【项目实战课】基于BiLSTM+CRF的命名实体识别实战

详解BILSTM-CRF模型结构进行命名实体识别 1.句子转化为字词向量序列,字词向量可以在事先训练好或随机初始化,在模型训练时还可以再训练。 2.经由BILSTM特征提取,输出是每个单词对应的预测标签。 3.经CRF层约束,会对输出的分数进行校正,输出是最优标签序列。 Step1:Word Embedding 定义:Word Embedding是一个基于分布式假设的预训练模型。它假设两个语义相近的词在高维空间中距离更近。 方法流程: 1.将一个含有n个词的句子记作:x = (x1,x2,…xn)。 2.利用预训练的embedding矩阵将每个字映射为低维 阅读详情

f17f607f04e66522cf8d0a185bf32a79.png

欢迎大家来到我们的项目实战课,本期内容是《基于BiLSTM+CRF的命名实体识别实战》。所谓项目课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行代码级的实战讲解。

本次主题

命名实体识别(Named Entity Recognition,简称NER)是指从文本中识别出具有特定意义的实体,如人名、地名、机构名、专有名词等。

0e4950509f71011571839693bbb98552.png

NER是 NLP 中的重要的基础工具,很大程度上辅助了 NLP 走向实用领域。通过学习本实战项目课程学生将掌握 NER  基于 BiLSTM + CRF 的实战实现,并掌握 NER 的发展和技术要点。

本次课程经过剪辑后的课程总时长为81分钟,定价为49元,各部分课程内容与时长如下:

部分

内容

时长(分钟)

No.1

项目背景介绍

29

No.2

模型原理说明

14

No.3

数据源与数据预处理介绍

7

No.4

代码讲解

26

No.5

总结与展望

5

下面我们来简单看一下各部分的内容:

第1部分:项目背景介绍,讲解项目背景、项目难点、总体方案和问题建模,本部分内容可以免费收听。

e48e93ea0458c79e94bf7413698ed33d.png

bb7cde4b69fff69d3da53e0855750392.png

第2部分:模型原理说明,包括BiLSTM+CRF的基本介绍、BiLSTM+CRF的输入等内容。

451f400b7a62e69a1d540c2d13839e0d.png

48139342328a86b9be01b106271df5d2.png

第3部分:数据源与数据预处理,包括数据源和文本数据预处理两部分内容。

545c5219f681335204f226eb6466f3e9.png

c40638f4fbc79794382a7747219fcaf1.png

第4部分:代码讲解,本部分专门进行课程相关代码的讲解。

10e6e1a4c0ee7dc417e37b14ffd22e20.png

5f3dc0acff63f021a6184d52be15ed41.png

a9adc7a1f892b81ba027362b66903e6d.png

3aed59dcaa7bc00f4db68b740c4dc56d.png

第5部分:总结与展望,总结了BiLSTM+CRF的优缺点以及前沿进展。

a6ed58527865babdb299f65925f2963a.png

b8df410ac99ba262f1926ae4022df742.png

本次课程讲师为Monica,某互联网大厂高级算法工程师、美名校本硕数学专业,资深AI课程讲师。

7cd079d23784e057acb3b88ae179e844.png

如何订阅

我们的视频课全部在小鹅通平台,可以使用手机APP鹅学习或者直接在网页进行登录,内容试听以及订阅请直接扫如下二维码:

52490c5c9e05beea932a9eceb45327ff.png

课程详情如下:

4c7f4f0df36a881732a6e01decb7bda9.png

更多实战课内容

更多的项目实战课内容,请大家参考:

bc27ab208fd0c1652ddb37f34122da50.png

【项目实战课】NLP入门第1课,人人免费可学,基于TextCNN的新闻文本分类实战

6f47de6e7f272aaac72bf05cdce5c285.png

【项目实战课】基于 TextRank 的⽂本摘要抽取实战

f0cc5635d3ee0e2f085858096850c0b5.png

【项目实战课】基于HuggingFace的Bert情感分析实战

47dc42b01f2c6a189f26af884185f529.gif

【项目实战课】AI零基础,人人免费可学!基于Pytorch的SimpleNet人脸表情识别实战

7bee640635a67e303e4b8f937a4eed12.png

【项目实战课】人人免费可学!基于Pytorch的图像分类简单任务数据增强实战

5949b9e7e8fde75d7bc62bb428684e1e.png

【项目实战课】基于Pytorch的MTCNN与Centerloss人脸识别实战

0be71cb817d7f78304873452da6541e9.gif

【项目实战课】人人免费可学!基于Pytorch的SimpleNet嘴唇图像分割实战

788568c4005e056ccba58528c5802d6b.gif

【项目实战课】基于Pytorch的Semantic_Human_Matting(人像软分割)实战

c06e8bdd18b9d0698daceb89973ccd33.png

【项目实战课】基于Pytorch的DCGAN人脸嘴部表情图像生成实战

0c93e8b963123602ded91abd346c3a7c.png

【项目实战课】基于Pytorch的StyleGAN v1人脸图像生成实战

41c8cd03c37cd7775854996702d74d88.gif

【项目实战课】基于Pytorch的StyleGAN人脸属性(表情、年龄、性别)编辑实战

c619fd30d25f9054dbb431d408ad30e4.png

【项目实战课】基于Pytorch的Pix2Pix黑白图片上色实战

8468de000ba31dbe568c473c465a33b3.gif

【项目实战课】基于Pytorch的SRGAN图像超分辨实战

fcf0686567b69f6d175db4fbdf62cc79.gif

【项目实战课】基于Pytorch的3DCNN视频分类与行为识别实战

7f66c011603e31a86ff0184dae40a3ba.gif

【项目实战课】基于Pytorch的CNN_LSTM视频分类与行为识别实战

9368c2edf954a2d32521d93f189e06f5.gif

【项目实战课】基于Pytorch的SlowFast模型视频分类与行为识别实战

85d8a211734a1e36537e2494c2757423.png

【项目实战课】基于ncnn框架与KL散度的8bit对称模型量化与推理实战

90104ab170fe7c23a67a722ead6e17fb.png

【项目实战课】基于Pytorch的稀疏约束结构化模型剪枝实战

0a203b8eb698f8295d1aadbd78701223.png

【项目实战课】基于Pytorch的RetinaFace人脸与关键点检测实战

f96314c94420d85c981210c036abf2e3.png

【项目实战课】快速上手目标检测任务,MMdetection框架详细解读与案例实战

90e6b238fab7e057bb6cb59b3985536f.png

【项目实战课】微信小程序图像识别模型前后端部署实战

项目实战课程合集,请大家参考:

【CV冬季划】终极进阶,超30个项目实战+3本书+3年知识星球

f42c7773f8651cebac91cef0dbf1491f.png

课程相关问题答疑,请联系微信-坨坨瑜进项目实战群:

ec2d05eaec5fda02582b6d915fadc5b9.png

4c35854b91f051db955ab0a4b0449eb9.png

实战课讲师招募

为了进一步丰富有三AI生态的实战内容,欢迎有经验,有能力的讲师报名成为平台讲师:

ea5bd2fe432ecaa948dfbbbc2725c57d.png

讲师要求如下:

(1) 有多次人工智能领域教学经验,擅长演讲与教学。

(2) 有3年以上人工智能领域项目实战经验。

(3) 有三AI已有生态成员优先。

实战课的收入与平台采取固定分成的方式,具体细节可在内容组了解详情,报名请联系微信-坨坨瑜提交简历,或直接联系有三本人。

53684a7a706ea767d224e197ef4608e9.png

31ea66f9dbed3af6642f888f1031c8d5.png

692a9cb734972ac8e7a64bf5737a850f.png

往期相关

机器翻译实战(英译汉)Transformer代码学习详解 任务目标 基于Transformer实现英语翻译汉语。如有疏忽请多指教 数据 Hi. 嗨。 Hi. 你好。 Run. 你用跑的。 Wait! 等等! Hello! 你好。 I try. 让我来。 I won! 我赢了。 Oh no! 不会吧。 Cheers! 乾杯! Got it? 你懂了吗? He ran. 他跑了。 Hop in. 跳进来。 I lost. 我迷失了。 I quit. 我退出。 I'm OK. 我沒事。 Listen. 听着。 No way! 不可能! No way! 没门! Reall 阅读详情

相关推荐

NLP15:使用BiLSTM、BiLSTM-CRF、BiLSTM-Attention、Bert-BiLSTM-CRF进行命名实体识别

公众号:数据挖掘与机器学习笔记 1.基于BiLSTM的命名实体识别 Embedding+BiLSTM+BiLSTM+Dense from tensorflow.keras.layers import Embedding, LSTM, Bidirectional, Dense, Dropout, Masking from tensorflow.keras.models import Sequential def build_model(): """ 使用Sequential构建模型网络:双

大雄没有叮当猫的博客 7425

自然语言处理基于深度学习的中文命名实体识别实战

课程目标:学习完本门课程,您将对自然语言处理技术有更深入的了解,彻底掌握中文命名实体识别技术。适用人群:自然语言处理从业者、深度学习爱好者课程简介:命名实体识别作为自然语言处理的基础技术之一,在自然语言处理上游各个任务(问答系统、机器翻译、对话系统等)重扮演者十分重要的角色,因此深入掌握命名实体识别技术,是作为自然语言处理从业者毕本技能,本课程理论与实践相结合,希望能给大家带来帮助。 课程要求: (1)开发环境:Python3.6.5 Tensorflow1.13.1;(2)开发工具:Pycharm; (3)学员基础:需要一定的Python基础,及深度学习基础; (4)学院收货:掌握命名实体识别关键技术; (5)学院资料:见课程资料; (6)课程亮点:全程实战操作,徒手撸代码。

基于BiLSTM+CRF医学病例命名实体识别项目

一、研究背景 为通过项目实战增加对命名实体识别的认识,本文找到中科院软件所刘焕勇老师在github上的开源项目,中文电子病例命名实体识别项目MedicalNamedEntityRecognition。对其进行详细解读。 原项目地址:https://github.com/liuhuanyong/MedicalNamedEntityRecognition 修改版项目地址(详细注释):待补充 二、项目介...

小马日记 7734

自然语言处理基于Bert的中文命名实体识别实战

课程目标:学习完本门课程,您将对自然语言处理技术有更深入的了解,彻底掌握中文命名实体识别技术。适用人群:自然语言处理从业者、深度学习爱好者课程简介:命名实体识别作为自然语言处理的基础技术之一,在自然语言处理上游各个任务(问答系统、机器翻译、对话系统等)重扮演者十分重要的角色,因此深入掌握命名实体识别技术,是作为自然语言处理从业者毕本技能,本课程理论与实践相结合,希望能给大家带来帮助。课程要求:(1)开发环境:Python3.6.5 Tensorflow1.13.1;(2)开发工具:Pycharm; (3)学员基础:需要一定的Python基础,及深度学习基础;(4)学院收货:掌握命名实体识别关键技术;(5)学院资料:见课程资料;(6)课程亮点:全程实战操作,徒手撸代码。

BiLSTM-CRF中CRF层的作用

1、先验知识: 命名实体识别或序列标注,基本掌握LSTM、CRF的基本概念。也可参考: LSTM CRF 2、基本概念与假设: 假设我们的数据集中有两类实体——人名和地名,与之相对应在我们的训练数据集中,有五类标签: B-Person, I- Person,B-Organization,I-Organization, O 假设句子x由五个字符w1,w2,...

qq_42189083的博客 5611

BILSTM-CRF代码讲解

BILSTM-CRF代码 第一部分:导包 1.torch.nn包中主要包含了用来搭建各个层的模块(Modules),比如全连接、二维卷积、池化等;torch.nn包中还包含了一系列有用的loss函数。 2.torch.optim包则主要包含了用来更新参数的优化算法,比如SGD、AdaGrad、RMSProp、 Adam等。 3.import torch.autograd as autograd这是求自动微分的 第二部分 用于设置随机初始化的种子,即上述的编号,编号固定,每次获取的随机数固定。 1.序列预测函

Peiyan_er的博客 3433

2.2 实战演练之命名实体识别NER

目录1 命名实体识别任务介绍2 基于Transfromers的解决方案2.1 模型结构:2.2 评估函数:3 代码实战演练1)导包:2)加载数据集3)数据预处理4)创建模型5)常见评估函数6)配置训练参数 7)创建训练器 8)模型训练 9)模型预测4 NER实战过程中需要注意的7点: 使用不同的model head用于解决不同的任务,如果说我们需要对每一个词(token)去做一个标签预测的话,这个时候我们就需要用到xxxForTokenClassification可以看到数据集已经划分好了训练集、验证集和测

a131529的博客 2155

Bilstm+crf中的crf作用详解

本文框架如下: 介绍——在命名实体识别任务中,BiLSTM模型中CRF层的通用思想 详细的实例——通过实例来一步步展示CRF的工作原理 实现——CRF层的一步步实现过程 谁可以读本文——本文适用与NLP初级入门者或者AI其他相关领域 需要有的基础知识:你只需要知道什么是命名实体识别,如果你不懂神经网络,条件随机场(CRF)或者其它相关知识,不必担心,本文将向你展示CRF层是如何工作的。本...

qq_41853758的博客 1万+

【详解】BiLSTM+CRF模型

1 BiLSTM-CRF模型用途 命名实体识别(Named Entity Recognition,NER) 定义 从一段自然语言文本中找出相关实体,并标注出其位置以及类型。 是信息提取, 问答系统, 句法分析, 机器翻译等应用领域的重要基础工具。 在自然语言处理技术走向实用化的过程中占有重要地位. 包含行业, 领域专有名词, 如人名, 地名, 公司名, 机构名, 日期, 时间, 疾病名, 症状名, 手术名称, 软件名称等。 命名实体识别问题实际上是序列标注问题 序列标注问题指的是模型的输

一个内容严谨、方向前沿、极具实践价值的AI大模型技术分享站 3万+

Python深度学习项目实战:机器翻译

机器翻译,顾名思义,是指利用计算机将一种自然语言转换为另一种自然语言的过程。早期机器翻译系统主要依赖于语言学家编写的语法规则和词典,将源语言句子进行句法分析和词法转换,最终生成目标语言句子。随着统计学和语料库的兴起,SMT 利用大量的平行语料库进行统计建模,通过概率模型来预测目标语言句子。近年来,深度学习技术取得了突破性进展,NMT 利用神经网络模型来学习源语言和目标语言之间的映射关系,取得了显著的翻译效果提升。结合文本、图像、语音等多种模态信息进行翻译。在缺乏平行语料库的情况下进行机器翻译。

AI天才研究院 1860

空间数据库(1):Arcgis10.2连接PostgreSQL9.1,创建空间数据库,导入空间数据

1、arcgis的安装对于gis人员来说想必并不陌生,此处就不赘述了。那么就先从PostgreSQL说吧,我这里用的是跟Arcgis desktop 10.2所支持的9.1或者9.2版本,大家也可以用相对应的更高的版本来配置,注意的是版本一定要相互匹配,不仅是Arcgis与PostgreSQL的匹配,还有PostgreSQL与PostGIS匹配。 按道理desktop是32位的,应该用PostgreSQL的32位,但是我实在找不到32位的PostGIS9.1,所以就用64位的吧,后面配置部分可能需

XIAOHUA的博客 1317

命名实体识别(NER):BiLSTM-CRF原理介绍+Pytorch_Tutorial代码解析

本文较全面的介绍了命名实体识别(NER),包括NER定义、BiLSTM-CRF模型、Pytorch代码实现,未来将继续完善本文,以求涵盖NER众多方面。 文章目录命名实体识别任务(NER)定义BiLSTM-CRF模型模型输入LSTMCRF真实路径得分所有路径得分Pytorch Tutorial NER代码解析#TODO参考 命名实体识别任务(NER)定义 命名实体识别属于自然语言处理中的序列标注任务,是指从文本中识别出特定命名指向的词,比如人名、地名和组织机构名等。具体而言,输入自然语言序列 ,给出对应.

misite_J 4万+

PCIe Electrical PHY(4)-PCIE SPEC第8章指标讲解

1.1 PCIE TX SPEC TX主要关心两类参数,一类是Voltage Parameters,一类是Jitter Parameters。 其中Voltage相关参数主要关心不同preset下差分电压幅度的准确性。以及共模电压的稳定性。 PCIE spec中对Jitter相关的参数测量定义如下: 分为两大类:DDJ(Data dependent Jitter)和UJ(Uncorrelated ...

maxwell2ic的博客 5949

【BiLSTM-CRF】深入浅出讲解BiLSTM-CRF算法

1.BiLSTM-CRF简介: 在NLP领域中,分词、词性标注、序列标注、命名实体识别等是科研和工程中经常遇到的任务,其中BiLSTM-CRF是用来解决这些任务的非常流行的算法,本文将简单介绍下BiLSTM-CRF算法的原理。 论文地址:https://arxiv.org/pdf/1603.01360.pdf,论文题目为:Neural Architectures for Named Entit...

程序星空实验室 1万+

手把手教你用STM32F429+FreeRTOS搭建开源SIP电话(附代码与避坑指南)

本文详细介绍了如何使用STM32F429和FreeRTOS搭建开源SIP电话系统,涵盖硬件选型、FreeRTOS任务划分、PJSIP协议栈移植、音频系统优化及安全实践。通过实战案例和代码示例,帮助开发者快速实现嵌入式VoIP通信,特别适合物联网和音视频通信领域的应用开发。

weixin_33582311的博客 354

UNet 改进(27):结合SCSE注意力机制的UNet网络实现

本文介绍了一种结合SCSE注意力机制的改进UNet网络架构。该网络在保持UNet经典编码器-解码器结构基础上,通过在每层添加SCSEBlock模块,融合了通道注意力和空间注意力机制。通道注意力通过全局池化和1×1卷积生成通道权重,空间注意力则产生空间权重图,二者相加增强关键特征响应。该设计具有以下优势:1)保持原始UNet的多尺度特征提取能力;2)通过注意力机制提升对重要区域的关注度;3)计算效率高,仅增加少量参数。测试显示网络能保持输入输出分辨率不变,适用于医学图像分割等像素级预测任务。完整代码实现了5层

2401_82355416的博客 415

BiLSTM-CRF实现中文命名实体识别(NER)

BiLSTM-CRF实现命名实体识别(NER)完整代码地址参考 本博客中使用到的完整代码请移步至: 我的github:https://github.com/qingyujean/Magic-NLPer,求赞求星求鼓励~~~ HMM系列文章: 条件随机场(CRF)原理小结(1) 条件随机场(CRF)原理小结(2) BiLSTM-CRF实现命名实体识别(NER) 完整代码地址 完整代码请移步至: 我的github:https://github.com/qingyujean/Magic-NLPer,求赞求星求鼓

小白的专栏 7334

【雕爷学编程】Arduino动手做(75)---TTL转RS-485模块之二线制可以实现真正的多点双向通信

37款传感器与执行器的提法,在网络上广泛流传,其实Arduino能够兼容的传感器模块肯定是不止这37种的。鉴于本人手头积累了一些传感器和执行器模块,依照实践出真知(一定要动手做)的理念,以学习和交流为目的,这里准备逐一动手尝试系列实验,不管成功(程序走通)与否,都会记录下来---小小的进步或是搞不掂的问题,希望能够抛砖引玉。 【Arduino】168种传感器模块系列实验(资料代码+仿真编程+图形编程) 实验七十五:TTL转RS-485模块 MAX485 RS485模块 MAX485 是一个8.

雕爷学编程 1万+

BERT-BiLSTM-CRF命名实体识别应用

引言 本文将采用BERT+BiLSTM+CRF模型进行命名实体识别(Named Entity Recognition 简称NER),即实体识别。命名实体识别,是指识别文本中具有特定意义的实体,主要包括人名、地名、机构名、专有名词等。 BERT(Bidirectional Encoder Representation from Transformers),即双向Transformer的Encoder。模型的创新点在预训练方法上,即用了Masked LM和Next Sentence Prediction两种

徐奕的专栏 1万+

【WRF数据介绍第一期】静态地理数据介绍及下载

WRF数据介绍第一期:静态地理数据介绍及下载

WW、forever的博客 4810

MAX30102心率血氧传感器原理图设计,已量产(e-Health传感器)

在最近的便携健康监测设备项目中,我们采用了集成算法的 MAX30102 心率血氧模块 —— 这类带内置 MCU 算法的传感器能直接输出心率 / 血氧数值,大幅降低了主控资源占用。但硬件电路的稳定性直接决定了 PPG 信号的采集精度,下面结合实际项目里的原理图,拆解下这个模块的设计细节。

不脱发的程序猿 1277

基于BiLSTM-CRF的命名实体识别

基于BiLSTM-CRF的命名实体识别1. 任务说明1.1 任务定义1.2 语料说明2. 实验环境3. 算法说明(按文件说明)3.1 model.py3.2 data.py3.3 predict.py3.4 evaluate.py3.5 run.py4. 实验结果5. 参考资料6. 源码 1. 任务说明 1.1 任务定义   基于train.txt和train_TAG.txt数据训练一个BiLSTM-CRF命名实体识别模型,进而为test.txt进行序列标注,输出标签文件,标签文件输出格式与train_TA

回锅肉炒肉的博客 4333

2026年软考信息安全工程师备考指南

信息安全工程师是信息产业部和人事部举办的软考中新增开的一门考试。软考全称全国计算机技术与软件专业技术资格(水平)考试,这门新开的信息安全工程师分属该考试“信息系统”专业,位处中级资格,是信息产业部和人事部在最新的“国人厅发[2007]139号文件中新增的专业。2016年下半年,第一次开考信息安全工程师(中级)考试。 考试科目: 1.信息安全基础知识,考试时间为150分钟,笔试,选择题; ...

鹿鸣天涯 7395

命名实体识别BiLSTM-CRF

命名实体识别BiLSTM-CRF – 潘登同学的NLP笔记 文章目录命名实体识别BiLSTM-CRF -- 潘登同学的NLP笔记标注策略早期方法基于统计学习的方法深度学习方法BiLSTM-CRF如果不加CRF层CRF 层可以从训练数据学习限制CRF层Emission score(发射分数)Transition score(转移分数)Loss函数动态规划 标注策略 IOB 比如识别人名:PER B:begin表示人名起始点 O:out表示非人名 I:internal表示人名,但不是起始点(中部或者结尾点)

weixin_52185313的博客 3007

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

基于BiLSTM+CRF的命名实体识别

一、命名实体识别问题的建模 命名实体识别是自然语言处理中的一项很基础的任务,是指从文本中识别出特定命名指向的词,比如人名、地名和组织机构名等。目前最常用,最成功的建模方法是将这一问题建模成序列标注问题。即对于输入序列 ,给出对应标签序列 。 标签体系是两类标签的组合,一类标签是命名实体所属的类别,最常用的有人名实体。标签体系是两类标签的组合,一类标签是命名实体所属的类别,最常用的有人名实体(PER...

Lomo的博客 9110

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

BiLSTM-CRF中CRF层解析-1

最近,使用BiLstm-CRF模型,但是对CRF层的算法实现不是很理解,在网上找了很多资料也没解答我心中的疑问,后边看到了英文版的解析,很清晰,因此,将其进行翻译。 ...

Suan2014的博客 4905
上一篇: 【直播】图像分类课程第02期(4月17日下午)
下一篇: 【语音处理】声音的产生机制和数学模型
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 3632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