机器学习工程师第一年的 12 点体会

机器学习加速器:面向业务落地的ML能力锚点实践 机器学习(ML)作为数字化转型的核心杠杆,其真正价值不在于算法精度,而在于能否以可测量、可嵌入业务流的方式驱动创新。本文聚焦‘accelerate’与‘innovation’两大核心诉求,解析如何将ML从实验室模型转化为具备确定性SLA的工程能力单元——即‘ML能力锚点’。通过预置轻量级、硬件适配、接口契约化的原子能力(如时序异常检测、多源数据对齐),显著压缩需求响应周期,解决传统端到端建模与业务创新节奏严重错配的痛点。适用于制造业预测性维护、智能充电桩健康预警、金融风控等强实时、低延迟、高可信场景,为一线 阅读详情
点击上方“AI派”,选择“设为星标”
最新分享,第一时间送达!


来源: 人工智能大数据与深度学习(ID:datayx)

机器学习和数据科学都是广义上的术语,它们涉及超级多的领域以及知识,一位数据科学家所做的事情可能与另一位有很大的不同,机器学习工程师也是如此。通常使用过去(数据)来理解或预测(构建模型)未来。

为了将上面刚刚提到的要点融入上下文中,我必须要解释我的角色是什么。曾经我呆在一个小机器学习咨询团队。我们做到了从数据收集到清洗、构建模型再到你能想到的多个行业的服务部署。因为团队很小,所以每个人头上都有很多头衔。

机器学习工程师的日常:

早上9点,我走进办公室,向同事问好,把食物放在冰箱里,倒一杯咖啡,走到我的办公桌前。然后我坐下来,看看前一天的笔记,打开Slack,阅读未读的消息并打开团队共享的论文或博客文章链接,因为这个领域发展很快,所以要多看一些前沿的东西。

我通常都是在读完未读消息后,会花一点时间来浏览论文和博客文章,并仔细研究那些理解起来困难的内容。不得不说这其中,有一些内容对我正在做的工作有很大的帮助。一般来说,阅读会花费我大概一个小时甚至更久,这取决于文章本身。有些朋友会问我为什么这么久?

在我看来,阅读是一种终极元技能。因为一旦有更好的方式来完成我当前在做的事情,我会立即通过学习使用它,从而节约更多的时间和精力。但也有特殊情况,如果有一个项目的截止日期临近,那么我将把阅读时间缩短来推进该项目。

完成阅读之后,我会检查前一天的工作,检查我的记事本,看看我需要从什么地方开始工作,为什么我可以这样做?因为我的记事本是流水账式的日记。

例如:「将数据处理为正确格式,现在需要在模型中训练这些数据。」如果我在工作过程中遇到了困难,则会写下类似于:「发生了数据不匹配的情况,接下来我将尝试修复混合匹配,并在尝试新模型之前获得基线。」

大约在下午4点的时候我会整理一下我的代码,大概涉及:让混乱代码变得清晰,添加注释,组合。为什么要这样做?因为这个问题我经常会问自己:如果其他人看不懂这个怎么办?如果是我要读这段代码,我最需要什么?有了这样的思考后,我觉得花费一段时间来整理代码变的格外有意义。大约在下午5点,我的代码应该会被上传到GitHub上。

这是理想的一天,但并不是每一天都是如此。有时候你会在下午4点有一个极好的想法,然后跟随它,然后就有可能是通宵。

现在你应该已经大致了解了机器学习工程师一天的日常了吧,接下来我会将我在其中获得的心得分享给你。

1.睁眼闭眼全是数据

很多时候,机器学习工程师都会专注于构建更好的模型,而不是改进构建它的数据。尽管可以通过投入足够的计算能力让模型提供令人兴奋的短期结果,但这始终不会是我们想要的目标。

首次接触项目时,必须要花费大量时间熟悉数据。因为从长远来看,熟悉这些数据在未来会将节省你更多的时间。

这并不意味着你不应该从细节着手,对于任何新数据集,你的目标应该是成为这方面的「专家」。检查分布、找到不同类型的特征、异常值、为什么它们是异常值等等此类问题。如果你无法讲出当前这些数据的故事,那又怎么让模型更好的处理这些数据呢?

640?wx_fmt=other

探索性数据分析生命周期的示例(每次遇到新数据集时都会执行的操作)。更多关于探索性数据分析的详细介绍。

2.沟通比解决技术问题更难

我遇到的大多数障碍都不是技术性的,而是涉及到沟通问题。当然,这其中也存在技术挑战,但作为工程师解决技术难题是我们的本职工作。

但永远不要低估内部和外部沟通的重要性。没有什么比技术选型错误更糟的了,因为这是要解决错误的技术挑战。到底什么情况会出现这样的情况呢?从外部来看,这是因为客户所追求的与我们可以提供的东西之间的不匹配。而在内部,因为很多人都身兼数职,所以很难确保每个人都可以全身贯注于一件事情。

碰到这些问题时到底如何解决呢?

对于外部问题,我们只能不断的与客户沟通。你的客户是否了解你可以提供的服务?你了解你的客户的需求吗?他们是否了解机器学习可以提供什么以及它不能提供什么?怎么样才能更有效的传达你的想法?

对于内部问题,你可以根据我们使用解决问题的软件工具的数量来判断内部通信有多难:Asana,Jira,Trello,Slack,Basecamp,Monday,Microsoft Teams。我找到的最有效的方法之一是在一天结束时在相关项目频道中进行简单的消息更新。

它完美吗?不,但似乎有效。它给了我一个机会来反思我做了什么,并告诉大家我接下来的什么工作需要谁的支持,甚至可以从大家那里得到建议。无论你是多么优秀的工程师,你维持和获得新业务的能力都与你沟通的技能能力有关。

3.稳定性>最先进的技术

现在有一个自然语言问题:将文本分类到不同的类别,目标是让用户将一段文本发送到服务并将其自动分类为两个类别之一。如果模型对预测没有信心,请将文本传递给人类分类器,每天的负载约为1000-3000个请求。

BERT虽然在最近一年很火。但是,如果没有谷歌那样规模的计算,用BERT训练模型来解决我们想要解决的问题时还是很复杂的,因为在投入生产之前,我们需要修改很多内容。相反,我们使用了另一种方法ULMFiT,尽管它不是最先进的,但仍然可以得到令人满意的结果,并且更容易使用。

4.机器学习初学者最常见的两个坑

将机器学习运用到实际生产中存在两个坑:一是从课程工作到项目工作的差距,二是从笔记本中的模型到生产模型(模型部署)的差距。

我在互联网上学习机器学习课程,以此来完成自己的AI硕士学位。但即使在完成了许多最好的课程之后,当我开始担任机器学习工程师时,我发现我的技能是建立在课程的结构化主干上,而项目并没有课程那样井井有条。

我缺乏很多在课程中无法学到的具体的知识,例如:如何质疑数据,探索什么数据与利用什么数据。

如何弥补这个缺陷呢?我很幸运能够成为澳大利亚最优秀的人才,但我也愿意学习并愿意做错。当然,错误不是目标,但为了正确,你必须弄清楚什么是错的。

如果你正在通过一门课程学习机器学习,那么继续学习这门课程,不过你需要通过自己的项目来学习你正在学习的知识,从而弥补课程中的不足。

至于如何进行部署?在这点上我仍然做的不是很好。还好我注意到了一种趋势:机器学习工程和软件工程正在融合。通过像Seldon,Kubeflow和Kubernetes这样的服务,很快机器学习将成为堆栈的另一部分。在Jupyter中构建模型是很简单的,但是如何让数千甚至数百万人使用该模型?这才是机器学习工程师应该思考的事情,这也是机器学习创造价值的前提。但是,根据最近在Cloud Native活动上的讨论情况来看,大公司以外的人并不知道如何做到这一点。

5. 20%的时间

20%的时间,这意味着我们20%的时间都花在了学习上。客观意义上,学习是一个松散的术语,只要是关于机器学习的都可以纳入到学习范畴内,相关业务也要不断的学习,作为机器学习工程师,懂业务可以极大的提高你的工作效率。

如果你的业务优势在于你现在所做的最好,那么未来的业务取决于你继续做你最擅长的事情,这意味着需要不断学习。

6.十分之一的论文值得阅读,但少用

这是一个粗略的指标。但是,探索任何数据集或者模型时,你很快就会发现这个规律是普遍存在的。换句话说,在每年数以千计的提交中,你可能会得到10篇开创性的论文。在这10篇开创性的论文中,有5篇可能来自于同一所研究所或者个人。

你无法跟上每一个新的突破,但可以在基本原则的坚实基础应用它们,这些基本原则经受住了时间的考验。

接下来是探索与开发的问题。

7.成为你自己最大的质疑者

探索与开发问题是尝试新事物和已经发挥作用事物之间的两难选择,你可以通过成为自己最大的怀疑者来处理这些问题。不断的向自己提问,选择这些取代旧的可以带来哪些好处?

开发一般来说,运行你已经使用过的模型并获得高精度数字很容易,然后可以将其作为新基准报告给团队。但是如果你得到了一个好的结果,记得检查你的工作,并再次让你的团队也这样做。因为你是一名工程师,你应该有这样的意识。

探索20%的时间花费在探索上是一个不错的决定,但是如果是70/20/10可能会更好。这意味着你需要在核心产品上花费70%的时间,在核心产品的二次开发上花费20%,在moonshots(未来要用的事情)上花费10%,虽然这些东西可能不会立即起作用。说起来很惭愧,我从来没有在我的角色中练习这个,但这是我正朝着这个方向发展的。

8.“玩具问题”非常有用

玩具问题可以帮你理解很多问题,特别是帮助解决一个复杂的问题。首先先建立一个简单的问题,它可能是关于你的数据或不相关数据集的一小部分。找出这个问题的解决方法,然后把他扩展到整个数据集中。在一个小团队中,处理问题的诀窍是抽象问题,然后理出头绪解决。

9.橡皮鸭

如果你遇到问题,坐下来盯着代码可能会解决问题,可能不会。这时,如果同你的同事探讨一下,假装他们是你的橡皮鸭,那么问题可能很容易就被解决了。

“Ron,我正在尝试遍历这个数组,并在循环通过另一个数组并跟踪状态,然后我想将这些状态组合成一个元组列表。”

“循环中的循环?你为什么不把它矢量化呢?““我能这样做吗?”“让我们来尝试下吧。”

10.从0开始构建的模型数量正在下降

这与机器学习工程与软件工程正在融合有关。

除非你的数据问题非常具体,否则许多问题非常相似,分类、回归、时间序列预测、建议。

谷歌和微软的AutoML等服务正在为每个可以上传数据集并选择目标变量的人提供世界一流的机器学习。在面向开发人员方面,有像fast.ai这样的库,它们可以在几行代码中提供最先进的模型,以及各种模型动画(一组预先构建的模型),如PyTorch hub和TensorFlow集线器提供相同的功能。

这意味着我们不需要了解数据科学和机器学习的更深层次原理,只需要知道他们的基本原理即可,我们应该更关心如何将它们应用到实际问题中去创造价值。

11.数学还是代码?

对于我所处理的客户问题,我们都是代码优先,而且所有的机器学习和数据科学代码都是Python。有时我会通过阅读论文并复现它来涉足数学,但是现有的框架大都包含了数学。这并不是说数学是不必要的,毕竟机器学习和深度学习都是应用数学的形式。

掌握最小矩阵的操作、一些线性代数和微积分,特别是链式法则足以成为一个机器学习从业者。

请记住,大多数时候或者大多数从业者的目标不是发明一种新的机器学习算法,而是向客户展示潜在的机器学习对他们的业务有没有帮助。

12.你去年所做的工作明年可能会无效

这是大趋势,因为软件工程和机器学习工程的融合,这种情况正在变得越来越明显。

但这也是你进入这个行业的原因,框架将发生变化,各种实用库将发生变化,但基础统计数据、概率学、数学、这些事情都是不变的。最大的挑战仍然是:如何应用它们创造价值。

现在怎么办?

机器学习工程师的成长道路上应该还有很多坑需要去探,如果你是一个新手,先掌握这12条就足够了!


(完)





640?wx_fmt=jpeg

?关注“Python与人工智能社区”


王老湿目前建立了Python、爬虫、数据分析、机器学习、AI实战、自然语言处理、计算机视觉、推荐系统等方向的读者交流群,大家可以添加王老湿的微信进行加群

640?wx_fmt=png
?长按识别,添加王老湿微信



近期专栏推荐 (点击下方标题即可跳转)


1. 

2. 

3. 

4. 

点下「在看」,给文章盖个戳吧!?

这份「零基础」机器学习实战课程,帮你彻底搞懂AI不再迷茫!——深度解析ML-For-Beginners 不仅仅是一份课程,它更是一扇通往未来智能世界的大门,一个帮助你系统掌握机器学习核心技能的“秘密武器”。微软官方出品、GitHub超30000星推荐、项目驱动、内容全面、免费开源——这些亮点共同构成了这份课程无与伦比的价值。无论你是一名学生、在职工程师,还是对AI充满好奇的零基础小白,都将为你提供一条清晰、高效、充满乐趣的学习路径。构建扎实的机器学习知识体系。掌握核心算法的实际应用能力。学会如何解决真实世界中的AI问题。为未来深入学习深度学习、AI工程化打下坚实基础。 阅读详情

相关推荐

ML Enabled Applications:构建可运维的机器学习软件产品

机器学习应用(ML Application)本质上是软件工程与统计建模在生产环境中的深度融合。它超越了传统模型训练与部署的概念,强调可观测性、可回滚性、特征一致性与业务指标对齐等工程能力。核心挑战在于应对数据漂移、训练-推理不一致、模型版本与代码版本耦合等现实问题。技术价值体现在将机器学习转化为稳定、低延迟、高可用的服务使能器(Enabled),而非独立模块。典型应用场景包括智能推荐、实时风控、搜索排序等需与业务逻辑深度集成的系统。本文聚焦于ONNX模型交付、特征仓库设计、分层部署策略及三层监控体系等落地关

Hi, Sun 947

不容错过 科技 商务高清背景图片素材推荐

最近看到很多朋友吐槽科技 商务高清背景图片素材不好找,有时花了大把时间却没找到合适的,而且有的时候会涉及到各种问题,不仅工作效率降低,还闹心郁闷,所以今天就给大家分享一下小编自己在亲身体验和搜寻网站中,收集到的免费的科技 商务高清背景图片素材网站,希望能够帮助到大家。 因为小编的工作原因,经常会使用到科技 商务高清背景图片资源,所以自己也寻找了很多的相关资源网站,在自己使用了那么久后,向大家推荐一个很好的网站,爱给网,里面的科技 商务高清背景图片资源,不仅质量好,数量多,新用户注册可以免费下载哦,很多资源

m0_61353765的博客 1042

solo ML工程师实战指南:从需求到上线的11天作战地图

机器学习工程不是模型调优,而是以业务动作为中心的问题求解过程。在缺乏专职数据团队、GPU资源和成熟MLOps体系的真实场景中,核心能力在于问题定义、评估先行、约束审计与最小可交付——这些基础但关键的技术实践,决定了AI项目能否真正落地并产生业务价值。本文聚焦单人ML工程师在资源受限环境下的完整工作流,涵盖数据审计、基线构建、轻量模型选型(如LightGBM、Logistic Regression、Serverless LLM)、FastAPI封装及批处理部署等硬核实操,特别强调‘评估器优先’和‘特征时间一致

chuoshao2508的博客 516

机器学习工程师第一年的12点体会

机器学习和数据科学都是广义上的术语,它们涉及超级多的领域以及知识,一位数据科学家所做的事情可能与另一位有很大的不同,机器学习工程师也是如此。通常使用过去(数据)来理解或预测(构建模型)未来。 为了将上面刚刚提到的要点融入上下文中,我必须要解释我的角色是什么。曾经我呆在一个小机器学习咨询团队。我们做到了从数据收集到清洗、构建模型再到你能想到的多个行业的服务部署。因为团队很小,所以每个人头上都有很多头...

阿里云云栖号 1333

Manifold:面向ML工程师的交互式模型调试操作系统

机器学习调试(ML debugging)是保障模型可靠性的核心工程能力,其本质在于对数据、特征、模型与线上行为进行可追溯、可干预、可验证的闭环分析。不同于传统监控工具侧重指标告警,现代ML调试系统需支持分布漂移检测、部分依赖分析(PDP)、特征贡献量化等关键技术手段,以支撑假设驱动的根因定位。这类能力直接服务于模型鲁棒性验证、线上故障快速归因及A/B测试可信评估等高频场景。Manifold作为典型代表,将可视化原语、语义化追踪与可组合画布深度融合,为ML工程师提供类IDE的调试体验——这正是当前AI工程化落

weixin_33743661的博客 556

AIDE ML:基于树搜索的AI代码优化工具,自动化机器学习工程实践

机器学习工程实践中,特征工程、模型调参等环节往往依赖工程师经验且耗时费力。传统线性迭代方法容易陷入局部最优,而树搜索(Tree Search)策略通过并行生成多个代码变体、评估反馈与剪枝,模拟了人类工程师的A/B测试思维,在探索广度与深度间取得平衡,显著提升了解决方案的多样性与质量。这种AI驱动的代码优化技术,能够将工程师从重复试错中解放,聚焦于高层策略与业务理解。AIDE ML作为开源研究平台,将这一理念工程化,通过代码生成器与反馈分析器的分工协作,结合Hydra配置系统,为机器学习任务提供了可复现的自动

weixin_30652491的博客 347

一位机器学习工程师的独白:影响你未来职业生涯的 12 件小事

如果未来的你将踏上机器学习工程师这条道路,那你很大可能将遇到和机器学习工程师 Daniel Bourke 相似的经历。在这一年的机器学习相关工作中,他发现很多事情都和想象的不同,有些事情也许看似没有意义,却价值无穷。 于是,他将这些经历与感悟总结起来,写成了下面这篇文章。 AI 科技评论将其编译如下,相信这些经历与建议也会给未来将踏入 AI 行业的你带来很大的启发。 工作站,家庭办公室和艺...

AI 研习社的博客 1048

告别里程焦虑:手把手教你用MATLAB/Simulink仿真电动车AMT换挡规律(附代码)

本文详细介绍了如何使用MATLAB/Simulink仿真电动车AMT换挡规律,帮助解决里程焦虑问题。通过搭建完整的仿真系统,包括电机MAP图处理、Stateflow逻辑实现和动力性与经济性换挡曲线生成,优化电动车换挡策略以提升续航与性能。附带的代码示例和实用技巧使开发者能够快速上手并验证仿真结果。

weixin_26757925的博客 308

如何学习机器学习的一点心得

结合自己的学习经历,总结一下如何学习机器学习。我自己的学习过程其实是非常混乱和痛苦的,一个人瞎搞现在也不知道入没入门。希望能对其他想自学机器学习而找不到方向的人有一点点帮助。 一、可以读读一些科普性的,综述性的东西。 南京大学周志华教授写的科普文章《机器学习和数据挖掘》还不错,对机器学习和数据挖掘的区别说的挺好。另外对机器学习的历史和前景做了说明。文章最后也给出了领域内比较重要的会议和期刊。

lcjpure的专栏 9724

gps matlab 书,《GPS基本原理及其Matlab仿真》杨俊.pdf

本书讲述了全球定位系统(GPS)的基本原理和概念,具体包括:GPS测量原理、GPS的结构和发展历史;GPS伪距定位和载波相位定位的原理;GPS中使用的坐标系和时间系统;C/A码的实现原理及载波调制过程;GPS信号捕获和跟踪原理及实现;便携式GPS系统的设计与实现及常用芯片资料等。此外,本书还讲了利用Matlab仿真GPS中涉及到的各种算法和原理,并且给出了所有仿真源程序和仿真框图。利用Matlab...

weixin_33603105的博客 1176

从零到一:ESP32-P4 PPA加速的配置陷阱与避坑指南

本文详细解析ESP32-P4结合LVGL的PPA硬件加速配置中的常见陷阱,包括内存对齐、缓冲区设置和同步机制等关键问题。提供实用的避坑指南和优化方案,帮助开发者高效启用esp32p4的PPA加速功能,显著提升图形渲染性能。

sky77的博客 396

机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)

《Image Scaling using Deep Convolutional Neural Networks》 介绍:使用卷积神经网络的图像缩放. 《Proceedings of The 32nd International Conference on Machine Learning》 介绍:ICML2015 论文集,优化4个+稀疏优化1个;强化学习4个,深度学习3个+深度学

jaccen的专栏 2992

高通camera:PDAF的配置与测试

确认相关log日志都已经打开了之后,判断是在3A算法中没有应用到PDAF,可能是之前在调试AF效果的时候关闭了PDAF,打开效果文件对应的文件夹,在\kamorta_lce_S5K3P9\Scenario.Default\XML\STATS。在log中搜索af_pdaf_proc_pd_single,这个函数是pdaf算法中的,源码被封装了,这里看不到,因此只能通过log打印出来的参数来分析pd是否正确,主要参数有pd ,defocus,confidence。PDAF的配置与测试。

arvin_xiong的博客 2490

BigQuery ML:用SQL实现机器学习工程化落地

机器学习工程化是指将模型开发、评估、部署与监控整合进可复用、可审计、可扩展的生产流程。其核心在于降低非必要复杂度,提升交付效率与系统鲁棒性。BigQuery ML 通过原生SQL接口,将特征工程、模型训练与在线预测深度嵌入数据平台,天然支持版本管理、数据快照与权限继承,显著缩短从假设验证到业务上线的周期。它并非替代Python生态,而是聚焦于结构化数据场景中高确定性、低迭代成本的建模环节,如用户分群、异常检测与销售预测。技术价值体现在免运维训练、零拷贝数据集成与SQL级可观测性,广泛应用于实时风控、智能运营

weixin_30239339的博客 426

Arcmap计算土方量教程

1. 创建现状TIN 结果数据: 2. 创建设计TIN 结果数据: 注意:现状TIN和设计TIN构建时候的坐标系不同,设置坐标系见最后的注意事项第1点,就是import(导入)那步骤,现状TIN构建时选择高程点数据或者等高线数据,设计TIN构建时候选择洱海面数据 3. TIN转栅格 改成你要存的数据库,注意中间不要有汉字 结果数据(设计TIN转栅格的同理) 4. 裁剪现状TIN转成的栅格 结果数据: 5. 计算土方量 结果数据: ...

欢迎关注,共同进步! 5017

ACC自适应巡航系统

ACC自适应巡航系统可在高速驾驶情况下,自动控制纵向跟车距离,减轻驾驶员的工作量。该功能主要依靠安装在车辆前挡风玻璃上的摄像头和布置在格栅附近的雷达进行融合实现。

未知艺术家的博客 207

机器学习算法工程师的自我修养

https://www.toutiao.com/a6647345854191501828/   2019-01-18 10:14:00 通往机器学习算法工程师的进阶之路是崎岖险阻的。《线性代数》 《统计学习方法》《机器学习》《模式识别》《深度学习》,以及《颈椎病康复指南》,这些书籍将长久地伴随着你的工作生涯。 除了拥有全面、有条理的知识储备,我认为,想成为一名优秀的算法工程师,更重要的是对...

喜欢打酱油的老鸟 991

OpenClaw 与十几款国产 “龙虾” 智能体深度对比

详解介绍OpenClaw和各种类似国产“龙虾”智能体工具深度对比

program哲学 2355

从事ml需要哪些技能

搞机器学习需要哪些技能_bitcarmanlee的博客-优快云博客_机器学习要求能力 https://blog.youkuaiyun.com/bitcarmanlee/article/details/51520258 -------------------------------------------------------------------------------------------------------------------------------------------------------

Zhou_Dao的博客 382

SAP_PP模块定额工艺路线简介

在 SAP PP(生产计划)模块中,定额工艺路线(Routing) 是生产制造流程中的核心主数据之一,用于定义制造一个产品所需的标准操作步骤。工艺路线详细描述了生产过程中的各个工序、使用的工作中心、标准作业时间、资源分配等信息,是进行生产计划、成本核算、排产控制、车间执行等功能的基础。

我小时候很黑的博客 767

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: 最新发布!斯坦福 CS224n 出作业视频详细讲解啦!
下一篇: 小白也能看懂的seaborn入门示例
Wang_AI
博客等级 码龄12年 998粉丝 162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