机生成的效果类似噪声,但随着训练过程推进,生成器会产出越来越逼真的结果,直至『判别器』无法分辨真实图像与AI绘制的图像。

  • 判别器:『判别器』负责监督生成器学习,它将真实图像与生成器生成的图像进行比较,检测和分辨真假。随着训练过程推进,它越来越有分辨能力,并督促生成器不断优化。

下图是一个简易的 GAN 示意图:

自2014年第一个 GAN 被研究者提出,经过多年它已经有非常长足的进步,产生越来越好的结果。在本教程中,ShowMeAI将基于 Pytorch 基础上的一个 GAN 工具库 torchgan 完成一个 DCGAN 并应用于莫奈风格的图像绘制任务上。

💡 数据集&数据处理

本篇使用到的数据集来源于著名大师莫奈的画作,我们基于这些优秀的画作,让神经网络学习和尝试产生类似的内容。法国画家 📘克劳德·莫奈 生活在 19 世纪,他的画作可以在 📘https://www.wikiart.org/en/claude-monet 获取。

因为希望模型学习到的信息更充分,我们还扩充使用了很多类似大师风格的图像,更大的数据量可以使训练过程更容易。我们人类有很多背景知识先验知识,例如天空是蓝色的,树木是绿色的,但从神经网络的角度来看,任何图像都只是一个 RGB 数组,更多的数据可以帮助它们掌握这些基本规律。

关于数据处理与神经网络的详细原理知识,大家可以查看ShowMeAI制作的深度学习系列教程和对应文章

不过,即使采用了外观相似的图像,数据量依旧有点小。我们将使『数据增强』技术——它通过对图像的变换来构建新的图像达到数据扩增的效果。

我们创建一个自定义 Dataset 类,借助于 pytorch 的 transforms 功能,可以轻松完成数据扩增中的各种变换:

import torch.nn as nn
import torch.utils.data as data
import torchvision.datasets as dsets
import torchvision.transforms as transforms
import torchvision.utils as vutils
from PIL import Image
import globimg_size = 256
class ImagesDataset(data.Dataset):
    def __init__(self, images_path: str):
        self.files = glob.glob(images_path)
        self.images = [None] * self.__len__()

    def __len__(self):
        return 1000

    def __getitem__(self, index):
        if self.images[index] is None:
            self.images[index] = self.generate_image()
        return self.images[index]

    def generate_image(self):
        index = random.randint(0, len(self.files) - 1)
        img = Image.open(self.files[index]).convert('RGB')
        transform = transforms.Compose(
           [transforms.Resize(img_size + img_size//2),                                                   
            transforms.RandomCrop(img_size),
            transforms.RandomHorizontalFlip(),
            transforms.ToTensor()])
        resized = transform(img)
        return resized, index

上面的代码中,我们将所有图像调整为稍大的尺寸,然后应用随机裁剪和翻转构建新的输出图像。 对于莫奈的画,只使用了水平翻转和裁剪比较稳妥,但对于现代艺术样本,垂直翻转或随机旋转可能也是适用的。

我们随机取一点数据集,做可视化和验证有效性:

import torchvision.utils as vutils
import matplotlib.pyplot as plt
def show_images(batch):
    plt.figure(figsize=(12, 12))
    plt.axis("off")
    plt.title("Training Images")
    plt.imshow(np.transpose(vutils.make_grid(batch, padding=2, 
                            normalize=True).cpu(), (1, 2, 0)))
    plt.show()dataset = ImagesDataset(images_path="Paintings/Monet/*.png")
dataloader = data.DataLoader(dataset, batch_size=batch_size,  
                             shuffle=True)
batch = next(iter(dataloader))
show_images(batch[0][:64])

运行代码后,我们可以看到如下结果:

莫奈创作了大约 2500 幅画作,当然完整的画作集中可能会包含不同的内容物,大家看可以稍作筛选。

💡 构建神经网络

我们准备好数据集后,下一步就开始创建神经网络模型了。我们基于 📘torchgan 工具库,构建 GAN 并不复杂:

import torch
from torchgan.models import *
from torchgan.losses import *
dcgan_network = {
    "generator": {
        "name": DCGANGenerator,
        "args": {
            "encoding_dims": 100,
            "step_channels": 40,
            "out_channels": 3,
            "out_size": img_size,
            "nonlinearity": nn.LeakyReLU(0.3),
            "last_nonlinearity": nn.Tanh()
        },
        "optimizer": {"name": Adam, 
                      "args": {"lr": 0.0005, "betas": (0.5, 0.999)}}
    },
    "discriminator": {
        "name": DCGANDiscriminator,
        "args": {
            "in_channels": 3,
            "in_size": img_size,
            "step_channels": 40,
            "nonlinearity": nn.LeakyReLU(0.3),
            "last_nonlinearity": nn.LeakyReLU(0.2)
        },
        "optimizer": {"name": Adam, 
                      "args": {"lr": 0.0006, "betas": (0.5, 0.999)}}
    }
}

lsgan_losses = [LeastSquaresGeneratorLoss(),
                LeastSquaresDiscriminatorLoss()]

我们通过配置的方式,通过字典对网络结构和参数进行了设置。我们这里定义的DCGAN模型包含一个生成器 DCGANGenerator 和一个判别器 DCGANDiscriminator 。

下一步我们训练网络:

# 使用GPU或者CPU
if torch.cuda.is_available():
    device = torch.device("cuda:0")
    torch.backends.cudnn.deterministic = True
else:
    device = torch.device("cpu")batch_size = 64

# 迭代轮次
epochs = 2000

# 训练器
trainer = Trainer(dcgan_network, lsgan_losses, 
                  sample_size=batch_size, epochs=epochs,
                  device=device,
                  recon="./torchgan_images",
                  checkpoints="./torchgan_model/gan2",
                  log_dir="./torchgan_logs",
                  retain_checkpoints=2)
# 训练
trainer(dataloader)
trainer.complete()

上述代码中涉及的参数都可以调整,每一轮训练后会在 torchgan_images 文件夹中生成图像样本,训练得到的模型保存在 torchgan_model 文件夹中(模型文件不小,对于 256x256 的小尺寸图像,它的大小约为 440M Bytes),但我们仅在磁盘上保留最后 2 个模型 checkpoint。

训练过程中的中间数据日志记录在 torchgan_logs 文件夹下,我们可以通过 TensorBoard 工具实时查看训练中间状态,只需要运行 tensorboard -logdir torchgan_logs 命令即可,运行后我们可以在浏览器界面的 http://localhost:6006 URL中查看中间训练过程,如下图所示:

💡 训练与优化

GAN的训练过程是比较缓慢的,大家可能需要一些耐心。 GeForce RTX 3060 显卡 GPU + Ryzen 9 CPU 的设备上,对尺寸为 256x256 的图像数据集进行 2000 次训练大约需要 4 小时。

整个训练过程中,可以看到神经网络逐步生成越来越好的图像,我们把不同阶段的生产效果做成动图,如下所示:

有兴趣大家可以试着调整一下输入参数,也可以采集和提供更多的训练图片,效果可能会更好。

💡 总结

对比之前 ShowMeAI 提到过的 diffuser 模型,我们这里使用 📘DALL-E Mini 的在线版本 也生成了莫奈画作的图像,如下所示:

我们的DCGAN代码生成的结果分辨率会弱一点:

DALL-E Mini 的模型结构做过调整,且在数百万张图像进行过训练,比我们几个小时训练完的小模型效果好是正常的。大家如果采集更多的数据,尝试不同模型参数,结果可能会更好,快来一起试一试吧。

参考资料

手把手用DCGAN复现莫奈风格:从数据到生成的深度学习实践 生成对抗网络(GAN)是理解生成式AI底层原理的核心范式,而DCGAN作为其经典实现,以卷积结构、对抗训练和可解释性著称,成为入门图像生成任务的理想起点。它通过生成器与判别器的零和博弈,建模数据分布的本质规律,在艺术风格迁移、小样本图像合成等场景中具备独特教学价值与工程延展性。本文聚焦Data Science方法论下的DCGAN实战,深入剖析噪声设计、判别器双倍训练、Batch Size黄金平衡点等关键细节,并结合莫奈睡莲系列高清数据集,系统演示如何从零构建、调试并可视化一个真正‘懂光影’的生成模型。 阅读详情

相关推荐

深度学习框架PyTorch入门与实践:第八章 AI艺术家:神经网络风格迁移

本章我们将介绍一个酷炫的深度学习应用——风格迁移(Style Transfer)。近年来,由深度学习引领的人工智能技术浪潮越来越广泛地应用到社会各个领域。这其中,手机应用Prisma,尝试为用户的照片生成名画效果,一经推出就吸引了海量用户,登顶App Store下载排行榜。这神奇背后的核心技术就是基于深度学习的图像风格迁移。 风格迁移又称风格转换,直观点的类比就是给输入的图像加个滤镜,但是又不同于传统滤镜。风格迁移基于人工智能,每个风格都是由真正的艺术家作品训练、创作而成。只需要给定原始图片,并选择艺

u011436316的博客 3156

如何高效便捷的画出炫酷神经网络图

本文介绍几款如何画出炫酷高大上的神经网络图工具。

不脱发的程序猿 1万+

神经风格迁移实战:一行命令实现梵高/莫奈画风转换

神经风格迁移(Neural Style Transfer)是一种基于深度学习的图像生成技术,其核心原理是利用预训练卷积网络(如VGG19)分层提取内容语义与风格纹理,并通过Gram矩阵量化风格特征的统计规律。相比GAN等生成模型,NST具备输出确定、参数可控、部署轻量等工程优势,广泛应用于视觉设计、教育演示与品牌内容生产等场景。本文聚焦computer vision领域中风格迁移的落地实践,详解contentWeight与styleWeight的协同调优机制、Gram矩阵归一化关键细节、CPU环境加速技巧及

weixin_30653023的博客 656

Diffusion打卡笔记1-扩散模型及扩散模型库Diffusers入门

参加了Datawhale组织的扩散模型学习活动,完成了第一单元的学习工作,这里简单记录下学习所得。扩散模型从本质上来说是一种特殊的生成模型,所以在具体展开之前,先学习生成模型的基本定义。相比于判别模型最终要输出一个具体的类别或者预测值的方式,生成模型是来预测一组数据的概率分布,在给定训练数据x后,假设数据服从某真实分布p(x),则训练集可看作是从中采样的观测样本x,模型的作用就是通过训练集去学习估计这种真实的分布。而扩散模型就属于其中一种新的模型。

spf991022的博客 4306

机器学习笔记 - Kaggle竞赛 生成莫奈风格图像的GAN

我们通过艺术家的独特风格来识别他们的作品,例如颜色选择或笔触。由于生成对抗网络(GAN),现在可以用算法模仿像克劳德莫奈这样的艺术家的“je ne sais quoi”。在这个入门比赛中,您将把这种风格带到您的照片中,或者从头开始重新创造这种风格! 近年来,计算机视觉取得了长足的进步,GAN 现在能够以非常令人信服的方式模仿物体。但创造博物馆级的杰作被认为是艺术而非科学。那么(数据)科学能否以 GAN 的形式欺骗分类器,让他们相信你创造了一个真正的莫奈?这就是你要接受的挑战!

学以致用 知行合一 2224

AI绘画风格迁移实战:将照片转化为梵高_莫奈画风

本文旨在介绍AI绘画风格迁移的核心原理和实现方法,帮助读者理解并实践这一有趣的深度学习应用。我们将重点讲解基于卷积神经网络的风格迁移技术,并提供完整的Python实现代码。核心概念与联系:解释风格迁移的基本原理算法原理与实现:详细讲解神经风格迁移算法项目实战:完整的代码实现和解释应用场景与未来发展:探讨技术的实际应用和前景风格迁移(Style Transfer):将一幅图像的内容与另一幅图像的风格相结合的技术卷积神经网络(CNN):一种特别适合处理图像数据的深度学习模型。

AI大模型应用之禅 1521

【AIGC】Diffusers:扩散模型的开发手册说明2

扩散器被设计成一个用户友好且灵活的工具箱,用于构建适合您用例的扩散系统。工具箱的核心是模型和调度程序。然而 DiffusionPipeline 为方便起见将这些组件捆绑在一起,但您也可以解包管道并分别使用模型和调度程序来创建新的扩散系统。解构 Stable Diffusion 流水线稳定扩散是一种文本到图像的潜在扩散模型。它被称为潜在扩散模型,因为它使用图像的低维表示而不是实际的像素空间,这使得它更节省内存。编码器将图像压缩为较小的表示形式,解码器将压缩的表示形式转换回图像。对于文本到图像模型,需要。

qq_44091004的博客 1889

Monet2Photo 莫奈2照片-数据集

Monet2 照片数据集由 1193 幅莫奈绘画和 7038 张自然照片组成,每张照片都分为火车和测试子集。 monet2photo_datasets.txt monet2photo_datasets.zip

生成模型(四):扩散模型02【第一单元:扩散模型简介】

欢迎来到 Hugging Face 扩散模型课程第一单元!在本单元中,你将学习有关扩散模型如何工作的基础知识,以及如何使用 🤗 diffusers 库。扩散模型是「生成模型」算法家族的新成员通过学习给定的训练样本,生成模型可以学会如何生成数据,比如生成图片或者声音。一个好的生成模型能生成一组样式不同的输出。这些输出会与训练数据相似,但不是一模一样的副本。扩散模型如何实现这一点?为了便于说明,让我们先看看图像生成的案例。

u013250861的博客 4323

某头部能源集团“数据治理”到“数智应用”跃迁案例剖析

本次案例能源企业实现了从“数据可用”到“指标驱动”再到“智能决策”的全链条升级,标志着集团在数字化、智能化治理能力上的系统跃升,构建起面向未来的数智管理新范式。

a958014226的博客 1258

GD32 I2C中断通信实战:主机与从机高效数据交换方案

本文详细解析了GD32微控制器I2C中断通信的实战方案,通过配置I2C0为主机、I2C1为从机,实现高效的双向数据交换。文章深入剖析了中断服务程序(ISR)的核心配置、关键状态标志位处理以及事件驱动机制,帮助开发者避免常见陷阱,提升系统响应速度与资源利用率,适用于传感器连接、多机通信等嵌入式场景。

cream的博客 847

神经网络系统画画——在windows下实现

原理:我们需要将图像x通过学习y的风格,得到图像z,则我们需要定义一个函数描述z和x内容的差异,另一个函数描述z和y风格的差异,然后优化z。具体而言 Alpha, Beta是权重系数,p是真实图片photograph,a是艺术风格artwork,x是我们的制造的图片。Total loss 是 content loss和 style loss的加权。 换句话说,art style的核心问题有两

zsh_hehe的博客 3191

uniapp自定义tabbar闪屏?3步搞定原生tabbar隐藏+自定义占位(附完整代码)

本文针对UniApp开发中自定义TabBar切换页面闪烁的痛点,提供了一套根治方案。通过隐藏原生TabBar并利用自定义组件进行视觉占位,巧妙结合原生切换的无闪烁优势与自定义设计的灵活性。文章详细解析了闪屏根源,并附上完整的page.json配置与代码实现,帮助开发者彻底解决此问题,提升小程序应用质感。

postgres8guard的博客 1531

惊艳!AI印象派工坊打造的莫奈风格水彩作品展示

本文介绍了基于“星图GPU”平台自动化部署🎨 AI 印象派艺术工坊镜像的完整方案。该镜像利用OpenCV算法实现无需深度学习模型的照片风格迁移,支持一键生成莫奈水彩等四种艺术效果,适用于AI艺术创作、图像处理应用开发等场景,具备轻量、高效、可解释性强的优势。

weixin_42551310的博客 798

华为L420X/L540X信创笔记本从麒麟系统安装Windows ARM版实操指南

在计算机系统生态中,指令集架构决定了软件运行的基础,其中ARM作为精简指令集(RISC)的代表,与x86的复杂指令集(CISC)存在根本差异,因此操作系统与驱动的兼容性成为软硬件协同的关键。ARM架构处理器凭借低功耗与高能效比,在移动计算和桌面领域持续扩展,微软也为此提供了专用的Windows ARM版本。对于信创笔记本用户而言,当专业软件、考试环境或内部工具仅支持Windows平台时,在ARM设备上完成系统切换便具有明确的工程实践价值。本文以华为L420X/L540X搭载麒麟9000C芯片的信创笔记本为实

weixin_30444111的博客 612

免费搞定DWG转DXF:ODA File Converter保姆级配置指南(附常见报错解决)

本文详细介绍了如何使用ODA File Converter免费工具实现DWG到DXF的格式转换,包括环境配置、命令行参数解析、编程集成方案及常见问题解决。特别针对网络访问异常、参数配置等实际痛点提供应对策略,帮助用户高效完成工程设计文件的格式转换。

weixin_29291185的博客 6072

用DCGAN从零训练莫奈风格生成模型:数据科学实战

生成对抗网络(GAN)是理解生成式AI底层逻辑的核心技术范式,其原理在于生成器与判别器的动态博弈优化过程。DCGAN作为GAN的奠基性架构,通过规范化的卷积结构、转置卷积上采样和批归一化设计,为初学者提供了可解释、可调试、可复现的学习路径。它不仅具备扎实的技术教学价值,更在艺术风格建模、小样本图像生成等轻量级场景中展现出独特实用性。结合印象派绘画这类高语义、低像素约束的数据,DCGAN能有效学习笔触节奏、色彩分布与构图呼吸感等隐式风格特征,成为Data Science与计算机视觉交叉实践的理想载体。本文即以

cunbei2644的博客 448

SAP ABAP CO核心扩展-为企业定制ZCKM3N物料价格分析增强(CKM3 CKM3N CKM8N)

这篇文章,将为大家讲述物料价格分析扩展增强(ZCKM3N)的方法和原理,并基于CKM3N的视图之一“CV成本组件”,教大家如何一步步实现批量输出多工厂物料的物料价格分析报表。

SAP李斌,本人承诺所有原创文章均不使用任何AI生成技术,请大家放心阅读。 3987

看完就想试!AI 印象派艺术工坊打造的莫奈风作品展示

本文介绍了基于星图GPU平台自动化部署🎨 AI 印象派艺术工坊镜像的完整方案。该镜像利用OpenCV算法实现无需深度学习模型的图像风格迁移,支持一键生成莫奈水彩等四种艺术效果,特别适用于风景照的艺术化处理与AI创意应用开发,操作简便且可离线运行。

weixin_42103128的博客 807

KUKA机器人修改机器人名称和IP地址的具体方法示例

KUKA机器人修改机器人名称和IP地址的具体方法示例

Robot_PLC_HMI_Automation 5263

NSIS教程(8): 基于第三方界面库的安装包界面

前面的几篇文章介绍了NSIS的传统界面的安装包和现代界面的安装包的制作方法,也提到了NSIS支持自定义页面(即使用page custom)的特性,自定义页面需要用户自己创建对话框、控件、添加控件响应等等,虽然NSIS提供了nsDialogs.nsh来支持这些功能,但使用起来还是不太方便(需要专门了解这个插件诸多用法),而且不够灵活,所以本文介绍一种终极的自定义界面的安装包解决方案,即完全使用第三方

while(1) { smile(); } 9万+

惊艳案例分享:用「AI印象派艺术工坊」制作的莫奈风作品集

本文介绍了基于“星图GPU”平台自动化部署🎨 AI 印象派艺术工坊镜像的实践案例,该镜像利用OpenCV算法将普通照片一键转化为莫奈风格的艺术作品,适用于AI艺术创作、图像风格迁移等场景,无需预训练模型,开箱即用,高效稳定。

weixin_42437253的博客 605

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

飞桨PaddlePaddle艺术大师:5分钟学会AI图像风格迁移

飞桨PaddlePaddle是百度推出的深度学习框架,支持高性能单机、分布式训练和跨平台部署。本文将介绍如何利用飞桨快速实现AI图像风格迁移,让你在5分钟内将普通照片变成艺术大作。 ## 什么是AI图像风格迁移? AI图像风格迁移是一种将一幅图像的风格应用到另一幅图像内容上的技术。它可以让你的照片瞬间拥有梵高、毕加索等艺术大师的绘画风格,或者模仿特定艺术作品的风格。 [![飞桨PaddleP

gitblog_00912的博客 1022

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

DeOldify效果展示:世界名画黑白线稿→梵高/莫奈风格上色再创作

本文介绍了如何在星图GPU平台上自动化部署DeOldify图像上色镜像,该镜像基于U-Net深度学习模型实现黑白图片上色。用户可借助该平台快速搭建服务,轻松将黑白线稿或老照片转化为彩色图像,典型应用于老照片修复、艺术创作及历史影像的生动再现。

weixin_35835030的博客 479

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

AI作画算法详解:原理、应用与未来发展

AI作画技术在未来将继续快速发展,推动技术、应用和社会的多方面变革。尽管面临诸多挑战,但其潜力和前景无疑是巨大的。随着技术的不断进步和应用的深入,AI作画将为人类社会带来更多创新和价值,成为未来人工智能领域的重要组成部分。

码上飞扬的博客 4179
上一篇: JavaScript热门面试问题集锦;职场提升的10个诀窍;苏黎世联邦理工『贝叶斯非线性统计反问题』课程讲义;提升图像分辨率的工具;前沿论文 | ShowMeAI资讯日报
下一篇: 真的?听声音就能识别新冠患者?DeepMind海龟面部识别AI实践;数据建模与数据库·最新课程;推荐系统快速实现框架;前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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