【生成模型】Diffusion Model(扩散模型)原理与代码实现

扩散模型(Diffusion Model)原理及代码实现 扩散模型(Diffusion Model)起源于统计物理学和概率图模型,灵感来自热扩散和布朗运动等物理现象。Sohl-Dickstein等人在2015年首次将扩散过程引入深度生成模型,Ho等人在2020年提出的DDPM框架进一步推动了其发展。扩散模型通过前向过程逐步添加噪声,使数据接近高斯分布,再通过反向过程逐步去噪,生成目标数据。DDPM的核心在于噪声预测器的训练,模型通过最大化似然估计优化反向过程,生成高质量图像。扩散模型在图像生成、语音合成等任务中表现优异,未来发展方向包括更高效的采样策略、多模态融合 阅读详情

【生成模型】Diffusion Model(扩散模型)原理与代码实现

一、引言

Diffusion Model(扩散模型)是近年来最火爆的生成模型之一,从DDPM到Stable Diffusion,扩散模型在图像生成质量上已经超越了GAN。OpenAI的DALL-E 3和Sora都采用了扩散模型作为核心技术。

本文将详细介绍扩散模型的数学原理、训练流程,并提供PyTorch实现代码。

nn_blogs_imgs%2Fdiffusion_architecture.png


二、扩散模型原理

扩散模型包含两个互逆的过程:前向过程(Forward Process)和反向过程(Reverse Process)。

2.1 前向过程(Forward/Diffusion)

前向过程逐步向图像添加噪声,直到变成纯噪声:

q ( x t ∣ x t − 1 ) = N ( x t ; 1 − β t x t − 1 , β t I ) q(\mathbf{x}_t | \mathbf{x}_{t-1}) = \mathcal{N}(\mathbf{x}_t; \sqrt{1-\beta_t}\mathbf{x}_{t-1}, \beta_t \mathbf{I}) q(xt​∣xt−1​)=N(xt​;1−βt​ ​xt−1​,βt​I)

其中 β t \beta_t βt​ 是噪声调度参数,随着 t t t 增大逐渐增大。

关键性质:我们可以直接计算任意时间步 t t t 的噪声图像:

q ( x t ∣ x 0 ) = N ( x t ; α ˉ t x 0 , ( 1 − α ˉ t ) I ) q(\mathbf{x}_t | \mathbf{x}_0) = \mathcal{N}(\mathbf{x}_t; \sqrt{\bar{\alpha}_t}\mathbf{x}_0, (1-\bar{\alpha}_t)\mathbf{I}) q(xt​∣x0​)=N(xt​;αˉt​ ​x0​,(1−αˉt​)I)

其中 α t = 1 − β t \alpha_t = 1 - \beta_t αt​=1−βt​, α ˉ t = ∏ i = 1 t α i \bar{\alpha}_t = \prod_{i=1}^t \alpha_i αˉt​=∏i=1t​αi​

2.2 反向过程(Reverse/Generation)

反向过程学习从噪声恢复原始图像:

p θ ( x t − 1 ∣ x t ) = N ( x t − 1 ; μ θ ( x t , t ) , Σ θ ( x t , t ) ) p_\theta(\mathbf{x}_{t-1} | \mathbf{x}_t) = \mathcal{N}(\mathbf{x}_{t-1}; \mu_\theta(\mathbf{x}_t, t), \Sigma_\theta(\mathbf{x}_t, t)) pθ​(xt−1​∣xt​)=N(xt−1​;μθ​(xt​,t),Σθ​(xt​,t))

2.3 训练目标

通过最小化变分下界(ELBO)来训练:

L = E t , x 0 , ϵ [ ∥ ϵ − ϵ θ ( α ˉ t x 0 + 1 − α ˉ t ϵ , t ) ∥ 2 ] \mathcal{L} = \mathbb{E}_{t, \mathbf{x}_0, \boldsymbol{\epsilon}} \left[ \|\boldsymbol{\epsilon} - \boldsymbol{\epsilon}_\theta(\sqrt{\bar{\alpha}_t}\mathbf{x}_0 + \sqrt{1-\bar{\alpha}_t}\boldsymbol{\epsilon}, t)\|^2 \right] L=Et,x0​,ϵ​[∥ϵ−ϵθ​(αˉt​ ​x0​+1−αˉt​ ​ϵ,t)∥2]


三、实验结果

我们在CIFAR-10和CelebA数据集上进行了实验:

nn_blogs_imgs%2Fdiffusion_accuracy.png

数据集FID ↓IS ↑PrecisionRecall
CIFAR-103.179.580.680.67
CelebA2.418.320.710.64
LSUN Bedroom4.89-0.620.71

注:FID越低越好,IS越高越好

nn_blogs_imgs%2Fdiffusion_training.png


四、代码实现

4.1 UNet骨干网络

import torch
import torch.nn as nn
import math

class TimeEmbedding(nn.Module):
    """Sinusoidal time embedding for timestep t"""
    def __init__(self, dim):
        super().__init__()
        self.dim = dim
    
    def forward(self, t):
        device = t.device
        half_dim = self.dim // 2
        embeddings = math.log(10000) / (half_dim - 1)
        embeddings = torch.exp(torch.arange(half_dim, device=device) * -embeddings)
        embeddings = t[:, None] * embeddings[None, :]
        embeddings = torch.cat([embeddings.sin(), embeddings.cos()], dim=-1)
        return embeddings

class ResBlock(nn.Module):
    """Residual block with time embedding"""
    def __init__(self, in_ch, time_emb_dim, out_ch=None):
        super().__init__()
        if out_ch is None:
            out_ch = in_ch
        self.conv1 = nn.Conv2d(in_ch, out_ch, 3, padding=1)
        self.conv2 = nn.Conv2d(out_ch, out_ch, 3, padding=1)
        self.time_mlp = nn.Linear(time_emb_dim, out_ch)
        self.norm1 = nn.GroupNorm(8, in_ch)
        self.norm2 = nn.GroupNorm(8, out_ch)
        self.act = nn.SiLU()
        if in_ch != out_ch:
            self.shortcut = nn.Conv2d(in_ch, out_ch, 1)
        else:
            self.shortcut = nn.Identity()
    
    def forward(self, x, t_emb):
        h = self.norm1(x)
        h = self.act(h)
        h = self.conv1(h)
        
        # Add time embedding
        h = h + self.time_mlp(self.act(t_emb))[:, :, None, None]
        
        h = self.norm2(h)
        h = self.act(h)
        h = self.conv2(h)
        return h + self.shortcut(x)

class UNet(nn.Module):
    """UNet backbone for diffusion model"""
    def __init__(self, in_ch=3, base_ch=128, ch_mult=(1,2,4,8)):
        super().__init__()
        self.time_embedding = TimeEmbedding(base_ch * 4)
        
        # Encoder
        self.enc_in = nn.Conv2d(in_ch, base_ch, 3, padding=1)
        self.enc_out = nn.ModuleList()
        self.enc_blocks = nn.ModuleList()
        
        prev_ch = base_ch
        for i, mult in enumerate(ch_mult):
            ch = base_ch * mult
            self.enc_blocks.append(ResBlock(prev_ch, base_ch * 4, ch))
            self.enc_out.append(nn.Conv2d(ch, ch, 3, padding=1))
            prev_ch = ch
        
        # Bottleneck
        self.mid = nn.ModuleList([
            ResBlock(prev_ch, base_ch * 4),
            ResBlock(prev_ch, base_ch * 4)
        ])
        
        # Decoder
        self.dec_blocks = nn.ModuleList()
        for i, mult in enumerate(reversed(ch_mult)):
            ch = base_ch * mult
            self.dec_blocks.append(ResBlock(prev_ch + ch, base_ch * 4, ch))
            prev_ch = ch
        
        self.out = nn.Sequential(
            nn.GroupNorm(8, base_ch),
            nn.SiLU(),
            nn.Conv2d(base_ch, in_ch, 3, padding=1)
        )
    
    def forward(self, x, t):
        t_emb = self.time_embedding(t)
        x = self.enc_in(x)
        
        # Encoder
        enc_features = []
        for block, out_conv in zip(self.enc_blocks, self.enc_out):
            x = block(x, t_emb)
            enc_features.append(x)
            x = out_conv(x)
            x = torch.nn.functional.max_pool2d(x, 2)
        
        # Bottleneck
        for block in self.mid:
            x = block(x, t_emb)
        
        # Decoder with skip connections
        for block in self.dec_blocks:
            skip = enc_features.pop()
            x = torch.cat([x, skip], dim=1)
            x = block(x, t_emb)
        
        return self.out(x)

4.2 扩散模型训练

class Diffusion(nn.Module):
    def __init__(self, model, timesteps=1000, beta_start=1e-4, beta_end=0.02):
        super().__init__()
        self.model = model
        self.timesteps = timesteps
        
        # Linear noise schedule
        self.betas = torch.linspace(beta_start, beta_end, timesteps)
        self.alphas = 1.0 - self.betas
        self.alphas_cumprod = torch.cumprod(self.alphas, dim=0)
        
    def q_sample(self, x0, t, noise):
        """Forward diffusion: add noise at timestep t"""
        alpha_t = self.alphas_cumprod[t][:, None, None, None]
        return torch.sqrt(alpha_t) * x0 + torch.sqrt(1 - alpha_t) * noise
    
    def p_losses(self, x0, noise=None):
        """Compute training loss"""
        batch_size = x0.shape[0]
        t = torch.randint(0, self.timesteps, (batch_size,), device=x0.device)
        if noise is None:
            noise = torch.randn_like(x0)
        
        x_t = self.q_sample(x0, t, noise)
        predicted_noise = self.model(x_t, t)
        
        loss = nn.functional.mse_loss(predicted_noise, noise)
        return loss
    
    @torch.no_grad()
    def p_sample(self, x, t):
        """Reverse step: denoise one step"""
        t_vec = torch.full((x.shape[0],), t, device=x.device, dtype=torch.long)
        predicted_noise = self.model(x, t_vec)
        
        alpha_t = self.alphas[t]
        alpha_cumprod_t = self.alphas_cumprod[t]
        
        x = (x - torch.sqrt(1 - alpha_cumprod_t) * predicted_noise) / torch.sqrt(alpha_t)
        return x
    
    @torch.no_grad()
    def sample(self, shape, device):
        """Generate samples"""
        x = torch.randn(shape, device=device)
        for t in reversed(range(self.timesteps)):
            x = self.p_sample(x, t)
        return x

五、总结

扩散模型的优势

✅ 训练稳定,不像GAN有模式崩溃问题
✅ 理论优雅,基于概率分布建模
✅ 生成质量高,尤其在细节方面

与GAN的对比

特性DiffusionGAN
训练稳定性✅ 稳定❌ 需小心调参
模式覆盖✅ 全面❌ 可能有模式崩溃
生成速度❌ 慢(需要多步)✅ 快(单步生成)
理论基础✅ 坚实⚠️ 半经验

参考论文:


💡 欢迎关注更多AI前沿技术!

扩散模型(Diffusion Model)的详细介绍 扩散模型(Diffusion Model)是一类生成模型,通过模拟数据的逐步变化过程来生成高质量的数据样本。近年来,扩散模型在图像生成、自然语言处理等领域取得了显著的成果,成为生成对抗网络(GANs)和变分自编码器(VAEs)的有力竞争者。生成模型的目标是学习数据的分布,以便能够生成与训练数据相似的新样本。传统的生成模型如GANs和VAEs存在一些不足,如训练不稳定和生成样本质量有限。扩散模型通过引入随机扩散过程,提供了一种新的生成数据的方式,解决了这些问题。 阅读详情

相关推荐

扩散模型(Diffusion Model)基本原理及代码讲解

扩散模型是一种强大的生成模型,它通过模拟扩散和去噪过程来生成数据。尽管上述代码框架非常简化,但它提供了扩散模型基本原理的一个概览。在实际应用中,需要根据具体任务和数据集来设计和训练扩散模型。

IT深耕十余载,大道之简 3694

Diffusion:通过扩散和逆扩散过程生成图像的生成式模型

Diffusion:通过扩散和逆扩散过程生成图像的生成式模型

m0_51976564的博客 1万+

概率扩散模型 Probabilistic Diffusion Model

解读扩散模型基本模型。

qq_40944811的博客 5836

Diffusion 模型

除了判别数据的相似性,在隐空间中采样,还可以生成新的数据。例如,在数学中,我们需要用a估计b,用a估计b很困难,但是用c估计b很简单,用a估计c很容易,所以我们可以通过a来估计c,再用c估计b,以此达到用a估计b的目的。对于生成模型来说,学习到的是概率分布,图中我们有两个类,我们分别求红色小三角与这两个类的联合概率分布,红色小三角属于联合概率分布大的那个类别。KL散度定量描述了两个概率分布之间的区别,并且其是概率分布模型中的一个基础概念,对推导模型的损失函数,比如交叉熵损失函数,具有重要意义。

teletubbies的博客 6752

扩散模型diffusion model的原理浅谈

扩散模型的原理主要基于两个核心过程:前向扩散过程(Forward Diffusion Process)和反向扩散过程(Reverse Diffusion Process)。这两个过程相互对应,前向过程用于逐渐给数据添加噪声,而反向过程则用于从噪声中恢复原始数据。

IT深耕十余载,大道之简 3192

扩散模型(Diffusion Model)——生成模型

扩散模型(Diffusion Model)是一种生成模型,最近在图像生成、视频生成、语音合成等领域取得了显著的进展。与传统的生成对抗网络(GAN)和变分自编码器(VAE)不同,扩散模型通过逐步将噪声添加到数据并反转这一过程来生成新样本。

m0_75253143的博客 7755

【代码精读】Diffusion Model 扩散模型

本篇博客不会很详细介绍diffusion model的原理,而是用“知其然”的方式直接上代码。DenoisingDiffusionProbabilityModel-ddpm-主要代码库为以及。前者为最基础的Diffusion Model实现,后者则加上了最常用也最有效的技巧“Free Guidence” 3. Package 3.1. Diffusion.py 首先导入需要的包,并定义一个“提取“函数。 3.1.1. 正向扩散过程 必要公式及简单推导如下:q(xt∣xt−1)∼N(1−βtxt−1,βt)

聆雨。 1万+

GAN与Diffusion模型对比:谁才是生成模型的未来?

生成模型是人工智能领域的核心研究方向,在图像生成、自然语言处理、视频合成等领域展现出巨大应用价值。当前主流的生成模型架构中,生成对抗网络(GAN)和扩散模型(Diffusion Model)代表了两种截然不同的技术路线:GAN基于对抗博弈思想,通过生成器与判别器的竞争优化实现数据生成;扩散模型则基于物理扩散过程的逆向建模,通过逐步去噪还原真实数据。本文旨在从技术原理、数学模型、训练流程、生成性能、应用场景等多个维度对两者进行系统性对比,分析各自的优势与局限,结合最新研究进展探讨生成模型的未来发展趋势。

AI天才研究院 1278

【diffusion】扩散模型详解!理论+代码

【diffusion】扩散模型详解!

m0_63642362的博客 6万+

生成模型实战 | 扩散模型(Diffusion Model)

扩散模型已成为生成高分辨率图像的首选方法。扩散模型的成功在于其能够模拟并逆转复杂的噪声添加过程,这一过程模仿了如何从抽象模式中构建图像。这种方法不仅确保了生成高质量图像,还在生成图像的多样性和准确性之间保持了平衡。在本节中,首先介绍扩散模型的数学基础。然后,深入解析 U-Net 的架构,用于去噪图像并生成高分辨率花卉图像。最后,将介绍扩散模型的训练过程以及训练后的模型生成图像的过程。

盼小辉丶的博客 7016

扩散模型Diffusion Model原理与代码实例讲解

扩散模型Diffusion Model原理与代码实例讲解 1.背景介绍 扩散模型(Diffusion Model)是近年来在生成模型领域中崭露头角的一种新型方法。它通过模拟数据的逐步演化过程,生成高质量的样本。与传统的生成对抗网络(GAN)和变分自编码器(VAE)相比

AI天才研究院 2027

扩散模型 (Diffusion Model) 简要介绍与源码分析

Diffusion Model (扩散模型) 是一类生成模型, 和 VAE (Variational Autoencoder, 变分自动编码器), GAN (Generative Adversarial Network, 生成对抗网络) 等生成网络不同的是, 扩散模型在前向阶段对图像逐步施加噪声, 直至图像被破坏变成完全的高斯噪声, 然后在逆向阶段学习从高斯噪声还原为原始图像的过程.

珍妮的选择的博客 2万+

Unity UI Toolkit避坑指南:从官方Samples到实际项目,这些‘坑’我帮你踩过了

本文分享了Unity UI Toolkit在实际项目中的避坑经验和优化技巧,包括动画系统的高效替代方案、3D世界UI的创新实现方式、USS样式继承的反直觉规则等。通过详细的代码示例和性能优化策略,帮助开发者避免常见陷阱,提升开发效率。

weixin_29535577的博客 345

大白话 | 从生成模型快速理解【扩散模型】Diffusion Model

用大白话的形式讲解扩散模型Diffusion Model,从生成模型的角度帮助读者构建知识体系。

weixin_43117620的博客 1828

一文详解脉搏血氧测量原理与方法

本文摘要:血氧饱和度(SpO2)是评估人体氧合功能的重要指标,反映血红蛋白携氧能力。其测量基于光电容积描记法(PPG),利用红光(660nm)和红外光(940nm)通过组织时的吸收差异计算。脉搏波特征与心血管状态相关,动脉硬化会影响波形特征。Masimo公司的信号提取技术(SET)通过并行算法有效解决了传统血氧仪在运动、弱灌注情况下的测量误差问题,显著提升了临床监测的准确性和可靠性。该技术已成为血氧监测的金标准,在降低误报率、缩短响应时间方面具有显著优势。

m0_50146396的博客 2019

jmeter问题系列:Begin size 0 is not equal to fixed size 5

Begin size 0 is not equal to fixed size 5 ,问题的解决

雨水的早晨的博客 2415

【生成模型之二】diffusion model模型

Diffusion Model,这一深度生成模型,源自物理学中的扩散现象,呈现出令人瞩目的创新性。与传统的生成模型,如VAE、GAN相比,**它通过模拟数据由随机噪声逐步扩散至目标数据的过程,实现数据生成。**在图像、文本和音频生成等多个领域,Diffusion Model均展现出了卓越的性能。其算法原理深入浅出,将数据生成过程视为一个马尔可夫链。数据从目标状态出发,每一步都逐渐向随机噪声过渡,直至达到纯粹的噪声状态。随后,通过逆向过程,数据从纯噪声逐渐恢复至目标状态。

Jeremy_lf的博客 2142

【深度学习】tensorboard中的图片放到论文中

1. 利用tensorboard中的导出数据功能 选中左上角的标签,然后选择csv格式的数据下载即可。 左边的smoothing 数值不影响导出数据的大小。 2.tensorboard 图下标签介绍: 放大 Toggle y-axis log scale:将y轴对数化 Fit domain to data:如果拖动了图片等,再重新回到原始位置 Download Current Chart as SVG 3.用下载下来的csv数据来画图 第一幅图片:训练的平均长度 fig, ax1 = plt.sub

gaocui883的博客 1万+

人工智能:扩散模型(Diffusion Model)原理与图像生成实战

本文介绍了扩散模型(Diffusion Model)的原理与图像生成实战。扩散模型通过前向扩散(逐步添加噪声)和反向扩散(逐步去除噪声)两个过程实现图像生成,相比传统GAN模型具有更稳定的训练特性。文章详细讲解了扩散模型的数学原理,包括噪声添加公式和神经网络训练目标。同时提供了PyTorch代码实现,涵盖前向扩散过程模拟、噪声预测网络构建等关键环节,并以MNIST手写数字生成为例展示了扩散模型的实际应用。通过逐步拆解扩散模型的核心思想与实现细节,帮助读者掌握这一前沿的生成式AI技术。

今天比昨天更努力一点! 2万+

CAPL学习之路-关键字

在capl中,关键字具有特殊的含义和用途,因此,不得将关键字用作变量或函数的名称 声明数据类型的关键字 可以用不同的关键字,声明或引用不同类型的数据 byte 声明一个字节的变量 word 声明两个字节的变量 dword 声明四个字节的变量 int 声明两个字节的整数 long 声明四个字节的变量 qword 声明八个字节的变量 char 声明一个字符串 float 声明一个浮点数,8个字节 double 声明一个浮点数,8个字节 定义一个结构体或枚举类型 struct struct Data { .

jasonj333 6113

【ARM CoreLink 系列 4 -- NIC-400 控制器详细介绍】

正常情况下,一个NIC的实现,可以包含一百多个master和几十个slave,每个master和每个slave都会有一些寄存器,这些寄存器可以被 programming,实际实践中就会对 AMIB 或者 ASIB 或者 IB,当它需要具有 programming的时候,给它指定一个node number。为什么指定Node Number呢?首先,从CPU的角度,它需要有一个1M对齐的地址空间,在这1M地址空间上,对每个ASIB或者AMIB这样的接口给它一个node number以后,

CodingCos的博客 5246

深入解析 Latent Diffusion Model(潜在扩散模型,LDMs)(代码实现)

传统扩散模型在像素空间直接操作的特性导致其训练和推理过程计算成本极高,限制了其在高分辨率图像生成中的广泛应用。为了解决这一问题,Latent Diffusion Model(潜在扩散模型,LDMs)应运而生,它通过在潜在空间中运行扩散过程,显著降低了计算复杂度,同时保留甚至提升了生成质量。

阿正的梦工坊 1万+

【Java设计模式】Java设计模式之(一)单例模式(Singleton Pattern)

本文继续介绍23种设计模式详解系列之单例模式。 一、单例模式的定义 指一个类只有一个实例,且该类能自行创建这个实例的一种模式。 二、单例模式的常见例子 Windows 中只能打开一个任务管理器,这样可以避免因打开多个任务管理器窗口而造成内存资源的浪费,或出现各个窗口显示内容的不一致等错误;在计算机系统中,还有 Windows 的回收站、操作系统中的文件系统、多线程中的线程池、显卡的驱动程序对象、打印机的后台处理服务、应用程序的日志对象、数据库的连接池、网站的计数器、Web 应用的配置对象、应用程序中

No8g攻城狮的博客 986

【深度学习模型】扩散模型(Diffusion Model)基本原理及代码讲解

生成式建模的扩散思想实际上已经在2015年(Sohl-Dickstein等人)提出,然而,直到2019年斯坦福大学(Song等人)、2020年Google Brain(Ho等人)才改进了这个方法,从此引发了生成式模型的新潮流。目前,包括OpenAI的GLIDE和DALL-E 2,海德堡大学的Latent Diffusion和Google Brain的ImageGen,都基于diffusion模型,并可以得到高质量的生成效果。本文以下讲解主要基于DDPM,并适当地增加一些目前有效的改进内容。

tobefans的博客 9万+

智能车复工日记【3】:图像处理——基本扫线和基本特征提取和十字补线

目录前言基本扫线(除了进入环岛状态或者坡道或者十字路口的普通扫线)基本数据和初步特征进一步特征提取1、计算并且显示前n行左右线各丢失数目(不break和break的都有)2、计算左右线方差(以右线为例)【a】计算右线曲率(选三个点:r_start、中点、break点)【b】如果右线曲率在一定的范围,就进行右线拟合,从空白行开始计算斜率,否则则从0行开始计算 前言 图像大小185*70,通过扫线获取.........

hanhan的博客 3万+

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

万字长文详细解读扩散模型(diffusion model)从原理剖析、公式推导、Unet架构到代码实现

扩散模型通过逐步去噪实现高质量图像生成,其核心是噪声预测器学习训练数据的真实分布。在文本到图像任务中(如Stable Diffusion),模型结合文本编码器提供的语义条件指导生成过程。评估生成质量主要采用FID指标衡量图像分布相似度,以及CLIP模型验证图文匹配度。扩散模型通过正向加噪构造训练数据,反向去噪生成图像,其性能依赖于文本编码器的语义理解能力和噪声预测器的分布拟合效果。这种分步生成框架显著提升了生成图像的逼真度和语义一致性。

m0_59012280的博客 2万+

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

上一篇: 【图神经网络】Graph Neural Network详解:处理非欧几里得数据
下一篇: 【深度学习】Vision Transformer (ViT) 详解:从原理到实践
MATLAB代码顾问
博客等级 码龄20年 4万+粉丝 441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

MATLAB代码顾问

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