TensorFlow相关教程:使用tf.data加载图片

【0.4】Tensorflow踩坑记之tf.estimator 【0.4】Tensorflow踩坑记之tf.estimator 澜子我终于重回博客界了,虽然说在协会开设课程中关于Tensorflow的部分已经完全PU JIE,但是(划重点),本篇博客里还是有满满的干货滴。 本篇博客涉及到的几个重要的API分别是:tf.estimator, tf.feature_column, tf.data, tf.metrics, tf.image。 本篇的主要内容就是融合... 阅读详情
# 使用tf.data加载图片
# 使用的数据集分布在图片文件夹中,一个文件夹含有一类图片

import tensorflow as tf

AUTOTUNE = tf.data.experimental.AUTOTUNE

# 下载并检查数据集:花卉照片
# 检索图片:训练之前需要一组图片来教会网络想要训练的新类别。
import pathlib
data_root_orig = tf.keras.utils.get_file(
    origin='https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
    fname='E://.keras//datasets//flower_photos', untar=True
)
data_root = pathlib.Path(data_root_orig)
print(data_root)

for item in data_root.iterdir():
    print(item)

import random
all_image_paths = list(data_root.glob('*/*'))
all_image_paths = [str(path)for path in all_image_paths]
random.shuffle(all_image_paths)
image_count = len(all_image_paths)
print(image_count)
print(all_image_paths[:10])

#检查图片
import os
attributions = (data_root/"LICENSE.txt").open(encoding='utf-8').readlines()[4:]
attributions = [line.split(' CC-BY') for line in attributions]
attributions = dict(attributions)
import IPython.display as display
def caption_image(image_path):
    image_rel = pathlib.Path(image_path).relative_to(data_root)
    # return "Image (CC BY 2.0) " + ' -  '.join(attributions[str(image_rel)].split(' -  ')[:-1])
    return image_rel

for n in range(3):
  image_path = random.choice(all_image_paths)
  display.display(display.Image(image_path))
  print(caption_image(image_path))
  print()

# 确定每张图片的标签:列出可用的标签
label_name = sorted(item.name for item in data_root.glob('*/')if item.is_dir())
print(label_name)
# 为每个标签分配索引
label_to_index = dict((name, index) for index, name in enumerate(label_name))
print(label_to_index)
# 创建一个列表,包含每个文件的标签索引
all_image_labels = [label_to_index[pathlib.Path(path).parent.name]
                    for path in all_image_paths]
print("First 10 labels indices:", all_image_labels[:10])
# 加载和格式化图片
img_path = all_image_paths[0]
print(img_path)
img_raw = tf.io.read_file(img_path)
print(repr(img_raw)[:100]+"...")
# 解码为图像tensor(张量)
img_tensor = tf.image.decode_image(img_raw)
print(img_tensor.shape)
print(img_tensor.dtype)
# 根据模型调整其大小
img_final = tf.image.resize(img_tensor, [192, 192])
img_final = img_final/255.0
print(img_final.shape)
print(img_final.numpy().min())
print(img_final.numpy().max())

# 将这些包装在一个简单的函数里,以备后用
def preprocess_image(image):
    image = tf.image.decode_jpeg(image, channels=3)
    image = tf.image.resize(image, [192, 192])
    image/= 255.0 # 正则化在[0,1]范围内
    return image
def load_and_preprocess_image(path):
    image = tf.io.read_file(path)
    return preprocess_image(image)

import matplotlib.pyplot as plt

image_path = all_image_paths[0]
label = all_image_labels[0]

plt.imshow(load_and_preprocess_image(image_path))
plt.grid(False)
plt.xlabel(caption_image(img_path))
plt.title(label_name[label].title())
# plt.show()
print()

# 构建一个tf.data.Dataset
# 将字符串数组切片,得到一个字符串数据集
path_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)
# shapes(维数)和types(类型)描述数据集里每个数据项的内容
print(path_ds)

# 创建一个新的数据集
image_ds = path_ds.map(load_and_preprocess_image, num_parallel_calls=AUTOTUNE)

plt.figure(figsize=(8,8))
for n,image in enumerate(image_ds.take(4)):
    plt.subplot(2,2,n+1)
    plt.imshow(image)
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    plt.xlabel(caption_image(all_image_paths[n]))
    # plt.show()
# 创建一个标签数据集
label_ds = tf.data.Dataset.from_tensor_slices(tf.cast(all_image_labels,tf.int64))
for label in label_ds.take(10):
    print(label_name[label.numpy()])

# 打包成(图片,标签)对数据集
image_label_ds = tf.data.Dataset.zip((image_ds,label_ds))
# 这个新数据集的shapes(维数)和types(类型)也是维数和类型的元组
print(image_label_ds)

ds = tf.data.Dataset.from_tensor_slices((all_image_paths,all_image_labels))
# 元组被解压到映射函数的位置参数中
def load_and_preprocess_from_path_label(path, label):
    return load_and_preprocess_image(path), label
image_label_ds = ds.map(load_and_preprocess_from_path_label)
print(image_label_ds)

BATCH_SIZE = 32
# 设置一个和数据集大小一致的shuffle buffer size(随机缓冲区大小)以保证数据
# 被充分打乱
ds = image_label_ds.shuffle(buffer_size=image_count)
ds = ds.repeat()
ds = ds.batch(BATCH_SIZE)
# 当模型在训练的时候,‘prefetch’使数据集在后台取得batch
ds = ds.prefetch(buffer_size=AUTOTUNE)
print(ds)
print('----------------------------------------')
ds = image_label_ds.apply(
    tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)
)
ds = ds.batch(BATCH_SIZE)
ds = ds.prefetch(buffer_size=AUTOTUNE)
print(ds)

# 传递数据集至模型
mobile_net = tf.keras.applications.MobileNetV2(input_shape=(192, 192, 3), include_top=False)
mobile_net.trainable=False

def change_range(image,label):
    return 2*image-1,label
keras_ds = ds.map(change_range)

# 数据集可能需要几秒来启动,因为要填满其随机缓冲区
image_batch, label_batch = next(iter(keras_ds))
feature_map_batch = mobile_net(image_batch)
print(feature_map_batch.shape)

model = tf.keras.Sequential([
    mobile_net,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(len(label_name), activation='softmax')
])
# 输出预期的shape(维数)
logit_batch = model(image_batch).numpy()
print("min logit:", logit_batch.min())
print("max logit:", logit_batch.max())
print()
print("Shape:", logit_batch.shape)
model.compile(
    optimizer = tf.keras.optimizers.Adam(),
    loss = 'sparse_categorical_crossentropy',
    metrics=["accuracy"]
)
# 此处有两个可训练的变量--Dense层中的weights(权重)和bias(偏差)
print(model.trainable_variables)
model.summary()

steps_per_epoch = tf.math.ceil(len(all_image_paths)/BATCH_SIZE).numpy()
print(steps_per_epoch)
model.fit(ds, epochs=1, steps_per_epoch=3)

# 性能:提升性能的技巧pipeline(管道)
import time
default_timeit_steps = 2*steps_per_epoch+1
def timeit(ds, steps=default_timeit_steps):
    overall_start = time.time()
    # 在开始计时之前,取得单个batch来填充pipeline(管道)(填充随机缓冲区)
    it = iter(ds.take(steps+1))
    next(it)
    start = time.time()
    for i,(image,labels) in enumerate(it):
        if i%10 == 0:
            print('.',end='')
    print()
    end = time.time()
    duration = end-start
    print("{}batches:{}s".format(steps, duration))
    print("{:0.5f}Images/s".format(BATCH_SIZE*steps/duration))
    print("Total time:{}s".format(end-overall_start))

# 当前数据集的性能
ds = image_label_ds.apply(
    tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)
)
ds = ds.batch(BATCH_SIZE).prefetch(buffer_size=AUTOTUNE)
print(ds)
print(timeit(ds))

# 缓存:使用 tf.data.Dataset.cache 在 epoch 之间轻松缓存计算结果。这是非常高效的,特别是当内存能容纳全部数据时
ds = image_label_ds.cache()
ds = ds.apply(
     tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)
 )
ds = ds.batch(BATCH_SIZE).prefetch(buffer_size=AUTOTUNE)
print(ds)
print(timeit(ds))

# 如果内存不够容纳数据,使用一个缓存文件
ds = image_label_ds.cache(filename='./cache.tf-data')
ds = ds.apply(
    tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)
)
ds = ds.batch(BATCH_SIZE).prefetch(1)
print(ds)
print(timeit(ds))

# TFRecord文件:是一种用来存储一串二进制blob的简单格式
image_ds = tf.data.Dataset.from_tensor_slices(all_image_paths).map(tf.io.read_file)
tfrec = tf.data.experimental.TFRecordWriter('images.tfrec')
tfrec.write(image_ds)
# 接着,构建一个从TFRecord文件读取的数据集,并使用preprocess_image函数对图片进行解码、重新格式化
image_ds = tf.data.TFRecordDataset('images.tfrec').map(preprocess_image)
# 压缩该数据集和之前定义的标签数据集得到期望的(图片,标签)对
ds = tf.data.Dataset.zip((image_ds,label_ds))
ds = ds.apply(
    tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)
)
ds = ds.batch(BATCH_SIZE).prefetch(AUTOTUNE)
print(ds)
print(timeit(ds))

# 序列化Tensor
paths_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)
image_ds = path_ds.map(load_and_preprocess_image)
print(image_ds)
# 将tensor数据集转化为一个字符串数据集
ds = image_ds.map(tf.io.serialize_tensor)
print(ds)
tfrec = tf.data.experimental.TFRecordWriter('images.tfrec')
tfrec.write(ds)

ds = tf.data.TFRecordDataset('images.tfrec')
def parse(x):
    result = tf.io.parse_tensor(x, out_type=tf.float32)
    result = tf.reshape(result, [192,192,3])
    return result

ds = ds.map(parse, num_parallel_calls=AUTOTUNE)
print(ds)

ds = tf.data.Dataset.zip((ds,label_ds))
ds = ds.apply(
    tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)
)
ds = ds.batch(BATCH_SIZE).prefetch(AUTOTUNE)
print(ds)
print(timeit(ds))

秋叶ComfyUI整合包使用FRP实现公网访问教程 ComfyUI内网穿透 秋叶整合包 最近在做 ComfyUI 的实验时,我发现很多小伙伴都遇到一个问题:本地启动的 ComfyUI 服务只能在本地访问,想要通过公网远程访问,就必须借助来实现。作为一名前端开发工程师,我花了点时间把 ComfyUI 启动器和 FRP 配置整合了一下,今天就分享给大家。本文适合已经了解。需要注意的是 穿透到公网的话任何人都能访问 为了安全建议看我另一篇帖子加上密码验证 防止恶意攻击。 阅读详情

相关推荐

别再只看OPLS-DA得分图了!R2Y和Q2Y到底怎么看?一次讲透代谢组学模型验证

刚接触代谢组学数据分析的研究者,往往会被OPLS-DA得分图中清晰的分组效果所吸引,迫不及待地认为发现了显著差异。这种"看图说话"的冲动,恰恰是许多科研新手在审稿或项目汇报中遭遇质疑的根源。真正专业的分析,需要穿透图形表象,深入理解模型验证指标R2Y和Q2Y背后的统计学意义。

weixin_28683391的博客 182

tf.data处理数据全过程——代码详解

**`tf.data`为tensorflow官方最为推荐的处理数据的模块**。本文通过实例详细叙述使用`tf.data`处理数据的方法,其中包括**读入数据、预处理数据、使用数据增强**等,同时本文针对上述过程中涉及到的python 及 tensorflow 的api均进行了详细的说明,以求充分理解并自行完成满足实际需求的代码。本文使用tensorflow版本为v2.6且本文内容在**v2.0以上版本均适用。**...

AI_eNyu的博客 2361

Meta开源Ego-Exo4D数据集:如何用1400小时多模态视频训练你的AI模型

Meta开源的Ego-Exo4D数据集包含1400小时多模态视频,涵盖第一人称和第三人称视角、眼动追踪、IMU传感器等多种模态,是AI模型训练的宝贵资源。本文详细介绍了从数据集下载、预处理到模型训练的全流程,帮助研究者高效利用这一多模态数据集进行AI模型开发。

weixin_29159441的博客 345

TensorFlow 2.0 常用模块3:tf.data 流水线加速

在上一篇文章中,我们介绍了 高效的数据流水线模块 tf.data 的基本使用方式。 本篇文章我们将介绍如何通过 prefetch 和 map 的并行化参数,让 tf.data 的性能得到明显提升。 使用 tf.data 的并行化策略提高训练流程效率 当训练模型时,我们希望充分利用计算资源,减少 CPU/GPU 的空载时间。然而有时,数据集的准备处理非常耗时,使得我们在每进行一次训练前都需要花费大量...

zkbaba的博客 8196

I型和T型三电平逆变电路拓扑的性能比较

综上所述,三电平I型电路与T型电路各有优势, 耐压方面理论上I型电路要优于T型电路,损耗方面,T型电路要优于 I型电路;I型电路中,4个开关管承受相同的电压,分别为母线电压的一半,而T型电路中,开关管Q1&Q4则要承受全部的母线电压。也就是说,从电路拓扑的角度来讲,T型电路中开关管Q1&Q4的耐压参数选型要大于I型电路中4个开关管的耐压参数选型。而在I型电路中,换流路径则有所不同,分为短换流路径与长换流路径,所以用分立模块做三电平I型电路时,必须要注意其杂散电感与电压尖峰的问题。

学海无涯的专栏 9932

Java实现双色球&大乐透随机选号算法——原理详解与代码实战

掌握核心语法:集合操作、随机数生成、排序。贴近实际场景:将编程知识应用于生活问题的解决。

wangchl0932的博客 4992

数据集获取方式和数据加强方式

用minist.load.data()读取numpy数据直接送入model (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 定义输入维数 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dens

u010879745的博客 5183

5分钟搞定!用ZLMediaKit+GB28181搭建低成本外网视频监控(含避坑指南)

本文详细介绍了如何利用开源ZLMediaKit流媒体服务器与国标GB28181协议,快速搭建低成本、可外网访问的企业级视频监控系统。文章提供了从服务端部署、设备配置到外网访问优化的完整实战指南,并重点分享了网络配置、性能调优及常见问题的避坑方案,帮助用户实现高清视频流的稳定推送与多格式播放。

bush的博客 334

02-tensorflow中tf.data()用于卷积网络的综合应用实例

文章目录1. 配置并下载数据集2. 检查数据集 tf.data卷积神经网络综合应用实例 使用tf.data建立数据集,并使用CNN卷积神经网络实现对花卉的分类问题。 1. 配置并下载数据集 import tensorflow as tf AUTOTUNE = tf.data.experimental.AUTOTUNE 在Python 3.4之后,标准库添加了新的模块 pathlib,它使用面向对象的编程方式来表示文件系统路径。 Pathlib模块使用的笔记可参考:https://www.pynote.ne

Serendipity_zyx的博客 699

2024届数字IC秋招-华为机试-数字芯片-笔试真题和答案(三)(含2022年和2023年)

此部分包含华为机试真题,方向是数字芯片,内容详细包括设计、验证、后端等,大部分题目给出参考答案。华为机试都是从题库里抽题目,所以这些题目还是很有参考性的,甚至是完全一样,可以搜到的。(题目内容较多,将分开编写几个文章)A.错误B.正确参考答案:BA.getB.try_getC.peekD.put参考答案:B。

qq_42135020的博客 1917

在ParaView中编程实现涡量可视化

综上所述,本文介绍了在ParaView中使用编程方式实现涡量可视化的方法,并提供了相应的Python代码示例。通过灵活运用ParaView的编程接口,我们可以根据特定需求定制复杂的数据可视化流程,进一步深入了解和分析流体的旋转行为。ParaView是一款强大的开源数据可视化工具,它提供了丰富的功能和灵活的编程接口,使用户能够定制数据可视化流程。你可以根据需要自定义颜色映射范围和颜色,上述代码中的RGBPoints列表中包含了两个点,分别对应涡量值为0和10时的颜色。在实际使用过程中,你需要替换代码中的。

ByteProwl的博客 1438

【初级】TensorFlow教程之加载和预处理数据|学习总结

学习记录 一 图像 ①

m0_38052500的博客 1688

借助ChatGPT完成课题申报书中框架思路写作指南

通过这篇文章的学习,我们可以让ChatGPT先为用户匹配研究理论、研究方法、研究思路、研究内容等,为申请人提供一些参考,能够帮助对拟申报课题有一个初步的认识。当申请人找到了合适的理论、方法和问题后,再借助精细化提示词模型提问,那ChatGPT回答的启发性肯定会有质的提升,更具有使用价值。

智能AI让学术科研更容易 2469

Tensorflow踩过的坑——Tf.data加载数据篇

Tensorflow踩过的坑——Tf.data数据加载篇这里写自定义目录标题简要问题一:问题描述:问题解决:问题二:问题描述:问题解决: 简要 本系列主要记录在用Tensorflow框架训练深度学习模型时遇到过的一些问题。 问题一: 问题描述: 以Tf.data的方式进行多GPU训练,训练中采用tf.summary.image发现:所有的GPU中每个Batchsize的图片一样? 部分代码如下: ...

Irving.She Blog 3752

Statistics and Machine Learning Toolbox

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

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【Tensorflow教程笔记】常用模块 tf.data :数据集的构建与预处理

Tensorflow教程笔记 基础 TensorFlow 基础 TensorFlow 模型建立与训练 基础示例:多层感知机(MLP) 卷积神经网络(CNN) 循环神经网络(RNN) 深度强化学习(DRL) Keras Pipeline 自定义层、损失函数和评估指标 常用模块 tf.train.Checkpoint :变量的保存与恢复 常用模块 TensorBoard:训练过程可视化 常用模块 tf.data :数据集的构建与预处理 目录Tensorflow教程笔记数据集对象的建立提示数据集对象的预处理

nanke_4869的博客 7631

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

eat_tensorflow2_in_30_days 实战:基于 tf.data 数据管道与函数式 API 的 Cifar2 图片分类建模全流程

本文是《30 天吃掉那个 TensorFlow 2.0》第 1 章第 2 节的完整技术解读,主题为**图片数据的标准建模流程**。文章以 Cifar2(CIFAR-10 的子集,仅含 airplane 与 automobile 两类)二分类任务为载体,完整串联「数据准备 → 模型定义 → 模型训练 → 模型评估 → 模型应用 → 模型保存」六个环节,读者学完后将掌握 `tf.data.Datase

gitblog_00585的博客 476

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

How to use tf.data.Dataset API(读取数据)

前言 tensorflow中为了充分利用GPU,减少GPU等待数据的空闲时间,使用了两个线程分别执行数据读入和数据计算。具体来说就是使用一个线程源源不断的将硬盘中的图片数据读入到一个内存队列中,另一个线程负责计算任务,所需数据直接从内存队列中获取。 tensorflow中 tf.train.slice_input_producer 和 tf.train.batch 函数 利用Tensorflow的...

Klay Ye 5498

TensorFlow 2.0 常用模块3:tf.data

TensorBoard:训练过程可视化 有时,你希望查看模型训练过程中各个参数的变化情况(例如损失函数 loss 的值)。虽然可以通过命令行输出来查看,但有时显得不够直观。而 TensorBoard 就是一个能够帮助我们将训练过程可视化的工具。 首先在代码目录下建立一个文件夹(如 ./tensorboard )存放 TensorBoard 的记录文件,并在代码中实例化一个记录器: 1summary...

zkbaba的博客 2029

TensorFlow2.X之使用图片制作简单的数据集训练模型

Tensorflow2.x之使用自己的数据集训练模型 Tensorflow内置了许多数据集,但是实际自己应用的时候还是需要使用自己的数据集,这里TensorFlow 官网也给介绍文档,官方文档。这里对整个流程做一个总结(以手势识别的数据集为例)。 1、 收集手势图片 方法多种多样了。我通过摄像头自己采集了一些手势图片。保存成如下形式, 以同样的形式在建立一个测试集,当然也可以不弄,在程序里处理...

FlyDremever 5497

tensorflow2的数据加载

对于一些小型常用的数据集,TensorFlow有相关的API可以调用——keras.datasets 经典数据集: 1、boston housing - 波士顿房价 2、mnist/fasion mnist - 手写数字集/时髦品集 3、cifar10/100 - 物象分类 4、imdb - 电影评价 使用 tf.dat...

进击的Explorer 602

TensorFlow 2.9生产稳态加固:SavedModel稳定性与tf.data性能实战指南

SavedModel是TensorFlow模型部署的核心序列化格式,其稳定性直接决定AI服务的可用性;tf.data则是构建高性能数据流水线的基础API,影响训练吞吐与资源利用率。TensorFlow 2.9不再强调新功能,而是聚焦故障面收敛,通过重构SavedModel图结构绑定逻辑、强化input_signature校验、修复tf.data多GPU下worker hang等关键问题,显著提升可重现性、可部署性与可观测性。该版本已成为金融风控、工业质检等高可靠性场景的强制基线,适用于需长期稳定运行的MLO

weixin_30279671的博客 419

10 tf.data

学到这一节,内容整理的很乱 tf.data主要是tensorflow里面数据输入 Data类以及相关操作还有TFRecord文件的保存和读取 所有代码在notebook中编写的 数据处理 代码 Dataset类 Dataset类读取numpy数据 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt mnist = np.load("mnist.npz") x_train, y_train = mnist

X1996_的博客 269

30 天系统掌握 TensorFlow 2.0:eat_tensorflow2_in_30_days 实战学习路线与章节导读

《30天吃掉那只TensorFlow2》是一份以 30 天为周期的 TensorFlow 2.0 实战学习教程,仓库内同时提供中文版正文与 [english/ 英文版](https://link.gitcode.com/i/8db82ae1139d15919a39b1cc019408dd) 章节文件,并配有可直接运行的完整数据集与示例代码。本文以仓库根目录的 [README.md](https:/

gitblog_00654的博客 623

使用 jax2tf 将 Flax MNIST 模型导出为 TensorFlow Lite:端侧图像分类完整实战指南

本文基于 JAX 仓库中 [jax/experimental/jax2tf/examples/tflite/mnist](https://link.gitcode.com/i/8aa13b279b3b7d3a514afe16696a7dd3) 目录下的完整示例,讲解如何用 JAX + Flax 训练一个 MNIST 手写数字卷积神经网络,再借助 `jax2tf` 将其转换为 TensorFlow

gitblog_00069的博客 538

tensorflow 2.0 :数据加载

tensorflow 2.0:数据加载 1.对于一些小型常用的数据集,TensorFlow有相关的API可以调用——keras.datasets 其中有以下经典数据集 1.boston housing 波士顿房价 2.mnist/fasion mnist 手写数字集/时髦品集 3.cifar10/100 物象分类 4.imdb 2.使用 tf....

464

Tensorflow 数据读取 tf.data.Dataset API 相关介绍

介绍tf.1.4及以后新出的tf.data.Dataset API 中,使用的数据读取方式有点类似于pytorch中的Dataloader,大大简化了数据读取。下面是代码实例。# coding=utf-8 import os import numpy as np import glob import tensorflow as tf import tensorflow.contrib.eager...

一遍看不懂,我就再看一遍 7024
上一篇: TensorFlow2.3.1对Fashion MNIST数据集相关训练
下一篇: 使用 tf.data.TextLineDataset 来加载文本文件
Caoyy686868
博客等级 码龄8年 5742粉丝 57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

Caoyy686868

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