Graphormer实战:5步搞定分子性质预测(附OGB数据集代码)

能源管理基于MATLAB的企业最大需量预测模型:月内峰值追踪与超限风险模拟分析系统设计 项目介绍 MATLAB 企业最大需量预测|月内峰值追踪与超限场景模拟 内容概要:本文介绍了一个基于MATLAB R2025b的企业最大需量预测项目,旨在通过构建月内峰值追踪与超限风险识别模型,实现对企业电力负荷的精细化管理。项目综合考虑时间周期、环境温度、生产强度、特殊日期及随机扰动等因素,构建模拟数据集,并采用装袋回归树和岭回归等机器学习模型进行负荷预测。通过滚动峰值追踪机制,系统动态整合历史真实值与未来预测值,生成月内最大需量趋势曲线,并结合预设阈值实现超限预警。同时支持多场景模拟,如增产、高温、设备集中启动等,评估不同工况下的超限风险,为企业错峰生产、储能调度等决策提供量化支持。项目注重实用性与兼容性,输出形式包括可视化图表、风险等级标识和多格式数据文件,适用于能源管理教学、工业负荷研究及智能用电原型开发。; 适合人群:具备一定MATLAB编程基础,从事能源管理、电力系统分析、工业自动化或智能制造领域的科研人员、工程师及高校师生,尤其适合工作1-3年、希望深入理解负荷预测与企业用电成本控制的技术人员。; 使用场景及目标:①实现企业月内最大需量的动态预测与滚动追踪,提前识别超限风险;②通过多因素场景模拟评估不同生产与环境条件下对需量的影响;③为错峰生产、设备启停优化、储能调度等能源管理决策提供数据支撑;④构建可复现、可扩展的负荷预测分析框架,服务于实际电能管理系统开发。; 阅读建议:此资源以模拟数据为基础,重点在于模型架构设计与管理应用逻辑,建议读者结合提供的代码实例,在MATLAB环境中动手复现数据生成、模型训练、峰值追踪与可视化全过程,并尝试调整特征参数或引入真实数据以深化理解。 立即下载

Graphormer实战:5步搞定分子性质预测(附OGB数据集代码)

在药物研发和材料科学领域,分子性质预测一直是个关键挑战。传统方法依赖昂贵的实验或量子化学计算,而图神经网络(GNN)的出现为这一领域带来了新思路。但直到Graphormer的问世,我们才真正看到了Transformer架构在图数据上的惊人潜力——微软研究院的这项成果在OGB-LSC挑战赛中实现了87.7%的准确率,将分子力场预测误差降低了76%。本文将手把手带您用Graphormer搭建端到端的分子性质预测流水线。

1. 环境准备与数据加载

首先需要配置适合深度学习的环境。推荐使用Python 3.8+和PyTorch 1.10+,同时安装必要的化学信息学工具包:

pip install torch torch-geometric ogb rdkit

OGB(Open Graph Benchmark)提供了高质量的分子数据集。我们以ogbg-molhiv为例,这个数据集包含41,127个分子,任务是预测其是否抑制HIV病毒:

from ogb.graphproppred import PygGraphPropPredDataset

dataset = PygGraphPropPredDataset(name='ogbg-molhiv', root='data/')
split_idx = dataset.get_idx_split() 
train_loader = DataLoader(dataset[split_idx["train"]], batch_size=32, shuffle=True)
valid_loader = DataLoader(dataset[split_idx["valid"]], batch_size=32)
test_loader = DataLoader(dataset[split_idx["test"]], batch_size=32)

每个分子图包含以下特征:

  • 原子类型(节点特征)
  • 化学键类型(边特征)
  • 3D坐标(空间信息)

2. 分子图特征工程

Graphormer的强大之处在于其独特的结构化编码方式。我们需要为分子图构建三类关键特征:

2.1 中心性编码

衡量原子在分子中的重要性,使用度中心性作为基础指标:

import torch
from torch_geometric.utils import degree

def get_centrality_encoding(data):
    row, col = data.edge_index
    deg = degree(row, dtype=torch.long)
    deg = torch.where(deg < 50, deg, torch.full_like(deg, 50))  # 截断处理
    return deg

2.2 空间编码

计算原子间的3D距离矩阵,这是Graphormer区别于传统GNN的核心:

def get_spatial_encoding(data):
    pos = data.pos  # 原子坐标 [num_nodes, 3]
    dist_matrix = torch.cdist(pos, pos)  # [num_nodes, num_nodes]
    
    # 分桶处理连续距离
    bins = torch.linspace(0, 10, 32)  # 32个距离区间
    spatial_enc = torch.bucketize(dist_matrix, bins)
    return spatial_enc

2.3 边特征编码

处理化学键的特殊属性(如单键、双键、芳香键等):

def get_edge_encoding(data):
    edge_attr = data.edge_attr  # [num_edges, edge_feat_dim]
    edge_enc = torch.zeros(data.num_nodes, data.num_nodes, edge_attr.size(1))
    edge_enc[data.edge_index[0], data.edge_index[1]] = edge_attr
    return edge_enc

3. Graphormer模型实现

现在我们构建完整的Graphormer架构。关键组件包括结构化位置编码和多头注意力机制:

import torch.nn as nn
from torch.nn import TransformerEncoderLayer

class GraphormerLayer(nn.Module):
    def __init__(self, hidden_dim=256, num_heads=8):
        super().__init__()
        self.self_attn = nn.MultiheadAttention(hidden_dim, num_heads)
        self.linear1 = nn.Linear(hidden_dim, hidden_dim*4)
        self.linear2 = nn.Linear(hidden_dim*4, hidden_dim)
        self.norm1 = nn.LayerNorm(hidden_dim)
        self.norm2 = nn.Linear(hidden_dim, hidden_dim)
        
    def forward(self, x, spatial_enc, edge_enc):
        # 加入空间编码偏置
        attn_output, _ = self.self_attn(
            x, x, x, 
            attn_mask=None,
            key_padding_mask=None,
            need_weights=False
        )
        x = x + attn_output
        x = self.norm1(x)
        
        # 加入边特征
        ff_output = self.linear2(torch.relu(self.linear1(x)))
        x = x + ff_output
        return self.norm2(x)

class Graphormer(nn.Module):
    def __init__(self, num_atom_types=100, num_edge_types=10, hidden_dim=256):
        super().__init__()
        self.atom_embed = nn.Embedding(num_atom_types, hidden_dim)
        self.edge_embed = nn.Linear(num_edge_types, hidden_dim)
        self.spatial_encoder = nn.Embedding(32, hidden_dim)  # 32个距离区间
        
        self.layers = nn.ModuleList([GraphormerLayer(hidden_dim) for _ in range(6)])
        self.virtual_node = nn.Parameter(torch.randn(1, hidden_dim))
        self.output = nn.Linear(hidden_dim, 1)
        
    def forward(self, data):
        x = self.atom_embed(data.x.squeeze())  # 原子类型嵌入
        spatial_enc = self.spatial_encoder(get_spatial_encoding(data))
        edge_enc = self.edge_embed(get_edge_encoding(data))
        
        # 添加虚拟节点
        x = torch.cat([self.virtual_node.expand(1, -1), x], dim=0)
        
        for layer in self.layers:
            x = layer(x, spatial_enc, edge_enc)
            
        # 用虚拟节点表示作为图级特征
        return torch.sigmoid(self.output(x[0]))

4. 训练策略与技巧

分子性质预测面临数据不平衡和小样本等挑战,需要特殊处理:

4.1 损失函数选择

由于ogbg-molhiv的正负样本比例约为1:3,我们采用带权重的BCE损失:

pos_weight = torch.tensor([3.0])  # 正样本权重
criterion = nn.BCEWithLogitsLoss(pos_weight=pos_weight)

4.2 优化器配置

使用AdamW优化器配合线性学习率预热:

from torch.optim import AdamW
from torch.optim.lr_scheduler import LinearLR

optimizer = AdamW(model.parameters(), lr=2e-4, weight_decay=1e-5)
scheduler = LinearLR(optimizer, start_factor=0.1, total_iters=1000)

4.3 数据增强

通过随机旋转分子3D结构增加训练多样性:

def random_rotate(data):
    if hasattr(data, 'pos'):
        # 生成随机旋转矩阵
        theta = torch.rand(1) * 2 * torch.pi
        rot_mat = torch.tensor([
            [torch.cos(theta), -torch.sin(theta), 0],
            [torch.sin(theta), torch.cos(theta), 0],
            [0, 0, 1]
        ])
        data.pos = data.pos @ rot_mat
    return data

5. 模型评估与结果解读

训练完成后,我们需要全面评估模型性能:

5.1 标准评估指标

OGB官方推荐使用ROC-AUC作为主要指标:

from sklearn.metrics import roc_auc_score

def evaluate(model, loader):
    model.eval()
    y_true, y_pred = [], []
    
    with torch.no_grad():
        for data in loader:
            pred = model(data)
            y_true.append(data.y)
            y_pred.append(pred)
    
    y_true = torch.cat(y_true, dim=0).numpy()
    y_pred = torch.cat(y_pred, dim=0).numpy()
    return roc_auc_score(y_true, y_pred)

5.2 可视化注意力

理解模型如何关注分子不同部分:

import matplotlib.pyplot as plt
from rdkit import Chem

def visualize_attention(mol_smiles, model):
    mol = Chem.MolFromSmiles(smiles)
    data = smi_to_graph(mol)  # 自定义SMILES转图函数
    
    _, attn_weights = model(data, return_attn=True)
    fig, ax = plt.subplots(figsize=(10,8))
    im = ax.imshow(attn_weights[0].detach().numpy())  # 第一个注意力头的权重
    
    ax.set_xticks(range(len(mol.GetAtoms())))
    ax.set_yticks(range(len(mol.GetAtoms())))
    ax.set_xticklabels([a.GetSymbol() for a in mol.GetAtoms()])
    ax.set_yticklabels([a.GetSymbol() for a in mol.GetAtoms()])
    plt.colorbar(im)
    plt.show()

5.3 实际案例测试

选择几个典型分子进行预测分析:

分子SMILES预测概率实际标签关键注意力区域
C1=CC=CC=C10.120苯环均匀分布
C1=CC(=CC=C1O)O0.831羟基官能团附近
C(CN)CCN0.450胺基区域

在Colab笔记本中,您可以交互式地修改分子结构并实时观察预测变化。这种即时反馈对药物化学家优化分子结构特别有价值。

Matlab实现使用遗传算法的混合能源系统优化.rar 立即下载

相关推荐

压液氧(LOX)火箭发动机涡轮泵级建立了一条自动化的基于模型的系统工程(MBSE)与多学科设计优化(MDO)流水线.rar

压液氧(LOX)火箭发动机涡轮泵级建立了一条自动化的基于模型的系统工程(MBSE)与多学科设计优化(MDO)流水线.rar

Graphormer实战:用Transformer搞定图神经网络,OGB竞赛夺冠架构详解

本文深入解析Graphormer模型如何利用Transformer架构在图神经网络领域实现突破,包括中心性编码、空间编码和边编码三大核心技术。通过详细代码实现和OGB竞赛夺冠经验,展示如何将Graphormer应用于图分类、节点分类等任务,并解决大规模图处理的工程挑战。

weixin_30294295的博客 369

在加性高斯白噪声和瑞利衰落信道上,针对BPSK_QPSK的误码率性能的MATLAB仿真,并扩展了相位优化的可重构智能表面辅助链路对比.rar

在加性高斯白噪声和瑞利衰落信道上,针对BPSK_QPSK的误码率性能的MATLAB仿真,并扩展了相位优化的可重构智能表面辅助链路对比.rar

Graphormer实战:用34行核心代码理解Transformer如何搞定图数据

本文深入解析Graphormer如何通过34行核心代码实现Transformer处理图数据的创新方法。Graphormer结合Centrality编码、Spatial编码和Edge编码,有效解决图神经网络中的节点重要性差异、全局空间关系建模和边特征利用等挑战,为图数据处理提供了全新视角。

weixin_30294295的博客 520

python 操作海康威视工业相机资源例子--ParametrizeCamera_LoadAndSave.zip

python 操作海康威视工业相机资源例子--ParametrizeCamera_LoadAndSave

基于斜坡补偿的Buck电路峰值电流+电压电流双闭环控制【附说明文档】(Simulink仿真实现)优快云首页发布文章优快云同步助手LLC谐振变换器开环+闭环软启动仿真设计(Simulink

内容概要:本文围绕三电平VIENNA整流器的双闭环控制与中点电位平衡问题展开仿真研究,提出了一种基于上下电容电压差值补偿的中点电位平衡策略。该策略在传统电压电流双闭环PI控制的基础上,引入电容电压差值作为反馈信号,通过SVPWM调制中冗余小矢量的时间分配实现中点电荷的定向调节,从而在不改变主控制结构的前提下有效抑制中点电位偏差。仿真结果表明,该方法不仅确保直流母线电压稳定跟踪800V给定值,还能显著提升上下电容电压的均衡度,同时保持输入电流低谐波水平,验证了控制策略的可行性和有效性。; 适合人群:电力电子、电气自动化及相关专业的研究生、科研人员及工程技术人员,具备一定的MATLAB/Simulink仿真基础和电力电子拓扑知识背景者更佳。; 使用场景及目标:①掌握三电平VIENNA整流器的工作原理与中点电位波动的成因;②理解电压电流双闭环PI控制的设计要点与参数整定原则;③学习基于差值补偿的中点电位平衡控制策略及其与SVPWM的协同机制;④应用于充电桩、航空电源、通信电源等中大功率单向整流场合的控制系统设计与优化。; 阅读建议:建议结合文中提供的仿真模型与参数设置进行动手实践,重点关注中点电位平衡投入前后电容电压波形的变化,对比分析不同工况下的系统动态响应,深入理解控制策略的作用机理。同时可进一步探索在电网不平衡、轻载等复杂工况下的控制性能,以拓展应用场景。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了在Simulink环境中构建和仿真一个集成PWM控制的电压源换流器型高压直流输电(VSC-HVDC)链路的IEEE30节点电力传输系统的研究工作。该模型聚焦于利用PWM技术实现对VSC的高效、精确控制,以提升电力系统的传输效率、动态响应能力和运行稳定性。研究涵盖了系统整体建模、关键设备参数设计、PWM控制策略的实现、以及在标准IEEE30节点系统上的集成方法。通过一系列仿真测试,包括系统在正常运行、负载突变及故障条件下的动态响应,全面分析了VSC-HVDC链路对改善电网电压稳定性、优化潮流分布和增强系统可靠性的具体作用,充分验证了所提方案的有效性和工程应用价值。; 适合人群:具备电力系统分析、高压直流输电技术基础理论知识及Simulink/MATLAB仿真软件操作能力的高校研究生、科研机构研究人员和电力行业工程师。; 使用场景及目标:①作为教学案例,帮助学生深入理解VSC-HVDC的工作原理、控制策略及其在复杂电网中的集成应用;②为电力系统规划与运行人员提供一种可靠的仿真工具,用于评估新型输电技术对现有电网性能的影响,支持电网升级改造决策;③推动VSC-HVDC技术在远距离大容量输电、新能源并网和智能电网建设等领域的创新应用。; 阅读建议:建议读者在学习过程中,结合电力系统稳态与暂态分析的相关理论,重点关注PWM控制模块和VSC的建模细节,动手复现并调试所提供的Simulink模型,通过改变系统参数和运行工况来观察仿真结果的变化,从而深化对VSC-HVDC系统动态特性的理解。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文针对“自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标”开展研究,提出一种基于Matlab的仿真方法,实现多机器人在动态环境中对移动目标的协同包围与持续跟踪。该方法综合考虑了机器人的运动学约束与传感器的视线(visibility)限制,设计了分布式控制策略与自适应编队算法,能够在复杂环境下有效维持编队结构的稳定性和任务执行的鲁棒性。研究详细阐述了系统建模过程、控制律设计原理、编队形成与保持机制,并通过Matlab代码实现了完整的仿真验证,展示了算法在不同动态场景下的适应能力与性能优势; 适合人群:具备机器人学、自动控制理论、多智能体系统等相关基础知识,熟悉Matlab编程语言,从事智能系统、协同控制、路径规划与自主导航等方向的研究生、科研人员及工程技术人员; 使用场景及目标:①应用于安防监控、环境探测、灾害救援等场景中的多机器人目标围捕与跟踪任务;②为多智能体协同控制、分布式编队保持、避障与可见性维护等关键技术提供可复现的算法框架与仿真平台;③辅助高校与科研机构在相关领域的教学演示与科研创新,深化对自适应控制与分布式协同机制的理解; 阅读建议:建议读者结合提供的Matlab代码逐模块分析其实现逻辑,重点关注控制律设计、约束处理与自适应机制部分,可通过调整机器人数量、目标轨迹、传感器参数等进行扩展性实验,以深入掌握多机器人协同系统的动态行为与优化方法。

基于变频控制的多相交错LLC谐振变换器闭环仿真(Simulink仿真实现)

内容概要:本文详细介绍了基于变频控制的多相交错LLC谐振变换器的闭环仿真设计,重点阐述了其在Simulink环境下的建模与控制策略。通过多相交错技术有效降低输出纹波电流,提升系统效率与功率密度,并采用变频控制(PFM)实现对谐振变换器输出电压的精确调节。文中构建了完整的闭环控制系统,包含电压外环与电流内环,确保系统在负载变化或输入波动等扰动工况下仍能稳定运行。同时,配套提供了仿真模型、参数设计计算书及参考文献,帮助读者深入理解系统设计流程与关键技术细节,具有较强的工程复现价值。该资源适用于电力电子、新能源变换器等相关领域的仿真研究与教学实践。; 适合人群:具备电力电子基础知识,熟悉Simulink仿真工具,从事电源变换器设计、新能源系统研发或相关专业的研究生及工程技术人员。; 使用场景及目标:①掌握多相交错LLC谐振变换器的工作原理与变频控制机制;②学习并实现基于Simulink的闭环控制系统建模与仿真;③理解谐振参数设计、软开关实现及系统稳定性分析方法;④为科研项目、毕业设计或产品原型开发提供可复用的技术参考与仿真平台。; 阅读建议:建议读者结合提供的仿真模型与计算书,逐步完成系统搭建与参数整定,重点关注变频控制逻辑与闭环响应特性。在仿真过程中,可通过调整负载、输入电压等条件,观察系统的动态响应与稳态性能,加深对多相交错与谐振控制优势的理解。同时推荐参考相关文献,拓展对LLC变换器前沿控制策略的认识。

patch_1.23.0.2584_game_No6.android.pak

patch_1.23.0.2584_game_No6.android.pak

状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究(Matlab代码实现)

内容概要:本文系统地研究了无迹卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF)在非线性系统状态估计中的理论基础与实际应用,并结合Matlab代码实现进行了深入剖析。内容涵盖三种滤波算法的核心原理、数学推导及其在轨迹估计等工程问题中的具体实施方法。通过详尽的Matlab编程实例,展示了如何利用这些先进滤波技术解决如目标跟踪、传感器融合等复杂问题,并特别探讨了BP神经网络与EKF结合的优化训练策略以及粒子滤波在提高状态跟踪精度方面的潜力。该资料为希望掌握现代状态估计算法的研究人员和技术爱好者提供了一套完整的理论与实践指南; 适合人群:具备一定编程基础,尤其是熟练使用Matlab工具,且对控制理论、信号处理或相关工程技术领域有初步了解的研发人员和高校学生; 使用场景及目标:① 深入理解UKF、EKF和PF的基本概念及其在非线性动态系统中进行状态变量估计的应用;② 通过Matlab代码实践加深对各滤波器工作机制的理解,能够独立开发相应的算法以应对诸如轨迹预测、多源信息融合等实际挑战;③ 探索将BP神经网络与EKF相结合的新途径,以期提升模型的学习效率和预测准确性; 阅读建议:此资源不仅提供了坚实的理论支撑,还包括丰富的代码示例,建议读者按照文档结构循序渐进地学习,同时动手实现每一个案例,以便更深刻地把握各种滤波技术的关键细节。对于致力于深入研究状态估计领域的专业人士而言,这是一份极具价值的学习材料。

两路半桥LLC谐振变换器软开关Simulink仿真(模拟谐振参数不同、分裂电容)

内容概要:本文详细介绍了两路半桥LLC谐振变换器软开关的Simulink仿真研究,重点模拟了不同谐振参数及分裂电容对系统性能的影响。通过建立精确的电路模型,分析了软开关实现条件、谐振腔参数变化对电压电流波形、效率及功率传输能力的作用机制,探讨了分裂电容结构在改善均流特性与提升系统稳定性方面的优势。仿真结果有助于深入理解LLC变换器的工作原理与动态响应特性,为高频高效电源设计提供理论支持与优化方向。; 适合人群:电力电子、电气工程及其自动化等相关专业的科研人员、研究生及从事开关电源设计的工程师。; 使用场景及目标:①掌握LLC谐振变换器的基本建模与仿真方法;②研究谐振参数(如谐振电感、电容)对软开关过程的影响规律;③分析分裂电容结构在多路并联变换器中的均流与稳定性作用;④为高频高效DC-DC变换器的设计与优化提供仿真依据和技术参考。; 阅读建议:建议结合Simulink模型逐步操作,关注关键波形的观测点,对比不同参数下的仿真结果,深入理解软开关的实现条件与系统动态特性,同时可进一步拓展至效率分析与热管理设计。

DXF、DWG工程制图文件查看器

DXF、DWG工程制图文件查看器。 可以在界面中进行测量(包括距离、面积、角度等等) 无需版权,放心使用。

数控基础知识数控加工工序的安排原则

数控基础知识数控加工工序的安排原则

含分布式电源的配电网可靠性评估研究(Matlab代码实现)

内容概要:本文围绕含分布式电源的配电网可靠性评估展开研究,基于Matlab代码实现相应的评估模型。研究内容涵盖分布式电源接入对配电网运行特性的影响,采用序贯蒙特卡洛模拟法等可靠性评估方法,对系统在不同运行场景下的供电可靠性指标进行量化分析。通过构建典型配电网模型,仿真分析分布式电源的位置、容量及出力特性对系统可靠性的影响机制,进而为提升配电网韧性与供电质量提供理论支撑和技术手段。研究不仅关注理论建模,还注重实际仿真流程的可操作性与结果的可视化呈现。; 适合人群:具备电力系统基础知识,从事配电网规划、运行与可靠性分析等相关领域的科研人员及工程技术人员,尤其适合研究生及从事新能源并网研究的1-3年工作经验的专业人员。; 使用场景及目标:①掌握含分布式电源的配电网可靠性评估基本理论与方法;②学习并复现主流可靠性评估算法(如蒙特卡洛模拟)的Matlab编程实现;③分析分布式电源接入对系统可靠性的影响规律,支撑配电网优化规划与运行决策。; 阅读建议:建议读者结合电力系统可靠性教材与本文Matlab代码同步学习,重点关注模型构建逻辑与算法实现细节,动手调试代码以加深对评估流程的理解,并尝试在不同网络结构和电源配置下进行仿真对比分析。

W25N01GV SPI NAND Flash驱动开发避坑指南:详解2KB缓冲区机制与状态寄存器正确用法

本文深入解析W25N01GV SPI NAND Flash芯片的2KB缓冲区机制与状态寄存器正确用法,提供STM32 HAL和ESP-IDF项目的实战解决方案。涵盖双阶段操作原理、状态寄存器深度解析、时序控制优化及跨平台驱动设计要点,帮助开发者避免常见错误并提升存储性能。

aizhouqian5537的博客 640
上一篇: 电路小白也能懂:用状态变量图搞定现代控制理论动态方程(附MATLAB仿真步骤)
下一篇: PyMuPDF实战:精准提取PDF指定区域文本的Python实现
寂静夜空35
博客等级 码龄3年 60粉丝 1797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  | 博主筛选后可见
 
 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