如何透彻理解卷积的数据原理与机制:从抛球实验说起

卷积运算原理 卷积运算 内容选自吴恩达老师的深度学习课程当中,在此记录。以边缘检测为例,介绍卷积是如何进行运算的。 一、边缘检测示例 首先是垂直边缘检测,对左边的一个6×6的灰度图像进行卷积运算,中间3×3的即为我们通常说的核或者过滤器。从左边的矩阵左上角开始,利用过滤器在该矩阵上进行计算,对应元素相乘后求和,得到一个数值,例如左上角第一个3×3的矩阵,进行卷积后,得到右边4×4矩阵的第一个元素,即-5,以此... 阅读详情

来自|知乎   作者丨CoCoairforce

链接丨https://zhuanlan.zhihu.com/p/357648179

编辑丨极市平台

作者以抛球实验为例讲解了许多卷积的数学原理和机制,并通过卷积来表述卷积神经网络。文章附有大量图片解释,帮助大家更容易理解。

抛球实验 -- Ball drop experiment

想象一下,我们把一个球从某个高度落到地面上,它只有一个运动维度。如果你把球落下,然后再从它的落点上方把它落下,球会走一段距离  的可能性有多大?

我们来分析一下: 第一次下落后,它将以概率  落在离起点一个单位的地方,其中是概率分布。现在,在第一次落下之后,我们把球捡起来,从它第一次落地点以上的另一个高度落下。球从新的起点滚动  个单位的概率是 ,如果它是从不同的高度落下的,那么  可能是不同的概率分布。

如果我们把第一次下落的结果固定下来,使我们知道球走了距离 ,对于球走的总距离 ,第二次下落时走的距离也固定为 ,即 。所以这种情况发生的概率简单来说就是 .。

我们用一个具体的离散例子来思考这个问题。我们希望总距离  为 3。如果它第一次滚动,,那么第二次必须滚动 ,才能达到我们的总距离 。这个概率是 。

然而,这并不是我们可以达到总距离3的唯一方法。球可以第一次滚1个单位,第二次滚2个单位。或者第一次滚0个单位,第二次滚3个单位。它可以是任何  和 ,只要他们加起来是 3。

如上图所示,其概率分别为  和 。

为了求出小球到达总  的总概率,我们不能只考虑到达  的一种可能方式,而是考虑将  分成  和  的所有可能方式,并将每种方式的概率相加。

我们已经知道, 的每一种情况的概率简单来说就是 .所以,将  的每一个解求和,我们可以将总似然表示为。

 和  的卷积,在  处被定义为。

如果我们把代入,我们得到。

为了使这一点更加具体,我们可以从球可能落地的位置来考虑。在第一次落地后,它将以概率 落在中间位置 。如果它落在  处,它落在  处的概率为 。

为了得到卷积,我们需要考虑所有的中间位置。

可视化卷积 -- Visualizing Convolutions

假设一个球落在离原点一定距离  的概率是。那么,它 从  处返回原点的的概率是。

如果我们知道球在第二次落地后落在 处,那么第一次的位置是  的概率是多少?

所以,前一个位置是  的概率是 .

每个中间位置球最终落在  处的概率。我们知道第一个落点把球放到中间位置  的概率是 。我们还知道,如果它落在  处,它在  处的概率是 。

将  的所有可能值相加,我们得到卷积结果。

通过移动下半部分,当分布对齐时,卷积达到峰值。

并且随着分布之间的交点越来越小而缩小。

下图,我们能够直观地看到三角波与方波函数的卷积。

掌握了这个要点,很多概念变得更加直观。

在音频处理中有时会用到卷积。例如,人们可能会使用一个有两个尖峰,但其他地方都是零的函数来创建一个回声。当我们的双尖峰函数滑动时,一个尖峰首先击中一个时间点,将该信号添加到输出声音中,之后,另一个尖峰跟随,添加第二个延迟的副本。

高维卷积--Higher Dimensional Convolutions

卷积不仅仅适用于1维看空间,也适用于高维空间。

回顾开头的例子,落下的球。现在,当它落下时,它的位置不仅在一维中移动,而且在二维中移动。

和前面的卷积一样。

只是,现在 , , 和  都是向量。更明确地说,

标准定义:

就像一维卷积一样,我们可以把二维卷积看成是把一个函数滑动到另一个函数之上,进行乘法和加法。

卷积神经网络--Convolutional Neural Networks

那么,卷积与卷积神经网络的关系如何呢?

在一个1维卷积层中,输入 ,输出 。

从信号与系统的角度来描述,

 是输入信号,是输出信号, 是系统,这个系统由  个神经元组成,可以用输入来描述输出。

也可以用神经网络的方式来描述

  • 其中 是输入, 是权重。权重描述了神经元与输入的连接方式。

  • 负的权重意味着输入会抑制神经元发射,而正的权重则鼓励它发射。

  • 权重是神经元的心脏,控制着它的行为.如果说2个神经元是相同的,即它们的权重是相同的。

其中一个常见的应用是图像处理。我们可以把图像看作是二维函数。许多重要的图像变换都是卷积,你用一个非常小的局部函数(称为 "内核")对图像函数进行卷积。

图像尺寸= 5(高度)x5(宽度)x1(通道数)

在上面的演示中,绿色部分类似于我们的 5x5x1 输入图像 。在卷积层的第一部分进行卷积操作的元素被称为Kernel/Filter, 用黄色表示。我们选择一个3x3x1矩阵作为Kernel。

Kernel 以一定的步伐向右移动,直到它解析出整行的宽度。接着,它以相同的步伐值跳到图像的开头(左边),并重复这个过程,直到遍历整个图像。

在多通道图像的情况下( 如RGB ),Kernel 的深度与输入图像的深度相同。Kernel 与图片  进行矩阵乘法,然后将所有结果与偏置相加,得到一个单通道卷积特征输出。

卷积操作的目的是从输入图像中提取高级特征,如边缘。传统上,卷积层可以捕捉低级特征,如边缘、颜色、梯度方向等。随着层数的增加,架构也可以捕捉高阶特征,让我们的神经网络对图像有更深刻的理解.

该卷积有两种结果--一种是卷积特征与输入相比维度减少,有效填充(Valide Padding)。另一种是维度增加或保持不变,相同填充(Same Padding).

当我们将5x5x1的图像填充为6x6x1的图像,然后在其上应用3x3x1的核,我们发现卷积矩阵变成了5x5x1的尺寸。因此,我们将其命名为--相同填充(Same Padding)。

另一方面,如果我们在没有填充的情况下执行同样的操作,我们将得到一个具有内核(3x3x1)本身尺寸的矩阵--有效填充(Valide Padding)。

池化层 -- Pooling Layer

与卷积层类似,Pooling层负责减少卷积特征的空间大小。这是为了通过降低维度来降低处理数据所需的计算能力。此外,它还有助于提取旋转和位置不变的主导特征,从而保持模型的有效训练过程。下图表示在5x5卷积特征上的3x3池化。

有两种类型的池化。最大池化和平均池化。最大池化(Max Pooling)返回的是Kernel覆盖的图像部分的最大值。另一方面,平均池化(Average Pooling)返回Kernel覆盖的图像部分的所有值的平均值。

Max Pooling也是一种噪声抑制器。它完全丢弃了嘈杂的激活,并在降低维度的同时进行去噪。另一方面,Average Pooling只是作为噪声抑制机制进行维度降低。因此,我们可以说Max Pooling的性能比Average Pooling好很多。

卷积层和池化层,共同构成了卷积神经网络的第层。根据图像的复杂程度,可以增加这些层的数量,以便进一步捕捉低层次的细节,但代价是增加计算能力。

在经历了上述过程后,我们已经成功地使模型理解了特征。接下来,我们要将最终的输出结果进行扁平化处理,并将其馈送到普通的神经网络中,以达到分类的目的。

全连接层(FC层) —- Fully Connected Layer (FC Layer)

全连接层正在学习该空间中可能的非线性函数。

现在,我们已经将输入图像转换为适合多级感知器 (Multi-Level Perceptron) 的形式,我们将把图像扁平化(Flatten layer)为列向量。扁平化的输出被送入前馈神经网络,并在每次训练迭代中应用反向传播。在一系列的纪元中,该模型能够区分图像中的主导特征和某些低级特征,并使用Softmax分类方法对其进行分类。

总结 -- Conclusion

我们在这篇博文中介绍了很多数学机制,但我们获得的东西可能并不明显。卷积显然是概率论和计算机图形学中的一个有用工具,但是用卷积来表述卷积神经网络,我们获得了什么?

  • 第一个好处是,我们有了一些非常强大的语言来描述神经网络的层。卷积大大简化了繁琐的计算工作。

  • 其次,卷积非常容易实现。现存的许多库都提供了高效的卷积方法。

  • 此外,卷积看起来是一个 操作,但使用一些相当深刻的数学见解,可以创建一个  的实现。

Tips:

我们想知道球第一次滚动  单位,第二次滚动  单位的概率。所以 .

卷积满足交换律,即 。

卷积满足结合律的,即,

卷积原理(卷积,padding填充,步长,多通道卷积) 卷积,Padding填充,步长,多通道输入 阅读详情

相关推荐

PConv的介绍

在3D建模领域,PConv也展现出其处理不规则数据的能力。与传统的卷积操作相比,部分卷积并不是机械地对输入数据的所有部分应用相同的卷积核。相反,它根据数据的有效性,即数据点是否缺失或被损坏,来动态地决定卷积核的作用范围。对于那些有效的、非缺失的数据点,PConv会像常规的卷积操作一样应用卷积核。在实际应用中,数据缺失是一个常见的问题,尤其是在处理图像、时间序列或其他类型的数据时。总的来说,部分卷积通过其独特的数据处理方式和动态卷积核调整机制,为处理包含缺失数据的复杂任务提供了一种强大而有效的工具。

wangnvshibeib的博客 5979

几种常用的卷积操作原理(标准卷积、深度卷积、组卷积、扩张卷积和反卷积

本文为转载文章,原文链接   0、标准卷积 默认你已经对卷积有一定的了解,此处不对标准卷积细讲。 举个例子,假设有一个3×3大小的卷积层,其输入通道为16、输出通道为32。 那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积,这样每个卷积核需要3×3×16个参数,得到的输出是只有一个通道的数据。之所以会得到一通道的数据,是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上

Acmer_future_victor的博客 4246

让 AI 变聪明的 20 条指令:如何让大模型回答得更精准、更专业、更实事求是

让 AI 变聪明,本质上不是写几句神奇咒语,而是把你的任务表达得更清楚,把事实标准设得更严格,把输出格式规定得更明确,把不确定性管理得更认真,把历史对话利用得更充分。大模型的强项是语言生成、信息组织、模式归纳和方案扩展;弱项是事实核验、实时更新、责任判断和对模糊意图的准确猜测。好的指令,就是在用人的判断弥补模型的弱点,让模型把强项发挥在正确的地方。

Sumarua的博客 1536

三角波与三角波卷积

根据信号与系统答疑过程中,学生对于三角形信号卷积结果的疑惑,给出了相应的数值、理论、以及频谱分析的解答。特别是后面频谱分析部分也是由另外参加答疑的同学提出的。之所以这个题目会产生疑问,主要原因来自于卷积计算“图解法”所带来的误导。 图解方法只能帮助确定卷积的阶段和积分上下限,求解卷积结果还是需要根据实际信号函数进行计算。.........

TSINGHUAJOKING 1万+

使用 EasyExcel 实现 百万级数据导入导出

在项目开发中往往需要使用到数据的导入和导出,导入就是从Excel中导入到DB中,而导出就是从DB中查询数据然后使用POI写到Excel上。大数据的导入和导出,相信大家在日常的开发、面试中都会遇到。很多问题只要这一次解决了,总给复盘记录,后期遇到同样的问题就好解决了。好啦,废话不多说开始正文!1.如此大批量数据的导出和导入操作,会占用大量的内存实际开发中还应限制操作人数。2.在做大批量的数据导入时,可以使用jdbc手动开启事务,批量提交。

houxian1103的博客 2704

葵花 Himawari 8/9号数据学习记录-01-数据初识

葵花卫星学习记录,第一章:卫星的来源与卫星数据的波段介绍

weixin_44111909的博客 541

神经网络:卷积操作

CNN是计算机视觉中最常用的深度学习模型之一,它通过多个卷积层和其他类型的层来提取和学习图像中的特征,并在训练过程中优化网络参数以实现特定任务的准确性。卷积操作能够从图像中提取有用的特征。给定一个输入图像和一个称为卷积核(或滤波器)的小矩阵,卷积操作通过在图像上滑动卷积核,并将卷积核与图像的每个位置进行逐元素相乘,然后将结果相加,从而生成输出特征图。输入图片大小 I_in×I_in,卷积核大小 k×k,步长 s,padding的像素数 p,膨胀系数为d,输出图片大小为 I_out×I_out。

吃葡萄不吐葡萄皮 5414

生成mm grounding dino的onnx模型并在x-anylabeling中使用

X-AnyLabeling 是一款cvhub开发的交互式自动标注工具,其基于AnyLabeling进行构建和二次开发,在此基础上扩展并支持了许多的模型和功能,并借助Segment Anything和YOLO等主流模型提供强大的 AI 支持。其最新版基于grounding dino可以实现开放词汇检测及生成掩码。2024年,MMDet 3.3.0提出了 MM-Grounding-DINO。

blanokvaffy的博客 1733

卷积的工作原理是什么

在计算机领域,卷积是一种基于加权求和的数学运算,用于处理信号和数据。它通过将输入信号与卷积核(也称为滤波器)进行卷积操作,从而得到输出信号。卷积核是一个小型的矩阵或向量,其中的权重用于对输入信号进行加权求和。卷积作为一种基本的数学运算,广泛应用于信号处理和计算机视觉等领域。通过滑动卷积核对输入信号进行加权求和,卷积操作能够提取输入数据的局部特征,并实现对图像、音频和文本等数据的处理和分析。在深度学习中,卷积神经网络利用卷积层进行特征提取,为计算机视觉和自然语言处理等任务提供强大的建模能力。

y632481222的博客 1782

【路径规划】Theta_star算法机器人栅格地图最短路径规划【含Matlab源码 2618期】

Theta_star算法机器人栅格地图最短路径规划 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 365

Serial RapidIO Gen2 IP 说明(三)

前言 继续接着上篇文章,介绍Serial RapidIO Gen2 IP 的具体端口信息。 一、端口描述 1、缓冲设计接口 2、物理层接口 参考说明 【1】Serial RapidIO Gen2 v4.1https://china.xilinx.com/content/dam/xilinx/support/documentation/ip_documentation/srio_gen2/v4_1/pg007_srio_gen2.pdf ...

记录所学,分享知识,结识挚友 1323

【深度学习理论】(2) 卷积神经网络

各位同学好,最近学习了CS231N斯坦福计算机视觉公开课,讲的太精彩了,和大家分享一下。 如下图所示,现在有shape为 32x32x3 的图像,如果使用全连神经网络,将图像拉长成一个一维向量[None, 3072];使用10个线性分类器,每个分类器是一个一维向量,含 3072 个权重,和图像做点乘,每个分类器得到1个值,得到输出特征向量为 [None, 10] 使用全连接神经网络处理图像分类问题存在的缺陷是,将二维图像拉平成一维向量之后,丢失了图像的空间信息。为了解决这个问题,引入卷积操作。 .

博观而约取,厚积而薄发 6232

网络速度的极致:800G & 1.6T 以太网的突破!

你好,这里是网络技术联盟站。在我们进入数据驱动的世界时,以太网的重要性日益突出。从根本上说,以太网是一种连接计算机的技术,旨在形成一个本地网,通过它,设备可以与其他设备进行通信。然而,随着时间的推移,以太网已经发展成为一种全球的数据通信系统,其速度从初始的10Mbit/s发展到现在的800G,甚至1.6T。这种巨大的进步并不是没有挑战的,但每一次的突破都代表了技术的巨大飞跃。本文将探讨800G和1.6T以太网的创新与挑战。

网络技术联盟站 1773

卷积神经网络原理详解

文章结构1.如何理解神经网络2.前馈网络3.反向传播算法4. 全连接网络5.卷积网络5.1卷积网络的基本概念5.2 卷积网络与全连接网络的关系5.3 怎么理解卷积5.4 卷积网络的前向传播5.5 卷积网络的反向传播 1.如何理解神经网络 神经网络通常是由三个部分组成,输入层,隐藏层以及输出层。 2.前馈网络 3.反向传播算法 4. 全连接网络 5.卷积网络 从前面对全连接网络的描述中,可以发现全连接网络试图去描述整个有向图中所有元素之间的关系,因为每一个变量都会有自己的参数,这可能会导致参数量剧。在机器学习

weixin_52668444的博客 5644

基于matlab的CNN物体识别物体分类系统

主要对物体进行识别,搭建一个物体分类系统本次实验选择规模稍大的 CIFAR-10 数据集进行分类识别,对应图像的大小设计 VggNet、ResNet 进行网络训练。在实际操作过程中,受限于数据规模和硬件配置,对于大小放缩、批次参数、训练步数等进行了多次调试,这也对以后的图像分类任务具有较高的参考意义,并通过对 CIFAR-10 数据集进行训练和评测,采用网络修改的方式来得到新的 CNN 结构,适用于对网络进行配置、融合等相关研究。读者可以通过自行设计或选择其他网络、加载其他数据等方式进行实验的延伸。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2008

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

24.卷积原理

1神经网络 我们先来看神经网络,大致分为下面几个过程 有一批数据 网络前向传播,获取损失函数 之后反向传播,计算梯度(权重对损失函数的影响) 最后使用梯度更新参数 神经网络就是通过前面四个步骤不停的循环,这个就是训练的过程 2卷积神经网络应用场景 卷积神经网络有下面几个应用场景 第一个是Classification,这个是分类任务,检测出那个图像是猫,那个图像是够 第二个是Retrieval,这个是检索,功能类似于以图搜图 第三个是Detection,这个是检测,与分类任务有...

potato123232的博客 3666

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

卷积神经网络原理解析

自动驾驶、智能医疗保健和自助零售这些领域直到最近还被认为是不可能实现的,而计算机视觉已经帮助我们达到了这些事情。如今,拥有自动驾驶汽车或自动杂货店的梦想听起来不再那么遥不可及了。事实上,我们每天都在使用计算机视觉——当我们用面部解锁手机或在社交媒体上发照片前使用自动修图。卷积神经网络可能是这一巨大成功背后最关键的构建模块。这一次,我们将加深理解神经网络如何工作于CNNs。出于建议,这篇文章将包括相当复杂的数学方程,如果你不习惯线性代数和微分,请不要气馁。

人工智能AI技术 6075

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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

卷积的本质及物理意义

提示:对卷积的理解分为三部分讲解1)信号的角度2)数学家的理解(外行)3)与多项式的关系 1 来源 卷积其实就是为冲击函数诞生的。“冲击函数”是狄拉克为了解决一些瞬间作用的物理现象而提出的符号。古人曰:“说一堆大道理不如举一个好例子”,冲量这一物理现象很能说明“冲击函数”。在t时间内对一物体作用F的力,倘若作用时间t很小,作用力F很大,但让Ft的乘积不变,即冲量不变。于是在用t做横坐标、F做纵坐标的坐标系中,就如同一个面积不变的长方形,底边被挤的窄窄的,高度被挤的高高的,在数学中它可以被挤到..

万物并作,吾以观复 2732

机器学习算法之——卷积神经网络(CNN)原理讲解

我们知道神经网络的结构是这样的:那卷积神经网络跟它是什么关系呢?其实卷积神经网络依旧是层级网络,只是层的功能和形式做了变化,可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。简而言之,卷积神经网络(Convolutional Neural Networks)是一种深度学习模型或类似于人工神经网络的多层感知器,常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家Yann LeCun,目前在Facebook工作,他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人

Rick_rui的博客 2万+

原来卷积是这么计算的

当然,这也是使用多卷积核进行卷积的意义,章中,笔者详细介绍了卷积操作的核心理念与思想,并通过对比全连接操作与卷积操作在识别同一元素的不同方式,进一步介绍了卷积操作的原理。对于多通道的卷积过程,总体上还是还是同之前的一样,都是每次选取特定位置上的神经元进行卷积,然后依次移动直到卷积结束。如图10所示,右边为卷积后的特征图(feature map),左边为一个三通道的卷积核对输入图片左上放进行卷积时的示意图。同时可以看到,图6中右边的第一个卷积核就是图3里的卷积核,其结果也就是图5中计算得到的结果。

顺其自然~专栏 5874

一文彻底搞懂卷积

卷积是图像处理和人工智能中的核心操作,它通过在图像上滑动小矩阵(卷积核)实现局部加权求和,从而提取不同特征:模糊可用于去噪,高斯核带来自然平滑,Sobel 等算子突出边缘,而在深度学习中,这些卷积核则能自动学习,从边缘到语义逐层提取特征,让机器真正“看懂”图像。想象一下:当我们看一张照片时,大脑并不会一次性处理所有像素,而是会先关注局部的细节,比如边缘、角点、纹理,然后再逐步组合这些局部信息,形成对整个画面的理解。换句话说,每移动一次 g,就会得到一个新的数值,从而形成整个卷积的结果。

2301_76972702的博客 2087

深度学习——深度学习发展历程

深度学习的一些原理 卷积计算 这个就是普通的卷积计算原理,输入有3个通道,输出有2个通道,没加激活函数等。 如上图所示,输入有3个通道,输出有2个通道,也就是有2个卷积核(一个卷积核就是322)。对于每个卷积核,先在输入3个通道分别作卷积,再将3个通道结果加起来得到卷积输出。所以对于某个卷积层,无论输入图像有多少个通道,输出图像通道数总是等于卷积核数量! (1)参数量就是:输入通道数卷积核的宽度卷积核的高度*输出通道数 (2)计算量:补0和不补0不一样 (3)总结: <1>卷积核是3维的,其中

xiaotiig的博客 2万+

作业视频辅导 SS2023 HW4:图解法计算卷积

比如这里包括有一个方波信号, 一个三角波信号, 它们的卷积结果包括三段函数,  如果直接代入卷积公式求解, 就会产生较多的中交叉项, 每一个交叉项的积分, 还都需要考虑到各自对应的时间区间, 分析起来比较麻烦, 求出结果容易出错。在卷积积分内,tao 是积分变量, 选择其中一个信号进行反褶, t 是积分参量,它对应反褶后信号的平移, 将平移后的两个信号相乘 最后进行积分。在留的作业中,第一个是必做题, 给出了参与卷积的两个信号的函数波形, 求它们的卷积, 并绘制出相应的卷积结果。这就是卷积的图解方法。

TSINGHUAJOKING 7370

深度学习(6)之卷积的几种方式:1D、2D和3D卷积的不同卷积原理(全网最全!)

深度学习(6)之卷积的几种方式:1D、2D和3D卷积的不同卷积原理(全网最全!)

yohnyang的博客 1万+

对深度可分离卷积、分组卷积、扩张卷积、转置卷积(反卷积)的理解

参考: https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io/filter-group-tutorial/ https://www.zhihu.com/question/54149221 http://blog.youkuaiyun.com/guvcolie/a...

Chaolei3的博客 3万+

卷积的本质及物理意义(全面理解卷积)

卷积的本质及物理意义

yindq1220的博客 5632
上一篇: 65位高校教师接龙晒工资,全国各地高校,给打算入高校的博士们参考!
下一篇: 算法岗平时需要自己写cuda吗?
机器学习算法那些事
博客等级 码龄9年 1633粉丝 62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