KeyError: unexpected key model.model.1.model.3.model.3.model.3.model.3.model.3.model.2.running_mea

最新推荐文章于 2024-11-08 11:59:28 发布
最新推荐文章于 2024-11-08 11:59:28 发布
阅读量1.4k 收藏 2
点赞数 1
分类专栏： # Deep Learning # Code 文章标签： pytorch 深度学习 unet 权重 神经网络
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/qazwsxrx/article/details/106948587
版权

 

代码如下：

def load_ae(self, network):
        pdb.set_trace()

        save_filename = 'latest_net_AE.pth'
        save_path = os.path.join(self.save_dir, save_filename)
        network.load_state_dict(torch.load(save_path))

报错：

KeyError: 'unexpected key "model.model.1.model.3.model.3.model.3.model.3.model.3.model.2.running_mean" in state_dict'

按照网上的解决方案(https://discuss.pytorch.org/t/solved-keyerror-unexpected-key-module-encoder-embedding-weight-in-state-dict/1686/3), 解释的报错原因是保存模型时使用了nn.DataParallel，导致存储参数里多了.model；但load的时候没有使用nn.DataParallel。

"You probably saved the model using nn.DataParallel, which stores the model in module, and now you are trying to load it without DataParallel. You can either add a nn.DataParallel temporarily in your network for loading purposes, or you can load the weights file, create a new ordered dict without the module prefix, and load it back."

并根据上述网址的答案将代码改为：

    def load_ae(self, network):
        pdb.set_trace()

        save_filename = 'latest_net_AE.pth'
        save_path = os.path.join(self.save_dir, save_filename)
        # network.load_state_dict(torch.load(save_path))

        # original saved file with DataParallel
        state_dict = torch.load(save_path)
        # create new OrderedDict that does not contain `module.`
        from collections import OrderedDict
        new_state_dict = OrderedDict()
        for k, v in state_dict.items():
            name = k.replace(".module","")  # remove `module.`
            new_state_dict[name] = v
        # load params
        network.load_state_dict(new_state_dict)

然而，还是会报错：

  File "/share2/home/ruixu/DeepLearningLCT/DeblurGAN-master/AEOT_Unet/models/base_model.py", line 70, in load_ae
    name = k.replace(".module","")  # remove `module.`
  File "/share2/home/ruixu/anaconda3/envs/python36/lib/python3.6/site-packages/torch/nn/modules/module.py", line 522, in load_state_dict
    .format(name))
KeyError: 'unexpected key "model.model.1.model.3.model.3.model.3.model.3.model.3.model.2.running_mean" in state_dict'

万万没想到错误竟然会一模一样！但报错的位置竟然是name = k.replace(".module","")  # remove `module.`。

 

还是一步一步来解决吧。

 

首先，输出network.state_dict()

... ....

 ('model.model.3.weight',
( 0 , 0 ,.,.) =
1.00000e-02 *
 -1.2084 -2.2976 -2.8284 -1.5688
  3.0504 -0.1078 -1.6116 -6.6927
 -1.2499  1.8116  0.3322  1.9724
 -2.9073  4.4396  2.2341 -0.2121

 

(127, 2 ,.,.) =
1.00000e-02 *
  3.9328 -0.4361  1.6365 -3.3506
 -0.8479 -1.9702 -2.2223  1.9633
  2.9766 -0.4350 -0.2136 -2.5228
  2.0793 -3.1964 -0.3516  3.7284
[torch.cuda.FloatTensor of size 128x3x4x4 (GPU 3)]
), ('model.model.3.bias',
 0
 0
 0
[torch.cuda.FloatTensor of size 3 (GPU 3)]
)])

接下来，load训练好的权重后将其输出：

... ....

 ('model.model.3.weight',
( 0 , 0 ,.,.) =
1.00000e-02 *
 -4.7173 -1.7712  0.5993  1.4681
  2.1384  1.6073  2.7149 -4.4520
 -0.9415 -1.0043 -2.8195  1.4755
 -1.7620  2.9188 -0.9800 -1.5442

...

(127, 2 ,.,.) =
1.00000e-02 *
  0.5911  1.2228 -4.6552 -0.9199
  0.1930  0.9382 -0.1070 -0.5980
  0.5762  2.1807  3.0031 -1.0809
  0.2351 -0.3915  0.1441 -1.6821
[torch.FloatTensor of size 128x3x4x4]
), ('model.model.3.bias',
1.00000e-03 *
 -1.8013
 -1.7175
 -5.1277
[torch.FloatTensor of size 3]
)])

仅从最后两个元素来看一摸一样！那么问题是出在哪里呢？

根据报错内容KeyError: 'unexpected key "model.model.1.model.3.model.3.model.3.model.3.model.3.model.2.running_mean" in state_dict'，那就看看两个state_dict的所有key分别是什么：

先输出要load的训练好的网络的权重state_weight的所有keys:

(Pdb) print('\n'.join(map(str,sorted(state_dict.keys()))))

  1. model.model.0.bias
  2. model.model.0.weight
  3. model.model.1.model.1.bias
  4. model.model.1.model.1.weight
  5. model.model.1.model.2.running_mean
  6. model.model.1.model.2.running_var
  7. model.model.1.model.3.model.1.bias
  8. model.model.1.model.3.model.1.weight
  9. model.model.1.model.3.model.2.running_mean
  10. model.model.1.model.3.model.2.running_var
  11. model.model.1.model.3.model.3.model.1.bias
  12. model.model.1.model.3.model.3.model.1.weight
  13. model.model.1.model.3.model.3.model.2.running_mean
  14. model.model.1.model.3.model.3.model.2.running_var
  15. model.model.1.model.3.model.3.model.3.model.1.bias
  16. model.model.1.model.3.model.3.model.3.model.1.weight
  17. model.model.1.model.3.model.3.model.3.model.2.running_mean
  18. model.model.1.model.3.model.3.model.3.model.2.running_var
  19. model.model.1.model.3.model.3.model.3.model.3.model.1.bias
  20. model.model.1.model.3.model.3.model.3.model.3.model.1.weight
  21. model.model.1.model.3.model.3.model.3.model.3.model.2.running_mean
  22. model.model.1.model.3.model.3.model.3.model.3.model.2.running_var
  23. model.model.1.model.3.model.3.model.3.model.3.model.3.model.1.bias
  24. model.model.1.model.3.model.3.model.3.model.3.model.3.model.1.weight
  25. model.model.1.model.3.model.3.model.3.model.3.model.3.model.2.running_mean
  26. model.model.1.model.3.model.3.model.3.model.3.model.3.model.2.running_var
  27. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.model.1.bias
  28. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.model.1.weight
  29. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.model.3.bias
  30. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.model.3.weight
  31. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.model.4.running_mean
  32. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.model.4.running_var
  33. model.model.1.model.3.model.3.model.3.model.3.model.3.model.5.bias
  34. model.model.1.model.3.model.3.model.3.model.3.model.3.model.5.weight
  35. model.model.1.model.3.model.3.model.3.model.3.model.3.model.6.running_mean
  36. model.model.1.model.3.model.3.model.3.model.3.model.3.model.6.running_var
  37. model.model.1.model.3.model.3.model.3.model.3.model.5.bias
  38. model.model.1.model.3.model.3.model.3.model.3.model.5.weight
  39. model.model.1.model.3.model.3.model.3.model.3.model.6.running_mean
  40. model.model.1.model.3.model.3.model.3.model.3.model.6.running_var
  41. model.model.1.model.3.model.3.model.3.model.5.bias
  42. model.model.1.model.3.model.3.model.3.model.5.weight
  43. model.model.1.model.3.model.3.model.3.model.6.running_mean
  44. model.model.1.model.3.model.3.model.3.model.6.running_var
  45. model.model.1.model.3.model.3.model.5.bias
  46. model.model.1.model.3.model.3.model.5.weight
  47. model.model.1.model.3.model.3.model.6.running_mean
  48. model.model.1.model.3.model.3.model.6.running_var
  49. model.model.1.model.3.model.5.bias
  50. model.model.1.model.3.model.5.weight
  51. model.model.1.model.3.model.6.running_mean
  52. model.model.1.model.3.model.6.running_var
  53. model.model.1.model.5.bias
  54. model.model.1.model.5.weight
  55. model.model.1.model.6.running_mean
  56. model.model.1.model.6.running_var
  57. model.model.3.bias
  58. model.model.3.weight

再输出netowrk的所有初始权重：

(Pdb) print('\n'.join(map(str,sorted(network.state_dict().keys()))))

  1. model.model.0.bias
  2. model.model.0.weight
  3. model.model.1.model.1.bias
  4. model.model.1.model.1.weight
  5. model.model.1.model.2.running_mean
  6. model.model.1.model.2.running_var
  7. model.model.1.model.3.model.1.bias
  8. model.model.1.model.3.model.1.weight
  9. model.model.1.model.3.model.2.running_mean
  10. model.model.1.model.3.model.2.running_var
  11. model.model.1.model.3.model.3.model.1.bias
  12. model.model.1.model.3.model.3.model.1.weight
  13. model.model.1.model.3.model.3.model.2.running_mean
  14. model.model.1.model.3.model.3.model.2.running_var
  15. model.model.1.model.3.model.3.model.3.model.1.bias
  16. model.model.1.model.3.model.3.model.3.model.1.weight
  17. model.model.1.model.3.model.3.model.3.model.2.running_mean
  18. model.model.1.model.3.model.3.model.3.model.2.running_var
  19. model.model.1.model.3.model.3.model.3.model.3.model.1.bias
  20. model.model.1.model.3.model.3.model.3.model.3.model.1.weight
  21. model.model.1.model.3.model.3.model.3.model.3.model.2.running_mean
  22. model.model.1.model.3.model.3.model.3.model.3.model.2.running_var
  23. model.model.1.model.3.model.3.model.3.model.3.model.3.model.1.bias
  24. model.model.1.model.3.model.3.model.3.model.3.model.3.model.1.weight
  25. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.bias
  26. model.model.1.model.3.model.3.model.3.model.3.model.3.model.3.weight
  27. model.model.1.model.3.model.3.model.3.model.3.model.3.model.4.running_mean
  28. model.model.1.model.3.model.3.model.3.model.3.model.3.model.4.running_var
  29. model.model.1.model.3.model.3.model.3.model.3.model.5.bias
  30. model.model.1.model.3.model.3.model.3.model.3.model.5.weight
  31. model.model.1.model.3.model.3.model.3.model.3.model.6.running_mean
  32. model.model.1.model.3.model.3.model.3.model.3.model.6.running_var
  33. model.model.1.model.3.model.3.model.3.model.5.bias
  34. model.model.1.model.3.model.3.model.3.model.5.weight
  35. model.model.1.model.3.model.3.model.3.model.6.running_mean
  36. model.model.1.model.3.model.3.model.3.model.6.running_var
  37. model.model.1.model.3.model.3.model.5.bias
  38. model.model.1.model.3.model.3.model.5.weight
  39. model.model.1.model.3.model.3.model.6.running_mean
  40. model.model.1.model.3.model.3.model.6.running_var
  41. model.model.1.model.3.model.5.bias
  42. model.model.1.model.3.model.5.weight
  43. model.model.1.model.3.model.6.running_mean
  44. model.model.1.model.3.model.6.running_var
  45. model.model.1.model.5.bias
  46. model.model.1.model.5.weight
  47. model.model.1.model.6.running_mean
  48. model.model.1.model.6.running_var
  49. model.model.3.bias
  50. model.model.3.weight

一个50一个58！！竟然不一样！

经过进一步检查代码就发现了问题：

竟然是因为权重用的是downsample*256的UNet而网络是downsample*128的UNet........

 

把这个问题改了问题成功解决。

 

总结

虽然最后是一个乌龙，但发现这个乌龙的过程还是颇有意义的。

 

解决：mode, rawmode = _fromarray_typemap[typekey]KeyError: ((1, 1, 9), ‘|u1‘)问题
沉迷单车的追风少年
04-13 1740
目录 项目场景： 问题描述 原因分析： 项目场景： 使用torchvision.utils.save_image保存图片 问题描述 完整报错 Traceback (most recent call last): File "/root/anaconda3/lib/python3.7/site-packages/PIL/Image.py", line 2813, in fromarray mode, rawmode = _fromarray_typemap[typekey] Ke
huggingface datasets map时出现KeyError: ‘output‘的解决方案
weixin_43178406的博客
07-14 6万+
本文主要介绍了使用huggingface datasets数据时进行map操作时出现KeyError: 'output’的解决方案，希望能对学习python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
Detectron2错误：KeyError:‘model‘
guhuoone的博客
04-27 7750
我是在使用预训练模型是碰到的该问题： 问题所在：加载的预训练模型是pth格式的，但Detectron2因为你加载了pkl格式的预训练模型。而pkl格式与pth格式的预训练模型不同在于: pkl是weights['model']['roi_haed.mask_head.predictor.weight']格式的， pth是weights['roi_haed.mask_head.predictor.weight']格式的。 使用最简单的方法是修改官方的库文件： 点击到checkpoint.py文件
加载预训练模型时KeyError: ‘model‘
weixin_47057765的博客
10-04 5534
加载预训练模型时KeyError: 'model'
KeyError: ‘model.2.cv2.bn‘
AI浩
12-07 1454
在做YoloV5剪枝的时候，出现的问题。问题如下： 分析原因 由于yoloV5有不同的版本，我们在训练的时候使用了预训练模型，但是预训练模型和这个版本的配置文件（yaml文件）不一致，所以在做剪枝的时候就会报错。在做稀疏训练的时候指定yaml模型文件。
加载checkpoints时报错没有键‘model’
m0_63213284的博客
04-26 829
打印checkpoints确实没有这个键，而是包含了模型的各个层参数，这个预训练模型是OrderedDict，因此可以直接把checkpoint做为模型参数，代码改为。由于是OrderedDict ，之后如果要访问state_dict里面的键，不能直接用state_dict['xxx']的方式访问，需要通过索引或者迭代的方式访问键值对。最近遇到一个错误，在使用torch.load加载.pth预训练模型时，想提取其中键为'model'的value，报错keyError。
AssertionError: weight model.layers.0.self_attn.q_proj.weight does not exist
sqlora的专栏
11-08 1113
通义千问2.5-7B-Instruct-AWQ量化，但在npu上运行报上面错误，奇怪?： Exception:weight model.layers.0.self_attn.q_proj.weight does not exist AssertionError: weight model.layers.0.self_attn.q_proj.weight does not exist https://www.modelscope.cn/models/Qwen/Qwen2.5-7B-Instruc
RuntimeError: Error(s) in loading state_dict for ResNet: Unexpected key(s) in state_dict: “bn1.num
优快云 精品推荐
01-09 1754
在这个特定的情况下，错误信息中提到了多个“num_batches_tracked”键。这类键在某些 PyTorch 版本中存在，而在其他版本中可能不存在。方法会加载所有匹配的键，而忽略任何不匹配的键，从而避免了这个错误。但是，这种方法应谨慎使用，因为它可能掩盖模型结构和状态字典之间的不一致问题。这样做会使得 PyTorch 忽略不匹配的键，只加载那些与模型结构相匹配的键。这通常发生在模型的结构和要加载的状态字典不完全匹配时。解决这个问题的一个常见方法是在加载状态字典之前，明确地忽略不匹配的键。
Huggingface填坑：Unexpected key(s) in state_dict: “roberta.pooler.dense.weight“....
菜比的博客
10-23 2649
在加载已经训练好的模型时，出现问题如下： RuntimeError: Error(s) in loading state_dict for RobertaForSequenceClassification: Unexpected key(s) in state_dict: "roberta.pooler.dense.weight", "roberta.pooler.dense.bias". 先说原因 版本问题！ 在huggingface3.1.0中，roberta相关模型的实现是11层tr
赛博丹炉训练问题RuntimeError: Error(s) in loading state_dict for UNet2DConditionModel:Missing key(s)...
weixin_57625762的博客
08-05 893
新手小白在优快云上的第一篇记录，还望大家多多鼓励。今天在使用赛博丹炉训练lora时，开始训练出现报错提醒：RuntimeError: Error(s) in loading state_dict for UNet2DConditionModel:Missing key(s) in state_dict:,记录一下解决过程与结果。
KeyError: ‘model_state_dict‘
qihshe的博客
01-05 2114
首先确认保存模型时的状态字典键名：确保在保存模型权重时，正确地使用了 model.state_dict() 方法，并且以 ‘model_state_dict’ 作为键将其放入字典中保存。单步调试发现保存模型权重时正确保存了该键值对，再次调试时发现莫名奇妙又没错了。加载模型权重文件时获取model_state_dict键失败。
Django models新增属性后 迁移报错 KeyError ，--fake解决
qdulgh的专栏
08-08 897
models在数据库已有表数据，新增一个field属性，然后进行makemigration 和 migrate，下面代码报错，暂不知道原因。
使用YOLOV5训练自己的数据集时所遇到问题|PyYAML|KeyError
MMMMMMNONG的博客
08-17 771
在调试YOLOV5代码时所出现的问题 如有帮助，意义所在
Missing key(s) in state_dict | unexpected_keys | 模型加载 [torch.load] 报错【解决方案】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
09-24 1万+
文章目录Missing key(s) in state_dict 报错分析该报错快速直接解决方法额外思路【Unexpected key(s) in state_dict】- 解决思路 Missing key(s) in state_dict 报错分析 在执行 yolov3 pytorch 模型加载时遇到如下报错 类似报错之前其实也遇到过,今天总结一下 所运行代码 # Initialize model model = Darknet(opt.cfg, imgsz) #
训练好的Pytorch模型在导入测试
qq_32582681的博客
01-07 3159
Missing key(s) in state_dict: “_conv_stem.weight”, “_bn0.weight” Unexpected key(s) in state_dict: “module._conv_stem.weight”, “module._bn0.weight”, 生成的文件层名中多了module.前缀，原因是训练的时候你调用了model = torch.nn.Dat...
加载pytorch预训练模型densenet121出现Missing key(s) in state_dict Unexpected key(s) in state_dict
weixin_41693877的博客
08-04 2166
在手动加载densenet121权重时，报了一下的错误：
【pytorch载入模型参数报错以及解决办法,小心使用strict=False】
qq_44698655的博客
03-25 8467
pytorch载入模型参数报错，模型与权重文件keys不匹配问题以及解决办法，小心使用strict=False
Python字典查找报Keyerror解决方法
热门推荐
幸运的Alina的博客
07-18 29万+
Python的字典一般都直接查找key ，比如 dict={'a':1,'b':2,'c':3} print(dict['a']) 但是如果在查找的key不存在的时候就会报：KeyError: 比如你要查看print(dict['d']) 由于这个时候dict里面并没有这个key ,所以就会直接报错，那么这个时候其实python给我们提供了一种很棒的解决方法，那就是用 setdefa...
The website encountered an unexpected error. Please try again later.
最新发布
03-14
<think>好的，我现在需要处理用户关于网站意外错误的解决方案的查询。首先，用户提到了几个引用，其中引用[1]是关于Edit.cshtml页面上的错误，引用[2]解释APIError的原因，引用[3]提供了添加隐藏字段的解决方案。用户现在想寻找网站意外错误的通用解决方案，需要结合这些引用内容。 首先，我应该按照用户的要求，结构清晰地分步骤解答问题。需要确保使用中文，数学公式正确，并且生成相关问题。同时，引用的内容需要在回答中自然地标注。 第一步，整理常见原因。根据引用[2]，APIError可能是服务器端的问题，比如临时错误或系统中断。另外，引用[1]和[3]提到的数据库操作问题也是可能的原因。所以需要将服务器错误、数据库问题、客户端输入验证、代码逻辑错误和第三方服务问题列为常见原因。 接下来，分步解决方案。引用[3]中的解决方案是添加隐藏字段，这可能涉及数据库并发控制，所以需要提到检查数据库操作，使用EF Core的并发令牌。此外，用户应检查服务器状态（引用[2]提到的系统状态页面），验证输入数据，查看日志，以及处理第三方API错误。 然后，代码示例部分需要展示如何在Edit.cshtml中添加隐藏字段，如引用[3]所示。同时，可能需要展示后端处理并发异常的代码，比如使用try-catch块。 预防措施方面，监控、测试、输入验证和错误处理中间件都是关键点，需要提及。 最后，生成的相关问题需要覆盖具体的错误场景、处理APIError、数据库并发问题、日志分析和预防措施。 需要确保所有引用在回答中正确标注，比如在提到服务器端问题时引用[2]，在数据库操作部分引用[3]。同时，数学公式如果有的话要用正确的LaTeX格式，但当前问题可能不涉及数学表达式，所以可能不需要。但需检查是否有需要的地方。 现在检查结构是否清晰，是否覆盖了所有用户提供的引用内容，并自然地添加了引用标识。确保没有遗漏关键点，语言通顺，步骤明确。</think>### 网站意外错误的解决方案 网站意外错误可能由多种原因引起，以下是分步解决方案和关键排查方向： --- #### **1. 常见原因分析** - **服务器端问题**：临时错误、代码逻辑漏洞或系统资源不足（如数据库连接超时）[^2]。 - **数据库操作异常**：例如并发修改导致的数据不一致（如`Store update, insert, or delete statement affected an unexpected number of rows`）[^3]。 - **客户端输入验证缺失**：未过滤非法参数或表单数据不完整。 - **第三方服务故障**：依赖的API或外部服务不可用[^2]。 --- #### **2. 分步解决方案** **步骤1：检查服务器状态与日志** - 查看系统状态页面确认是否为平台级故障。 - 分析服务器日志（如ASP.NET的`Event Viewer`或云服务的日志控制台），定位错误堆栈信息。 **步骤2：验证数据库操作** - **并发控制**：在数据编辑页面（如`Edit.cshtml`）添加隐藏字段`@Html.HiddenFor(model => model.RowVersion)`，结合EF Core的并发令牌机制[^3]。 - **事务回滚**：确保数据库操作在事务中执行，避免部分失败导致数据不一致。 **步骤3：强化输入验证** ```html <!-- 前端验证示例 --> @Html.ValidationSummary(true) @Html.LabelFor(model => model.Name) @Html.EditorFor(model => model.Name) @Html.ValidationMessageFor(model => model.Name) ``` **步骤4：处理第三方API错误** - 实现重试机制（如指数退避算法）和熔断模式（如Polly库）： ```csharp var retryPolicy = Policy .Handle<APIError>() .WaitAndRetryAsync(3, retryAttempt => TimeSpan.FromSeconds(Math.Pow(2, retryAttempt))); ``` **步骤5：代码逻辑审查** - 检查模型绑定是否正确，避免`Edit.cshtml`中字段缺失（如`CourseId`未绑定）。 --- #### **3. 代码示例：修复数据库并发错误** ```html <!-- Edit.cshtml 中添加隐藏字段 --> @Html.HiddenFor(model => model.CourseId) @Html.HiddenFor(model => model.RowVersion) ``` ```csharp // 后端使用并发令牌 public class Course { [Key] public int CourseId { get; set; } [ConcurrencyCheck] public byte[] RowVersion { get; set; } } ``` --- #### **4. 预防措施** - **监控与告警**：使用Application Insights或Sentry实时监控异常。 - **单元测试**：覆盖核心功能（如数据提交、API调用）。 - **输入验证**：前后端双重校验（如FluentValidation库）。 - **全局错误处理**： ```csharp // ASP.NET Core中间件 app.UseExceptionHandler(errorApp => { errorApp.Run(async context => { context.Response.StatusCode = 500; await context.Response.WriteAsync("发生意外错误，请稍后重试。"); }); }); ``` ---
评论 1
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

不再更新，请勿购买！！

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