19、深度学习中的迁移学习、循环神经网络与长短期记忆网络

最新推荐文章于 2025-11-19 16:22:09 发布
最新推荐文章于 2025-11-19 16:22:09 发布
阅读量15 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Keras深度学习实战精讲 文章标签： 迁移学习 预训练模型 VGG16
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jupyter5notebook/article/details/154671710

深度学习中的迁移学习、循环神经网络与长短期记忆网络

在深度学习领域，迁移学习和预训练模型、循环神经网络（RNN）以及长短期记忆网络（LSTM）都是非常重要的概念和技术。下面将详细介绍这些内容。

迁移学习与预训练模型

迁移学习是一种利用已有的预训练模型来解决新问题的技术。通过对预训练模型进行微调，可以在新的数据集上取得较好的效果。这里以图像分类任务为例，介绍如何使用预训练的VGG16和ResNet50模型。

使用VGG16进行图像分类

通过调整VGG16模型的层结构，使其适应特定的图像分类任务。代码运行结果显示，算法能够正确识别猫的图像，证明了这种技术在图像分类中的强大能力。

使用ResNet进行图像分类

以ResNet50网络为例，进行图像分类的练习。具体操作步骤如下：
1. 导入所需库 ： 

import numpy as np
from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input
  1. 初始化模型 ： 
classifier = ResNet50()
print(classifier.summary())
  1. 加载图像 ： 
new_image = image.load_img('../Data/Prediction/test_image_3.jpg', target_size=(224, 224))

注意，ResNet50模型只接受(224, 224)大小的图像。
4. 将图像转换为数组 ： 

transformed_image = image.img_to_array(new_image)
  1. 扩展图像维度 ： 
transformed_image = np.expand_dims(transformed_image, axis=0)
  1. 预处理图像 ： 
transformed_image = preprocess_input(transformed_image)
  1. 创建预测变量 ： 
y_pred = classifier.predict(transformed_image)
  1. 检查图像形状 ： 
y_pred.shape

图像形状应为(1, 1000)。
9. 选择图像的前五个概率 ： 

from keras.applications.vgg16 import decode_predictions
decode_predictions(y_pred, top=5)

数组的第一列是内部代码编号，第二列是标签，第三列是图像为该标签的概率。
10. 将预测结果转换为人类可读的形式 ： 

label = decode_predictions(y_pred)
decoded_label = label[0][0]
print('%s (%.2f%%)' % (decoded_label[1], decoded_label[2]*100 ))

结果显示，模型以57%的概率将图像分类为海滨。这展示了预训练模型的强大能力，以及Keras在使用和调整这些模型方面的灵活性。

使用ResNet进行图像分类的活动

使用ResNet50网络对大象的图像进行分类。具体步骤如下：
1. 导入所需库。
2. 初始化ResNet模型。
3. 加载需要分类的图像。
4. 对图像进行预处理，应用适当的转换。
5. 创建预测变量以预测图像。
6. 对图像进行标记和分类。

循环神经网络（RNN）

传统的神经网络中，输入和输出是相互独立的。但在某些情况下，特定的输出依赖于系统的前一个输出，例如股票价格预测和自然语言处理。为了解决这类问题，引入了循环神经网络（RNN）。

顺序记忆和顺序建模

以苹果公司过去五个月的股票价格为例，股票价格存在一定的趋势。要预测未来的股票价格，需要理解这种趋势，并在进行数学计算时考虑到这一趋势。这种能够记住先前输出并根据其预测下一个输出的模型具有顺序记忆，处理这种顺序记忆的建模方式称为顺序建模。顺序建模不仅适用于股票市场数据，在自然语言处理应用中也同样适用。

RNN的工作原理

RNN是基于顺序记忆概念构建的一类神经网络。与传统神经网络不同，RNN能够处理顺序数据。例如，使用谷歌助手时，后续问题的回答依赖于之前的问题，这表明机器能够处理顺序数据并记住之前的问题。

为了更好地理解RNN，对比传统的前馈神经网络。前馈神经网络中，数据只在一个方向上流动，隐藏层中没有数据的循环流动。而在RNN中，隐藏层允许数据和信息循环流动，其隐藏层不仅给出输出，还将输出信息反馈给自己。

以下是前馈神经网络和RNN的结构对比：
| 网络类型 | 数据流动 | 隐藏层特点 |
| ---- | ---- | ---- |
| 前馈神经网络 | 单向流动 | 无循环流动 |
| RNN | 存在循环流动 | 输出信息反馈给自己 |

RNN的优势

以图像分类任务为例，卷积神经网络（CNN）或普通的人工神经网络（ANN）在处理顺序数据时存在不足。例如，使用CNN对狗和芒果的图像进行分类时，不同时间的输出是相互独立的，不需要算法记住先前的输出。但在处理如谷歌助手的问答场景时，需要算法记住先前的问题，CNN和ANN无法做到这一点，因此需要使用RNN。

RNN的架构

RNN在多个时间实例上可以有多个输出。其架构与前馈神经网络相似，但数据和信息也会循环流动。

以下是RNN的工作流程mermaid图： 

graph LR
    A[输入层] --> B[隐藏层]
    B --> C[输出层]
    B --> B
梯度消失问题

在RNN中，存在梯度消失问题。这就像我们很难记住30天前的晚餐菜单一样，在机器学习中，梯度消失问题指的是信息在一段时间内丢失或衰减。

梯度消失问题的原理

在训练人工神经网络时，通常使用基于梯度的学习方法和反向传播。神经网络的工作流程如下：
1. 用随机权重和偏置值初始化网络。
2. 得到预测输出，将其与实际输出进行比较，差值称为成本。
3. 训练过程利用梯度来衡量成本相对于权重或偏置的变化率。
4. 通过反复调整权重和偏置来降低成本，直到获得最低可能值。

在深度神经网络中，梯度通常是一个介于0和1之间的小数字，多个小数字相乘会得到更小的数字。网络越深，初始层的梯度就越小，在某些情况下，梯度会变得非常小，以至于网络无法进行训练，这就是梯度消失问题。

梯度爆炸问题

与梯度消失问题相反，如果权重大于1，后续的乘法会使梯度呈指数级增加，这就是梯度爆炸问题。虽然梯度爆炸问题不如梯度消失问题常见，但了解它也是有必要的。

长短期记忆网络（LSTM）

为了克服梯度消失和梯度爆炸问题，引入了长短期记忆网络（LSTM）。

LSTM的特点

LSTM是一种特殊的RNN，能够学习长期依赖关系。它的架构设计使得它能够长时间记住数据和信息。与简单的RNN相比，LSTM的重复模块包含了以下组件：
- sigmoid激活函数（σ）
- 数学计算函数（带有 + 和 x 的黑色圆圈）
- 门控单元（或门）

LSTM的架构

LSTM架构与简单RNN相似，但重复模块的组件不同。以下是简单RNN和LSTM的结构对比：
| 网络类型 | 重复模块组件 | 常见问题 |
| ---- | ---- | ---- |
| 简单RNN | tanh激活函数 | 梯度消失问题 |
| LSTM | sigmoid激活函数、数学计算函数、门控单元 | 克服梯度问题 |

以下是LSTM的详细结构mermaid图： 

graph LR
    A[输入] --> B[门控单元]
    B --> C[数学计算]
    C --> D[输出]
    D --> B

综上所述，迁移学习和预训练模型为图像分类等任务提供了强大的工具，RNN解决了顺序数据处理的问题，而LSTM则克服了RNN中的梯度问题，使得模型能够更好地学习长期依赖关系。这些技术在深度学习领域都有着广泛的应用。

深度学习中的迁移学习、循环神经网络与长短期记忆网络

实际案例分析

为了更深入地理解上述技术的应用，我们来看一些实际案例。

图像分类案例

在前面我们已经详细介绍了使用VGG16和ResNet50进行图像分类的方法。在实际应用中，图像分类技术可以用于安防监控、自动驾驶等领域。例如，在安防监控中，通过图像分类技术可以实时识别监控画面中的人物、物体等，及时发现异常情况。在自动驾驶中，图像分类可以帮助车辆识别交通标志、行人、其他车辆等，确保行车安全。

以使用ResNet50对大象图像进行分类的活动为例，按照以下详细步骤操作：
1. 导入所需库 ： 

import numpy as np
from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input
from keras.applications.vgg16 import decode_predictions
  1. 初始化ResNet模型 ： 
classifier = ResNet50()
  1. 加载需要分类的图像 ： 
image_path = '../Data/Prediction/test_image_2.jpg'
new_image = image.load_img(image_path, target_size=(224, 224))
  1. 对图像进行预处理 ：
    • 将图像转换为数组： 
transformed_image = image.img_to_array(new_image)

- 扩展图像维度：

transformed_image = np.expand_dims(transformed_image, axis=0)

- 预处理图像：

transformed_image = preprocess_input(transformed_image)
  1. 创建预测变量以预测图像 ： 
y_pred = classifier.predict(transformed_image)
  1. 对图像进行标记和分类 ： 
label = decode_predictions(y_pred)
decoded_label = label[0][0]
print('%s (%.2f%%)' % (decoded_label[1], decoded_label[2]*100 ))
股票价格预测案例

在股票价格预测中，顺序建模和RNN发挥着重要作用。以苹果和微软的股票价格数据为例，我们可以使用RNN来预测股票趋势。

首先，我们需要准备股票价格数据。通常，我们会使用历史股票价格数据作为输入，预测未来的股票价格。以下是一个简单的股票价格预测流程：
1. 数据收集 ：收集苹果和微软的历史股票价格数据。
2. 数据预处理 ：对数据进行归一化处理，将数据缩放到一个合适的范围。
3. 模型构建 ：使用RNN或LSTM构建预测模型。
4. 模型训练 ：使用历史数据对模型进行训练。
5. 模型预测 ：使用训练好的模型对未来的股票价格进行预测。

以下是一个使用Python和Keras构建简单RNN模型进行股票价格预测的示例代码： 

import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import SimpleRNN, Dense

# 假设已经有了股票价格数据，存储在DataFrame中
data = pd.read_csv('stock_prices.csv')
prices = data['Close'].values

# 数据预处理
scaled_prices = prices / np.max(prices)

# 准备训练数据
sequence_length = 10
X = []
y = []
for i in range(len(scaled_prices) - sequence_length):
    X.append(scaled_prices[i:i+sequence_length])
    y.append(scaled_prices[i+sequence_length])

X = np.array(X)
y = np.array(y)

# 调整输入数据的形状以适应RNN模型
X = np.reshape(X, (X.shape[0], X.shape[1], 1))

# 构建RNN模型
model = Sequential()
model.add(SimpleRNN(units=50, input_shape=(sequence_length, 1)))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X, y, epochs=50, batch_size=32)

# 进行预测
last_sequence = scaled_prices[-sequence_length:]
last_sequence = np.reshape(last_sequence, (1, sequence_length, 1))
predicted_price = model.predict(last_sequence) * np.max(prices)
print('预测的股票价格:', predicted_price)
技术对比与选择

在实际应用中，我们需要根据具体的问题和数据特点选择合适的技术。

图像分类技术选择

对于图像分类任务，如果数据集较小，可以选择使用预训练的模型，如VGG16和ResNet50。这些模型在大规模图像数据集上进行了训练，具有较强的特征提取能力。如果数据集较大，可以考虑从头开始训练一个卷积神经网络。

顺序数据处理技术选择

对于顺序数据处理，如股票价格预测和自然语言处理，如果数据序列较短，简单的RNN可能就足够了。但如果数据序列较长，存在梯度消失问题，建议使用LSTM。LSTM能够有效地克服梯度消失问题，学习长期依赖关系。

以下是不同技术的适用场景对比：
| 技术 | 适用场景 |
| ---- | ---- |
| VGG16、ResNet50 | 小数据集图像分类 |
| 从头训练CNN | 大数据集图像分类 |
| 简单RNN | 短序列顺序数据处理 |
| LSTM | 长序列顺序数据处理 |

总结与展望

通过本文的介绍，我们了解了迁移学习和预训练模型在图像分类中的应用，顺序建模和RNN在处理顺序数据时的优势，以及LSTM如何克服RNN中的梯度问题。这些技术在深度学习领域都有着广泛的应用，为解决各种实际问题提供了强大的工具。

在未来，随着深度学习技术的不断发展，我们可以期待这些技术在更多领域得到应用。例如，在医疗领域，图像分类技术可以用于疾病诊断；在金融领域，股票价格预测技术可以帮助投资者做出更明智的决策。同时，我们也可以进一步优化这些技术，提高模型的性能和准确性。

总之，深度学习技术为我们带来了无限的可能性，我们需要不断学习和探索，将这些技术应用到实际中，为社会创造更多的价值。

PyTorch深度学习实战（41）——循环神经网络与长短期记忆网络
盼小辉丶的博客
04-28 8733
循环神经网络 (Recurrent Neural Network, RNN) 通过将前一个时间步的隐藏状态作为当前时间步的输入，实现对序列数据的建模，由于循环连接的存在，RNN 能够捕获时间依赖关系，然而，RNN 在处理长期依赖性问题时会遇到困难。为了解决这个问题，提出了 LSTM，通过引入门控机制改进 RNN 来有效地处理长期依赖关系。在本节中，了解了 LSTM 和 RNN 的基本原理，并介绍了如何在 PyTorch 中实现 LSTM。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 9万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 8万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
PyTorch深度学习实战（7）——批大小对神经网络训练的影响
盼小辉丶的博客
07-31 1万+
在神经网络中，批( batch )是指一次输入网络进行训练或推断的一组样本。批处理( batch processing )是指将这一组样本同时输入网络进行计算的操作。本节中首先介绍批( Batch )的基本概念，并且介绍批大小在神经网络训练过程中的影响。
IDL神经网络与深度学习导论+神经网络与深度学习基础
K_savo的博客
01-01 1545
常见的深度学习框架包括：TensorFlow、PyTorch、Caffe、MxNet、Keras、PaddlePaddle一般地，人工神经网络中的激活函数都选用非线性函数。原因如下：人工神经网络主要由大量的神经元以及它们之间的有向连接构成。人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。前馈神经网络（全连接神经网络、多层感知器）定义网络——>损失函数——>优化训练的过程就是不断更新权重w和偏置b的过程，直到找到稳定的w和b使得模型的整体误差最小。池化层也叫子采样层(Subs
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 2万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
PyTorch深度学习实战（31）——神经风格迁移
盼小辉丶的博客
12-29 7619
神经风格迁移 (Neural Style Transfer) 是一种基于深度学习的技术，用于将两个不同图像的风格进行合成，生成新的图像。它通过将一个参考图像的风格应用于另一个内容图像，以创造出独特而富有艺术感的合成图像。在本节中，首先介绍了神经风格迁移的核心思想与风格迁移图像的生成流程，然后利用 PyTorch 从零开始实现了神经风格迁移算法，可以通过修改模型中的超参数来生成不同观感的图像。
TensorFlow深度学习实战（15）——循环神经网络详解
盼小辉丶的博客
04-21 3668
循环神经网络 (Recurrent Neural Network, RNN) 是一类特殊的神经网络结构，广泛应用于处理和分析序列数据，如文本、语音、时间序列等。与传统的神经网络不同，RNN 具有记忆功能，可以通过循环连接处理序列中各个元素之间的依赖关系。
神经网络与深度学习-学习总结四
m0_50638107的博客
04-27 1029
即，输入【提示，模型生成的文本】，输出一个刻画文本质量的标量数字。基于前面提到的预先富集的数据 ， 从里面采样prompt输入 ，同时丢给 初始的语言模型和我们当前训练中的语言模型 （policy ） ，得到俩模 型的输出文本 y 1 ， y 2。从数据集中随机取出文字和图片后，用图片Encoder和文字Encoder分别压缩成两个embedding向量，然后用余弦相似度来比较图片和文字的embedding向量的相似性，以判断我们随机抽取的文字和图片是否匹配，并根据结果反向更新两个Encoder的参数。
迁移学习的基于股票数据预训练加速
木头大左的博客
11-19 447
通过将源领域（股票市场）积累的知识迁移至目标领域（期货市场），可有效缓解后者因数据稀缺导致的过拟合问题。设置三阶段学习率衰减曲线：初始阶段仅更新分类头全连接层（lr=1e-3），中期解冻顶层3个残差块（lr=5e-4），后期全局精细调整（lr=1e-5）。考虑到股票T+1与期货T+0的交易机制差异，需进行特殊处理：将股票日线数据重采样为小时级别，并与期货Tick数据进行时空对齐。数据显示，采用迁移学习的策略在各项指标上均有显著提升，尤其最大回撤降低近50%，证明其风险控制优势。
Window运行Lua文件[项目源码]
11-24
本文介绍了在Windows环境下如何运行Lua文件的方法。通过使用cmd命令，用户可以轻松执行Lua脚本。文章还提供了相关的注释说明，帮助读者更好地理解和操作。对于需要在Windows系统中运行Lua文件的开发者来说，这是一个简单而实用的指南。
【四旋翼无人机】具备螺旋桨倾斜机构的全驱动四旋翼无人机：建模与控制研究（Matlab代码、Simulink仿真实现）
11-24
【四旋翼无人机】具备螺旋桨倾斜机构的全驱动四旋翼无人机：建模与控制研究（Matlab代码、Simulink仿真实现）内容概要：本文围绕具备螺旋桨倾斜机构的全驱动四旋翼无人机展开研究，重点探讨其系统建模与控制策略，结合Matlab代码与Simulink仿真实现。文章详细分析了无人机的动力学模型，特别是引入螺旋桨倾斜机构后带来的全驱动特性，使其在姿态与位置控制上具备更强的机动性与自由度。研究涵盖了非线性系统建模、控制器设计（如PID、MPC、非线性控制等）、仿真验证及动态响应分析，旨在提升无人机在复杂环境下的稳定性和控制精度。同时，文中提供的Matlab/Simulink资源便于读者复现实验并进一步优化控制算法。; 适合人群：具备一定控制理论基础和Matlab/Simulink仿真经验的研究生、科研人员及无人机控制系统开发工程师，尤其适合从事飞行器建模与先进控制算法研究的专业人员。; 使用场景及目标：①用于全驱动四旋翼无人机的动力学建模与仿真平台搭建；②研究先进控制算法（如模型预测控制、非线性控制）在无人机系统中的应用；③支持科研论文复现、课程设计或毕业课题开发，推动无人机高机动控制技术的研究进展。; 阅读建议：建议读者结合文档提供的Matlab代码与Simulink模型，逐步实现建模与控制算法，重点关注坐标系定义、力矩分配逻辑及控制闭环的设计细节，同时可通过修改参数和添加扰动来验证系统的鲁棒性与适应性。
SQL Server 2019安装指南[代码]
11-24
本文详细介绍了SQL Server 2019的下载及安装步骤，包括如何选择版本、设置安装选项、配置实例和混合模式密码等关键操作。同时，文章还提供了SQL Server Management Studio (SSMS)的安装教程，指导用户如何下载、安装并连接到SQL Server数据库。内容涵盖了从初始下载到最终使用的完整流程，适合需要安装SQL Server 2019的用户参考。
面部图像疲劳检测的平衡数据集-Fatigue Dataset
11-24
疲劳数据集 用于面部图像疲劳检测的平衡数据集 疲劳检测在交通、医疗和工业监控等安全关键环境中发挥着至关重要的作用。通过面部分析识别疲劳或嗜睡的迹象已成为广泛研究的计算机视觉问题，尤其是在深度学习工具和预训练模型日益普及的情况下。 该数据集旨在帮助研究人员和从业者开发、测试和基于真实面部图像的疲劳检测系统。 该数据集包含2200张面部图像，均匀分布在两类： 疲劳 非疲劳 所有图片均来自开源互联网仓库。 每张图片都经过人工检查并整理到相应的类别文件夹中。 该数据集旨在： 疲劳检测支持研究 促进面部状态识别深度学习模型的发展 支持迁移学习和CNN架构的疲劳分类实验
Spring-AI-Alibaba示例2源码及结果
11-24
Spring-AI-Alibaba示例2源码及结果
Reflexion框架解析[项目源码]
11-24
Reflexion是一种新型强化学习框架，旨在通过反思和记忆机制提升大型语言模型（LLM）Agent的决策能力。该框架由Actor、Evaluator和Self-Reflection三个模型组成，通过将任务反馈转化为文本形式的反思并存储在记忆缓冲区中，优化后续决策。与传统强化学习方法相比，Reflexion无需微调LLM，支持更细致的反馈信号，并提高了可解释性。实验表明，Reflexion在HumanEval编程基准测试中准确率达91%，优于GPT-4的80%。论文还提供了代码和数据集，便于进一步研究。
全面Lua脚本语言学习指南[项目源码]
最新发布
11-25
本文详细介绍了Lua脚本语言的核心特性、基础语法、模块化编程、错误处理以及与其他编程语言的交互方式。Lua作为一种高效的轻量级脚本语言，以其简单、动态类型和自动垃圾回收等特点，广泛应用于游戏开发、网络编程等领域。文章涵盖了Lua的基础语法结构、数据类型、运算符、控制结构和函数定义，以及表与元表的高级特性。此外，还探讨了Lua模块与包的加载机制、错误处理与调试技巧，以及在HTML和游戏开发中的具体应用。通过本指南，学习者可以全面掌握Lua语言，解决编程中的各种挑战。
OpenCV HSV颜色识别[可运行源码]
11-24
本文详细介绍了在OpenCV中使用HSV颜色空间进行目标识别的方法。首先解释了为何选择HSV而非RGB空间，因为HSV能更直观地表达色彩的明暗、色调和鲜艳程度，便于颜色对比。文章提供了HSV颜色范围的基本信息，并指出PS和OpenCV中HSV范围的差异，需要进行数值转换。通过PS工具可以更精确地确定物体颜色的HSV范围，进而用于识别。最后，文章给出了具体的代码示例，展示了如何通过HSV范围识别物体，并进行图像处理操作如开操作和闭操作以优化识别效果。
威斯康星大学深度学习课程材料（STAT479 SS2019）
本课程正是依托这些工具，系统地引导学生从零开始构建深度神经网络模型，涵盖前馈神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等经典结构，并可能涉及自编码器、生成对抗网络（GANs...
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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