如何步入深度学习刷榜第一重境界

深度学习框架DeepLearning4J(DL4J)的安装及配置 本文主要介绍了如何在IDEA中,通过使用Maven安装和配置深度学习框架DeepLearning4J,同时文中也详细介绍了Maven的安装和配置过程,希望给小伙伴一些帮助。 阅读详情

实际上笔者也没多少刷榜经验,毕竟不擅长,之前老大也没有任务指派,今年10月份得闲了个把月,没那么多事就参加了一个场景分类的比赛,链接如下,https://challenger.ai/competition/scene/leaderboard/test_a

刷了一个月之后最好成绩也就杀进前15然后就接着干项目去了。

0?wx_fmt=jpeg

与第一名差一个点,7000张测试图,80类,基本上每一类差1张图。到比赛结束的时候排在第20名左右,与第一名还是差一个点。说出去好像是有点不太好意思,但是作为第一次刷比赛,一个月也不能白费,毕竟绩效打在那里。现在的比赛听说还有专业刷榜团队的,也是666。

下面也简单分享一下。

0 刷的是什么比赛?

场景分类,80类日常生活中比较多的场景,这个在以后的社交应用中还是有需求的,相关最大的比赛是place365,有兴趣可以去看。眼下这个,是创新工场,今日头条,搜狗等一起搞的比赛,train数据集就不大,只有50000+,测试数据集7000+。

下面举10类吧

0/航站楼:airport_terminal

1/停机坪:landing_field

2/机舱:airplane_cabin

3/游乐场:amusement_park

4/冰场:skating_rink

5/舞台:arena/performance

6/艺术室:art_room

7/流水线:assembly_line

8/棒球场:baseball_field

9/橄榄球场:football_field

10/足球场:soccer_field

1 为什么叫第一境界?

我觉得怎么着刷榜这事也得有个三个境界,像笔者这样,一个人拿现有的模型,4块K40,兼职刷上一个月,最后提交也只融合了两个模型的,怎么看都是处于刚入门的第一境界,大部分人其实也就是这个境界。


而到了第二三境界,至少得有个集群,得有一群人来尝试各种方案,而顶尖的团队对网络结构肯定是需要调优设计的,历年夺冠的那些网络alexnet,googlenet,resnet,senet无一例外。

不过设计强大的网络结构从时间代价,计算资源代价和算法能力都有比较高的要求,大部分人可能就是从数据层面做文章了,比如清洗数据,数据增强,搞搞不均衡样本等。

2 怎么一步刷到比较优的单模型?

这是最关键的第一步。

有几点一定是要形成共识的。


(1) 由于我是只有4个卡,用caffe或者tensorflow都是不可能的,我用了mxnet,并且在训练的过程中都放开了所有参数,实际上也做过固定某些参数的实验,但是效果并不好。224的尺度,放开全部训练的话,4块卡resnet152 batchsize可以到96。在实验的过程中,batchsize越大,指标就越高,几个网络都能观测到相关结论。


(2) 由于训练数据少,使用当前数据从头训练大模型不太现实,所以,先找到相关数据集比赛finetune过的大网络,resnet系列找了一个resnet152,dpn系列找了一个dpn92,各自先训练。


(3) 从尽量大的模型开始,机器啃得动的就行,毕竟这个任务里面有很多类还是很难的,小网络搞不定,resnet系至少得50层以上。

在刷这个比赛的时候,从imagenet mxnet model的模型fine-tune过来,链接在下面。

http://data.mxnet.io/models/

实验了18,50,152层的网络,使用本比赛50000+的数据进行简单的参数调优,

解释一下,lr是学习率,Lr=0.01(10)代表在10个epochs后下降一个数量级,从0.01到0.001,实际上在10个epoch以后都收敛了,所以后面没有做更多step lr的比较,大家感兴趣可以去尝试。w是weight decay,m是momentum,bs是batch size,单个k40 gpu。

0?wx_fmt=jpeg

从上面可以看出,从18层到152层精度毫无疑问是提升的。虽然参数没有调到各自最优,但基本能反应问题。尤其注意的是res18我加了weight decay来增加模型复杂度,不然没有上90%的可能。从resent152到resent200指标就没什么提升了,而且res200远远没有res152参数好调。单模型单个crop 94%的精度已经差不多了,


(4) 理论上随着训练尺度增加,在一定范围内性能也会增加,但是训练尺度的增加会导致能使用的batchsize减小,所以笔者最后统一采用224这个尺度。听说有人用到了700以上的尺度,只能说,真土豪也。


(5) 单个模型,多个crop会对结果有所提升,有的团队用到了上百个crop,笔者最后用了10个crop,没有去尝试更多,毕竟测试也是很花时间,这点资源一个人搞不过来。


有了以上的共识后,那就开始干起来,过段时间我会重新整理把项目git传上去,前段时间服务器意外格式化丢了全部训练文件,一时还没有恢复。如果对此感兴趣,请持续关注。


总结:单模型,以resent152为例。

训练尺度224*224,数据增强采用了水平flip和随机crop,random resize参数照搬googlenet那套,放开所有参数,使用resnet152-place365,即在place365数据集上进行训练过的模型,然后使用当前的训练数据集进行finetune,validation数据集进行测试。


数据增强参数偷懒截个图,实际上这些mxnet全部都已经集成好了,直接设置开关即可。

0?wx_fmt=jpeg

训练参数,lr=0.01,分别在10,20,40个epoch时下调学习率,最后采用10个crop,分别为四个角,中心以及水平翻转。在试用了多个batchsize之后,最大的能用的batchsize取得最优,resnet152单个模型能到97%。

在测试的时候有trick,采纳dpn的思想,使用较小的尺度训练,使用较大的尺度测试,最终在略大于224的尺度上,有微小的提升,对于刷榜来说还有很重要的,毕竟0.5%可以干掉10个人。

3 怎么做模型融合?

不同网络架构,但能力相当的模型进行融合,结果会稳定提升。笔者单模型10个crop,resnet152得到0.971,dpn92得到0.965,两者融合后即到0.978。要想得到最优,需采用不同的epoch进行融合,这个需要花时间去测试;所以就会出现两个单模型最优,融合之后缺不是最优的情况。这个时候,需要把各自错误样本拿出来分析,我当时没有太多时间和耐心去尝试各种方案。


这就是提交比赛的最后结果,两个现有的模型在224尺度用4张卡训练,融合之后,在比赛结束前的一个月,能排在15名左右,比赛结束后我回去一看,test_a也在20名以内,test_b也差不多,由于test_b比较难,所有参赛队伍的成绩都下降了4个点左右。

4 哪些trick比较关键

虽然提交的结果非常简单,笔者还是实验过很多参数的,稍微有些经验拿出来分享下,有些参数是不能乱调的,有些则不需要调。


(1) finetune很关键

从相关大数据集上训练好的模型开始finetune,基本上可以肯定会比从不相关大数据集上训练的模型,或者从头开始训练更好,这个大家应该是通识了。


(2) 学习率lr和batchsize

学习率和batch size是成对的参数,batch size增大N倍,相当于将梯度的方差减少N倍,也就是梯度方差更小了,更加准确,更加容易跳出局部最优,带来的后果就是收敛更慢,这时候为了提高训练速度,可以将lr增加sqrt(N)倍。


学习率是最关键的参数了,没得说,只能自己从大到小开始尝试。

笔者列举一个例子:dpn92, lr_step_epochs='10,20,30,40',w=0,m=0,bs=64,

lr取0.001,0.005,0.01,0.01,分别看train和val的acc。

0?wx_fmt=jpeg

从小到大,从欠拟合到过拟合,很明显。


batch size相对来说没有lr那么敏感,但是对结果也是至关重要的。

下面是resnet152的batchsize的实验,mul_val是多个crop

0?wx_fmt=jpeg

下面是dpn92的batchsize的实验,mul_val是多个crop

0?wx_fmt=jpeg

看的出来,指标有所上升。

当然了,还是那句话,单个最优的模型融合起来并不能保证结果最优。


(3) weight decay和momentum

这两个参数,对于小模型的训练是比较关键的,不过越大越不敏感。

下面是res18的训练结果,从结果看来差异是很大的。

0?wx_fmt=jpeg

Res50,差距就不明显了。

0?wx_fmt=jpeg

Senet50也是。

0?wx_fmt=jpeg

我的结论是这个参数可以去调一调,不过对于大模型可能不是很必要,我都用的是0


(4) 测试网络

下面是单个crop和10个crop的比较

0?wx_fmt=jpeg

很明显,不管是什么网络,多个crop会有很明显的提升,上面稳定提升2%以上,更多的crop笔者没尝试,因为实在是太慢了。


另一方面,借鉴dpn的思想,用小尺度训练,大尺度测试可能也有微小的点提升,下面是一个比较。

0?wx_fmt=jpeg

(5) 数据增强

本任务中复杂的数据增强没怎么用,使用的是mxnet  level=1的数据增强,估计是因为模型已经在大数据库上训练过,au=1就是基本的crop,flip,random resize,au=2会做图像旋转,au=3会再加上颜色扰动,实际的项目中我们还是会做一点的。

0?wx_fmt=jpeg

就这么多,不知道你对是否有用,下回搞点机器搞点时间去刷个大榜试试。


0?wx_fmt=jpeg



话说有个问题,刷比赛的各位觉得这个好玩吗?u1F633.png

人工智能AI 机器学习ML 深度学习DL 和 神经网络NN 的关系 人工智能 机器学习 深度学习 神经网络 的关系 阅读详情

相关推荐

Deeplearning4j【基础 01】初识Java深度学习框架DL4J_dl4j java

Deeplearning4j是当前最大、最流行的基于JAVA的深度学习框架,正式诞生于2013年,在2017年加入Eclipse基金会,由美国的Skymind开源并维护。支持神经网络模型的构建、模型训练和部署;能够与现有大数据生态进行无缝衔接(Hadoop、Spark等),也是可以原生态支持分布式模型训练的框架之一;支持多线程;跨平台(硬件:CUDA GPU,x86操作系统:Windows/Mac/Linux/Android)。

2401_86358637的博客 1844

【深度学习】短袖短裤识别算法冠军方案总结

作者丨tourist 编辑丨极市平台导读本文为短裤短袖识别算法的冠军tourist,总结了他当时参珠港澳人工智能算法大赛和最近参与打榜的一些技术细节和经验,希望能够给后续参加的...

fengdu78的博客 1906

【深度学习&NLP】初识深度学习(DL)与自然语言(NLP)

利用一些深度学习、神经网络的思想以及表征学习的思想,将它们运用到语言理解、以及自然语言处理等问题上。

weixin_52185996的博客 3769

《动手学习深度学习》之六:刷分作业FashionMNIST数据集分类-打卡4

FashionMNIST分类 首先确认了数据集的图片shape均为:1x28x28,大多数数据集的图片尺寸是不一的,但FashionMNIST是固定的,这省下了很多清洗的工作;然后选择一个模型作为baseline,根据数据集的这样一个规模以及分辨率,肯定不适合用大模型,层数打算控制在20以内,所以我打算尝试一下resnet18作为baseline,然后使用图像增广和批量归一化来改善模型性能。 1....

EricYoung的博客 756

从TensorFlow到DL4J——主流深度学习框架对比分析

从TensorFlow到DL4J——主流深度学习框架对比分析 2022年2月22日 极链AI云 官网地址 点击注册 更多AI小知识,关注《极链AI云》公众号 文章目录从TensorFlow到DL4J——主流深度学习框架对比分析一、深度学习框架概述与深度学习技术的四大阵营二、主流开源深度学习框架的来龙去脉2.1 TensorFlow2.2 Keras2.3 Pytorch2.4 Theano2.4 Caffe2.5 Caffe22.6 Torch2.7 FastAI2.8 MXNet2.9 Gluon

m0_60673947的博客 2552

Java 人工智能应用:使用 DL4J 实现深度学习算法

本文介绍了如何使用Java深度学习库DL4J实现深度学习算法。DL4J是为Java开发者设计的开源分布式深度学习库,可与Hadoop和Spark集成处理大规模数据。文章详细讲解了DL4J开发环境的搭建步骤,包括Maven依赖配置和Java环境准备。重点演示了如何使用DL4J构建多层感知机(MLP)模型,涵盖数据准备、模型构建、训练和评估的完整流程。通过示例代码展示了如何实现数据预处理、神经网络配置、模型训练和性能评估,为Java开发者提供了深度学习应用的实践指南。文中采用的MLP模型适用于二分类问题,可作为

shrgegrb的博客 2497

国内常见与人工智能(深度学习、机器学习)相关比赛合集

​ 以下比赛一般最近一年一次,一届一届的办,不过在我们学校都不算ABC类,但在要继续走一下还是挺有用的,当然钱也比普通比赛奖励的多。特点:国内业界领头羊,研究生的天堂,只给题目和真实数据,要求从数据处理到构建网络,搭建模型等全自己解决。难度:三颗星(四颗) 拿奖简单,学生参与然后跑通多加点预训练好像就有国三,(建议学了一两年再参加)特点:最好组队参加,写博客形式,切记要系统性,有规划的写,尽量写有特色(花)一点。【深度学习】和【动手学深度学习】《动手学深度学习》【Python深度学习:基于PyTorch】

weixin_52153243的博客 1594

Deeplearning4j深度学习示例教程:DL4J, DL4J Spark, DataVec实战

神经网络是深度学习的基础,由大量的节点(或称为“神经元”)相互连接而成。每个神经元可以将输入转换为输出,并在此过程中应用一个非线性激活函数。通过多层的网络结构,复杂的非线性变换得以实现,使得神经网络能够学习数据中的层次结构。Deeplearning4j(DL4J)是针对Java虚拟机(JVM)的开源深度学习库,专为商业环境和生产需求设计。DL4J的特点之一是它的性能优化,在分布式计算、多线程和Hadoop或Spark集成方面表现出色。

weixin_29867767的博客 3478

深度学习Top10算法

自2006年深度学习概念被提出以来,20年快过去了,深度学习作为人工智能领域的一场革命,已经催生了许多具有影响力的算法。以下是深度学习top10算法,它们在创新性、应用价值和影响力方面都具有重要的地位。

githubcurry,985cs博士在读 3869

Vivado时序违约小结

目录1. setup time违约1.1 逻辑级数太高1.2 Fanout太大2. hold time 违约2.1 异步信号处理导致hold time违约 1. setup time违约 建立时间是工程设计中最常遇到的问题了。一般说来,导致建立时间违例主要有两个原因:逻辑级数太大或者扇出太大,当然也可以尝试通过降频来解决建立时间违约。 1.1 逻辑级数太高 Levels指的是逻辑级数logic level,一个logic level的延迟对应的是一个LUT和一个Net的延迟,对于不同的器件,不同频率的设计能

mu_guang_的博客 7159

重磅!Repo Wiki!

RepoWiki是Qoder平台的智能文档生成功能,通过静态代码分析自动提取项目架构、模块依赖和核心逻辑,并持续追踪代码变更保持文档同步。其工作流程分为四个阶段:1)代码扫描与AST解析;2)结构分析与依赖映射;3)文档智能生成;4)增量更新机制。支持多种编程语言,能识别设计模式并推断技术决策,适用于新项目搭建和遗留系统维护。优势在于降低理解成本和提高开发效率,但存在文件数量限制和依赖Git的局限性。典型应用场景包括自动生成架构图、API手册和团队知识沉淀。

ayusong870的博客 4044

Datawhale AI 夏令营 多模态竞赛 task2:从baseline入门深度学习

一个简单的神经元模型包括输入、权重、激活函数和输出。深度将它们按照一定的层次连接起来,形成一个庞大的网络。这个网络的最底层接收输入数据,比如图片或文本,然后通过每一层的处理,逐渐提取出更高级别的特征,最后在顶层输出结果,比如识别图片中的物体或理解文本的含义。从最基础的神经元模型出发,科学家们逐步构建了越来越复杂的神经网络模型,最初科学家们从模拟单个神经元的行为开始,创建了简单的神经元模型,这些模型能够接收输入信号并产生输出。这些基础模型为后续更复杂结构的构建奠定了基础。

m0_51658788的博客 956

CRISPR筛选全流程指南:从文库构建到数据分析实战

功能基因组学研究需要高效解析基因型与表型的关联,高通量筛选技术是其中的关键工具。基于CRISPR系统的筛选方法通过大规模sgRNA文库扰动基因功能,结合慢病毒递送和测序分析,能够系统鉴定影响细胞增殖、耐药、病毒感染的候选基因。与RNAi或化学小分子筛选相比,CRISPR筛选具有覆盖全基因组、脱靶率低、信号清晰等优势,已广泛应用于药物靶点发现、合成致死和免疫治疗机制研究。本文围绕实验设计与操作中的核心要点展开,涵盖文库扩增、病毒滴度控制、MOI把握、筛选模式选择以及基于MAGeCK的sgRNA丰度分析,并针对

weixin_31188927的博客 289

【深度学习】Java DL4J 2024年度技术总结

在当今数字化浪潮中,深度学习作为人工智能领域的核心驱动力,正以前所未有的速度改变着我们的生活和工作方式。从图像识别到自然语言处理,从医疗诊断到金融预测,深度学习的应用场景无处不在,展现出巨大的潜力和价值。Java作为一门广泛应用于企业级开发的编程语言,以其稳定性、可移植性和丰富的类库资源,在软件开发领域占据着重要地位。然而,传统的Java开发在面对深度学习复杂的模型构建和大规模数据处理时,往往显得力不从心。的出现,为Java开发者打开了一扇通往深度学习世界的大门。DL4J是一个专为Java和Scala。

在技术的广袤天地里,本博客如精准罗盘。剖析前沿科技,深掘代码奥秘,以精炼笔触,带您穿越复杂技术迷宫,速达知识彼岸。 1万+

npu-smi info 华为昇腾NPU 状态监控工具解读

用于查询所有设备的基本信息。

Lixora's DB Home 2489

CAPL基础篇-----CAPL中如何发送自定义报文

CANOE CAPL CAN消息发送

WlzSnail的专栏 1万+

使用 ESP-DL 深度学习库基于 ESP32-S3 实现手势识别

用户基于乐鑫深度学习库 ESP-DL,能够在 ESP32-S3 上部署高性能的深度学习模型。

乐鑫 Espressif 1万+

Webpack打包到宝塔上线:前端小白也能搞定的部署保姆教程

本文为前端开发者提供了一份详尽的Webpack项目部署指南。通过宝塔面板的可视化操作,手把手教你如何将Vue3等项目从本地构建、打包,到上传服务器、配置Nginx,最终完成上线部署的全过程,有效解决了新手在项目上线环节的常见难题。

jjj34的博客 225

【深度学习-Day 1】为什么深度学习是未来?一探究竟AI、ML、DL关系与应用

欢迎踏上深度学习(Deep Learning, DL)的探索之旅!近年来,人工智能(Artificial Intelligence, AI)浪潮席卷全球,而深度学习正是驱动这股浪潮的核心技术之一。无论你是对 AI 充满好奇的初学者,还是希望在技术领域深耕的开发者,理解深度学习都至关重要。本专栏旨在系统性地引导大家从零基础入门,逐步掌握深度学习的核心概念、关键技术和实战应用。

吴师兄大模型的博客 7390

模型训练篇 | 手把手教你使用ResNet训练自己数据集和推理,ResNet50通用物体分类识别,含完整代码和数据集,全网最详细教程

手把手教你使用ResNet训练自己数据集和推理,ResNet50通用物体分类识别,含完整代码和数据集,全网最详细教程。本篇文章将带你学习 ResNet50 模型构建、ResNet50训练自己数据集、数据集处理、推理和验证、模型剪枝与模型改进等。 本篇教程适配各种分类识别任务,可以说是一个通用的教程,只需修改自己的数据集即可完成自己领域的任务和系统实现。

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 742

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

DL框架之DL4J/Deeplearning4j:深度学习框架DL4J/Deeplearning4j的简介、安装、使用方法之详细攻略

Deeplearning4j可以实施的技术包括受限玻尔兹曼机、深度置信网络、深度自动编码器、堆叠式降噪自动编码器、循环神经张量网络,以及word2vec、doc2vec和GloVe。硬件支持包括 CUDA GPU(10.0、10.1、10.2,OSX 除外)、x86 CPU(x86_64、avx2、avx512)、ARM CPU(arm、arm64、armhf)和 PowerPC(ppc64le)。:用于各种格式和文件(HDFS、Spark、图像、视频、音频、CSV、Excel 等)的。

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 6287

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

探索深度学习的奇妙之旅 —— DL-Demos项目推荐

探索深度学习的奇妙之旅 —— DL-Demos项目推荐 去发现同类优质开源项目:https://gitcode.com/ 在当今这个数据驱动的时代,深度学习已成为推动人工智能前行的重要引擎。对于研究者和开发者而言,一个全面而实用的示例集合无疑是探索这一领域的宝贵资源。今天,我们要向您隆重介绍【DL-Demos】——一个由SingleZombie精心打造的深度学习示范项目,它不仅覆盖了基础理论,还深...

gitblog_00085的博客 1095

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Kotlin DL 深度学习框架指南

**Kotlin DL** 是一个用 Kotlin 编写的高级深度学习框架,深受 Keras 的启发。该框架旨在简化神经网络模型的构建、训练和部署过程,特别是对于那些对 Kotlin 熟悉而对深度学习领域可能相对陌生的开发者。Kotlin DL 支持GPU加速,并集成了TensorFlow和ONNX(Open Neural Network Exchange)模型,使其在多平台应用中具有灵活性。

gitblog_00698的博客 670

图神经网络权威基准OGB的2020年“刷榜往事”

2020-12-13 04:30:35 作者 | 青暮 编辑 | 陈彩娴 相对于传统神经网络,图神经网络有着非常明显的优势:非顺序排序的特征学习、两个节点之间依赖关系的学习、非结构化数据上的推理能力。 因此,图神经网络在多个领域的复杂关系建模和互动系统中起到关键作用,这些领域包括生物学、地图、金融、搜索、推荐、高能物理学、社会科学和经济学等。 就像计算机视觉领域有ImageNet,图神经网络领域也有自己的“ImageNet”,也就是由斯坦福大学图神经网络权威Jure Leskovec教授.

喜欢打酱油的老鸟 2076

探索深度学习的魅力:DL-AndrewNg 项目详解

探索深度学习的魅力:DL-AndrewNg 项目详解 去发现同类优质开源项目:https://gitcode.com/ 该项目,,是一个基于 Andrew Ng 的《斯坦福大学深度学习专项课程》(deeplearning.ai)的学习资源库。它旨在为开发者和学生提供一个易用且互动性强的平台,以实践和理解深度学习的基本原理和技术。 技术分析 1. Jupyter Notebook 整个项目基于 Ju...

gitblog_00060的博客 3525
上一篇: 【GAN的应用】基于对抗学习的图像美学增强方法
下一篇: [caffe解读] caffe从数学公式到代码实现1-导论
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3636粉丝 976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

言有三

三人行必有AI

¥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