AIGC-Stable Diffusion进阶1(附代码)

最新推荐文章于 2025-05-15 20:41:17 发布
最新推荐文章于 2025-05-15 20:41:17 发布
阅读量1.3k 收藏 21
点赞数 13
文章标签： AIGC stable diffusion
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/z240626191s/article/details/138836746
版权

在上篇文章中对Stable Diffusion进行了初步的认识，也给出了使用案例，这篇文章将进一步的去刨析一下SD模型。

SD模型的组成

在之前也讲过了，SD由CLIP、UNet、Schedule，VAE组成。再来回顾一下知识点：

1.CLIP Text Encoder(文本编码器)

作用：将文本信息进行编码生成对应的特征矩阵方便输入到SD模型中。

2.VAE Encoder(变分自编码器)

作用：生成Latent Feature(隐空间特征)和文本特征同时作为模型输入。如果是图生图任务则将图像进行编码生成Latent Feature；如果是文生图则用随机生成的高斯噪声矩阵作为Latent Feature作为输入。【也就是在输入SD模型前有两个输入，文本特征和隐空间特征】

3.U-Net网络

作用：用于不断地预测噪声，并在每次预测噪声过程中加入文本语义特征。

4.Schedule

作用：对UNet预测的噪声进行优化处理(动态调整预测的噪声，控制U-Net预测噪声的强度)

5.VAE Decoder(解码器)

作用：将最终得到的Latent Feature经过解码器生成图像。

在SD的迭代过程中(去噪过程)，噪声会不断的减少，图像信息和文本语义信息会不断的增加。

也就是说Unet的输入有两部分组成，一个是latent、一个是输入文本特征(prompt)。

1.图生图：需要将图像通过VAE encoder生成latent，并与文本特征进行输入

2.文生图：使用随机高斯噪声代替图像latent，并与文本特征进行输入。

在上一篇文章中可以教了大家如何快速使用diffusers搭建SD模型。但这种方法不够灵活，我们对每个部分进行分析，在这篇文章中会分模块加载Model并手动搭建SD模型。

这里以文生图为例。(文末会附上完整的代码)

CLIP Model单独加载

在生成文本特征的时候需要有两个步骤：1.prompt->token 2.token->text_embedding

    # 1.prompt特征提取
    # 1.1 prompt转token
    text_tokenizer = CLIPTokenizer.from_pretrained(sd_weight_path, subfolder="tokenizer")
    text_token_ids = text_tokenizer(
        prompt,
        padding='max_length',
        max_length=text_tokenizer.model_max_length,
        truncation=True,
        return_tensors='pt'
    ).input_ids

   # 1.2提取prompt_embedding
    text_encoder = CLIPTextModel.from_pretrained(sd_weight_path,subfolder='text_encoder')
    text_embeddings = text_encoder(text_token_ids)[0]

Schedule单独加载

Schedule是和UNet相结合的，用于优化不同时间步t时刻的latent。

或者可以这样理解，不同时间t对应不同的噪声级别和潜在表示。缩放输入可以确保输入在每个时间步都是标准化的，使其对应当前时间t所对应的噪声分布，使模型能够稳定地处理不同程度的噪声。

这里我的理解感觉和CNN中的BN层有点相似，但也有不同，这里我谈一下自己的理解：

扩散模型中的schedule,对输入进行缩放的目的是控制和调整不同时间t对应的噪声程度，使得latent在每个时间t的数据分布和训练时是一样的，从而可以稳定的去噪。也就是和BN类似，都是对输入进行标准化或者缩放使数据在特定分布下更稳定。但不同的是，BN层是为了解决梯度消失和爆炸，加快训练速度，而扩散模型的缩放是每个时刻t对latent的缩放，为的是控制噪声水平。

 # 2.单独加载调度算法，生成噪声表
scheduler = PNDMScheduler(beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000)
scheduler.set_timesteps(25)
timesteps = scheduler.timesteps

UNet单独加载

 # 3.单独加载UNet
unet = UNet2DConditionModel.from_pretrained(sd_weight_path,subfolder='unet')

UNet预测噪声 

UNet做噪声预测的时候代码如下，其中latents_model_input是经过Schedule优化后的特征图，t是对应的时间t,text_embeddings是输入的文本特征。

输出是预测噪声，然后对噪声进行分块(chunk操作)得到两个噪声，一个是无条件噪声，一个是条件噪声。

无条件噪声：

无条件噪声是指模型在没有任何(如文本、标签等)输入情况下，单纯的基于latents得到噪声，这部分噪声预测代表了生成过程中的基础噪声水平。

条件噪声：

条件噪声预测是模型在给定某种条件（如文本嵌入）输入的情况下，基于潜在变量和这些条件预测的噪声。这部分噪声预测代表了生成过程在特定条件下的噪声水平。

noise_pred = unet(
            latents_model_input,
            t,
            encoder_hidden_states=text_embeddings,
            cross_attention_kwargs=None,
            return_dict=False,
        )[0]  # 预测噪声
        noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
        # 7.5为相关因子
        noise_pred = noise_pred_uncond + 7.5 * (noise_pred_text - noise_pred_uncond)

VAE单独加载

    # 4.单独加载VAE
    # 进行解码
    vae = AutoencoderKL.from_pretrained(sd_weight_path, subfolder='vae').to("cuda", dtype=torch.float32)

去噪可视化

比如这里输入的prompt为：'a girl, beautiful'，neg pormpt为空时，对每次去噪后的latents可视化，代码如下：

    # 3.单独加载UNet
    unet = UNet2DConditionModel.from_pretrained(sd_weight_path,subfolder='unet')
    for i, t in tqdm(enumerate(timesteps)):
        latents_model_input = torch.cat([latents] * 2)
        latents_model_input = scheduler.scale_model_input(latents_model_input, t)
        noise_pred = unet(
            latents_model_input,
            t,
            encoder_hidden_states=text_embeddings,
            cross_attention_kwargs=None,
            return_dict=False,
        )[0]  # 预测噪声
        noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
        # 7.5为相关因子
        noise_pred = noise_pred_uncond + 7.5 * (noise_pred_text - noise_pred_uncond)
        # x_t->x_t-1  去噪操作
        latents = scheduler.step(noise_pred, t, latents,return_dict=False)[0]
        save_noise_pred_feat(latents, i)

可视化结果(部分图)：

latents可视化

latents解码

# 进行解码
vae = AutoencoderKL.from_pretrained(sd_weight_path, subfolder='vae').to("cuda", dtype=torch.float32)
image = vae.decode(latents.to("cuda", dtype=torch.float32) / vae.config.scaling_factor, return_dict=False)[0]

最终解码的效果图如下： 

(大体还是可以，就是可以看到多了一只手，我这里neg prompt为空)

VAE解码

 比如这里输入的neg_prompt为：

neg_prompt = 'extra limbs, extra arms, extra hands, disfigured, distorted anatomy, unnatural proportions, unrealistic, malformed'

生成图像为：

 如果此时输入的neg_prompt为：

neg_prompt = 'extra limbs, extra arms, extra hands, disfigured, distorted anatomy, unnatural proportions, unrealistic, malformed, unnatural expression, creepy eyes, unrealistic facial features, disfigured face, distorted expression, awkward smile, disproportionate eyes, unrealistic gaze, malformed eyes'

生成图像如下：

完整代码

 

import torch
from diffusers.pipelines.alt_diffusion.pipeline_alt_diffusion import rescale_noise_cfg
from diffusers.utils import randn_tensor
from transformers import CLIPTokenizer, CLIPTextModel
from diffusers import UNet2DConditionModel, PNDMScheduler, LMSDiscreteScheduler, AutoencoderKL
from tqdm import tqdm
import numpy as np
from PIL import Image
import cv2
'''
这是一个最小化实现算法
快速学习sd过程
'''
# 用以保存特征图
def save_noise_pred_feat(noise_pred, save_name):
    noise_pred = (noise_pred / 2 + 0.5).clamp(0, 1)
    # 将Tensor转换为 NumPy 数组
    noise_pred_np = noise_pred.detach().cpu().numpy()
    # 将通道数从第二个维度移动到最后一个维度
    # （前提假设通道数是第二个维度）
    noise_pred_np = np.moveaxis(noise_pred_np, 1, -1)
    # 反归一化
    noise_pred_np = (noise_pred_np * 255).round().astype(np.uint8)
    # 如果你想将所有特征图合并成一个图像保存，可以使用 PIL 的拼接功能
    # 这里仅作示例
    combined_img = Image.fromarray(np.concatenate(noise_pred_np, axis=1))
    combined_img.save(f'{save_name}_combined_feature_map.png')
@torch.no_grad()
def UNET():
    # 随机种子
    generator = torch.Generator("cpu").manual_seed(1024)
    # 权重路径
    sd_weight_path = 'F:/Stable_webui/stable-diffusion-webui/models/Stable-diffusion/stable-diffusion-v1-5'
    # prompt
    prompt = 'a girl, beautiful'
    # neg prompt
    neg_prompt = 'extra limbs, extra arms, extra hands, disfigured, distorted anatomy, unnatural proportions, unrealistic, malformed, unnatural expression, creepy eyes, unrealistic facial features, disfigured face, distorted expression, awkward smile, disproportionate eyes, unrealistic gaze, malformed eyes'
    # 1.prompt特征提取
    # 1.1 prompt转token
    text_tokenizer = CLIPTokenizer.from_pretrained(sd_weight_path, subfolder="tokenizer")
    text_token_ids = text_tokenizer(
        prompt,
        padding='max_length',
        max_length=text_tokenizer.model_max_length,
        truncation=True,
        return_tensors='pt'
    ).input_ids
    neg_token_ids = text_tokenizer(
        neg_prompt,
        padding='max_length',
        max_length=77,
        truncation=True,
        return_tensors='pt'
    )

    # 1.2提取prompt_embedding
    text_encoder = CLIPTextModel.from_pretrained(sd_weight_path,subfolder='text_encoder')
    text_embeddings = text_encoder(text_token_ids)[0]
    text_embeddings = text_embeddings.repeat(1,1,1)
    text_embeddings = text_embeddings.view(1*1,77,-1)
    neg_prompt_embeds = text_encoder(
        neg_token_ids.input_ids,
        attention_mask=None,
    )[0]
    del text_encoder, text_tokenizer
    neg_prompt_embeds = neg_prompt_embeds.repeat(1, 1, 1)
    neg_prompt_embeds = neg_prompt_embeds.view(1*1, 77, -1)
    # 文本特征向量
    text_embeddings = torch.cat([neg_prompt_embeds, text_embeddings])

    # 2.单独加载调度算法，生成噪声表，在总的时间步数num_train_timesteps中，这个噪声表的值在beta_start到beta_end中，对应公式的αt
    scheduler = PNDMScheduler(beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000)
    scheduler.set_timesteps(25)
    timesteps = scheduler.timesteps
    print("timesteps :" + str(timesteps))
    # 如果是文生图，那么就用一个随机噪声来代替这个图
    latents = randn_tensor((1, 4, 64, 64), generator=generator, dtype=torch.float32)
    latents = scheduler.init_noise_sigma * latents
    # 3.单独加载UNet
    unet = UNet2DConditionModel.from_pretrained(sd_weight_path,subfolder='unet')
    for i, t in tqdm(enumerate(timesteps)):
        latents_model_input = torch.cat([latents] * 2)
        latents_model_input = scheduler.scale_model_input(latents_model_input, t)
        noise_pred = unet(
            latents_model_input,
            t,
            encoder_hidden_states=text_embeddings,
            cross_attention_kwargs=None,
            return_dict=False,
        )[0]  # 预测噪声
        noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
        # 7.5为相关因子
        noise_pred = noise_pred_uncond + 7.5 * (noise_pred_text - noise_pred_uncond)
        # x_t->x_t-1  去噪操作
        latents = scheduler.step(noise_pred, t, latents,return_dict=False)[0]
        # save_noise_pred_feat(latents, i)
    # 4.单独加载VAE
    # 进行解码
    vae = AutoencoderKL.from_pretrained(sd_weight_path, subfolder='vae').to("cuda", dtype=torch.float32)
    image = vae.decode(latents.to("cuda", dtype=torch.float32) / vae.config.scaling_factor, return_dict=False)[0]
    # 后处理
    rec_image = (image / 2 + 0.5).clamp(0, 1)  # 归一化到0~1
    rec_image = rec_image.cpu().permute(0, 2, 3, 1).numpy()

    # 反归一化
    rec_image = (rec_image * 255).round().astype("uint8")
    rec_image = rec_image[0]

    # 保存重建后图像
    cv2.imwrite("mysd.png", cv2.cvtColor(rec_image, cv2.COLOR_RGB2BGR))
    torch.cuda.empty_cache()
UNET()

diffusers中DDPMScheduler/AutoencoderKL/UNet2DConditionModel/CLIPTextModel代码详解
liguandong
09-19 3469
xt = pred_prev_sample，x0 = pred_original_sample，xt这个式子化简一下就是下面预测结果。上图可见，unet是epsθ是unet。noise和预测出来的noise做个mse loss。扩散模型的训练时比较简单的。
【2025 Stable Diffusion WebUI 初始入门】【3.Stable Diffusion启动器参数详解】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
04-25 621
网络配置： 可实现局域网共享， 支持自定义端口号。 调试模式： 用于快速验证界面布局，节省模型加载时间。 2. 显存优化参数 显存分级策略：根据显卡显存选择 或 ，配合 可提升30%速度。 精度控制： 可解决部分显卡生成异常问题。 3. 性能增强参数 硬件适配： 仅适用于NVIDIA 16系以上显卡。 精度权衡： 可减少显存占用，但可能导致细节损失。 二、WebUI界面深度解析 1. 主界面参数体系 （1）生成控制模块 字段名称 取值范围 功能说明 提示词（Prompt）
体验文本到视频的趣味创作
m0_63642362的博客
04-28 754
随着大模型的不断迭代更新，现在的文本生成模型越来越强大，本项目中使用飞桨ppdiffusers库中的模型实现prompt文本输入生成趣味视频
组装自己的稳定扩散模型
新缸中之脑
11-27 407
在我们开始使用代码之前，让我们回顾一下扩散器的推理工作原理。我们向扩散器输入提示。该提示通过文本编码器给出数学表示（嵌入）。产生了潜在的噪声。U-Net 结合提示来预测潜在的噪声。与调度程序一起从潜在噪声中减去预测噪声。经过多次迭代后，去噪后的潜在图像被解压缩以生成最终生成的图像。文本编码器U-Net模型VAE 解码器prompt：提示w, h：图像的宽度和高度n_inf_steps：描述输出图像的噪声程度的数字（推理步数）
Transformers 4.37 中文文档（八十五）
龙哥盟
06-22 957
CLIPSeg 模型是由 Timo Lüddecke 和 Alexander Ecker 在使用文本和图像提示进行图像分割中提出的。CLIPSeg 在冻结的 CLIP 模型之上添加了一个最小的解码器，用于零样本和一样本图像分割。论文摘要如下：图像分割通常通过训练一个固定对象类别的模型来解决。随后合并额外类别或更复杂查询是昂贵的，因为需要在包含这些表达的数据集上重新训练模型。在这里，我们提出了一个系统，可以根据测试时的任意提示生成图像分割。提示可以是文本或图像。
使用Stabel Diffusion
weixin_42010722的博客
12-29 5095
Stabel Diffusion是由CompVis、stabel AI和LAION的研究人员和工程师创建的文本到图像的潜在扩散模型。它由来自LAION-5B数据库子集的512x512图像进行训练。LAION-5B是目前最大的、可自由访问的多模态数据集。在这篇文章中，将介绍如何使用diffusion库实现Stabel Diffusion模型生成图像，并讲解Stabel Diffusion的工作原理，最后深入了解diffusion如何允许用户自定义图像生成管道。如何有需要了解Diffusion原理的可以参考下面
Stable diffusion零基础课程-视频课程资源网盘链接提取码下载 .txt
02-28
### Stable Diffusion 零基础课程知识点概览 #### 一、Stable Diffusion 基础概念 **1.1 扩散现象定义** 扩散是指物质或能量从高浓度区域向低浓度区域自然移动的过程。在自然界和工业生产中普遍存在，如气体混合...
Stable Diffusion【进阶篇】：真人漫改之IP-Adapter实现
AA1213888的博客
07-18 1306
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
专业文章 AIGC绘制：基于Stable Diffusion制作端午海报
HJS123456780的博客
02-18 966
AIGC全称为AI GeneratedContent（生产内容），即基于生成对抗网络GAN、大型预训练模型等人工智能技术，通过寻找已有数据规律与适当泛化能力生成相关技术内容。简单来说，任何AI技术生成的内容都可以视为AIGC。2022年，AI绘制工具Midjour-ney(MJ)、Stablediffusion(SD)、Leonardo.ai、Novelai等引爆了AIGC在创意设计与表达方面的话题。
Stable Diffusion 本地部署教程
2401_85963303的博客
07-13 2400
Stable Diffusion是一种基于潜在扩散模型的AI图像生成技术，它能够根据文本提示生成高质量的图像。这项技术的核心在于其生成的图像既可以与真实照片相媲美，也可以模仿专业艺术家的风格和技巧。Stable Diffusion AI的强大之处在于其开源性，它不仅免费供用户使用，而且其背后的代码和模型也是公开的。这种开放性鼓励了全球的技术爱好者和开发者社区参与到模型的改进和创新中来。Stable Diffusion AI特别注重在低功耗计算机上的运行效率，使得它更加亲民和易于获取。
用diffuser代码方式打造Ai作画流水线（1）
liangwqi的博客
03-15 2786
如何用代码方式打造稳定的AI作图流水线
如何让AI帮你干活-娱乐（3）
liangwqi的博客
03-06 4193
这部分和大家分享如何搭建自己的stable diffusion的代码生产链路。跟大家讲了几种如何开发自己的代码，加入diffuser的框架。
tokenizer函数的参数truncation=True是什么意思
kewei chen
04-22 5866
如果 truncation=True,那么 tokenizer 会根据几个规则进行截断:1. 首先删除输入序列的中间部分,只保留前后 max_length/2 的标记。2. 然后继续删除前面或后面的标记,直到保留的标记数量等于 max_length。3. 在截断的过程中,tokenizer 会尽量保留输入序列的结构,不截断词与词之间的关系。所以,truncation=True 的作用就是允许我们的 tokenizer 进行这样的截断操作,这样我们就可以将任意长度的输入文本处理成我们想要的长度了。
常用的Negative prompt用语-测试模型（Stable-Diffusion）
红目香薰
11-10 1846
常用的Negative prompt用语-测试模型（Stable-Diffusion） Negative prompt的出现是非常大的一个进步，可以让我们生成图片的时候加强约束，再也不用因为微瑕的图片而调整无数次了。
DIFFUSION 系列笔记| Latent Diffusion Model、Stable Diffusion基础概念、数学原理、代码分析、案例展示
qq_53826699的博客
08-29 2971
为了在有限的计算资源上训练它们，LDM 先使用一个预训练好的 AutoEncoder，将图片像素转换到了维度较小的 latent space 上，而后再进行传统的扩散模型推理与优化。Diffusers 中，SD 采用 Lora 的部分位于 Unet 当中，大部分的 Lora 在 Transformer 模块当中，SD 的 lora 与 NLP Lora 实现方式基本相同，此外，通过引入交叉注意力，使得 DMs 能够在条件生成上有不错的效果，包括如文字生成图片，inpainting 等。
扩散模型（二）
m0_47105444的博客
10-28 303
对扩散模型的第二次学习，由于微调和引导的model加载不下来，本次就做了两个部分：首先利用加速采样，学习了采样的过程；其次利用做一个条件扩散模型，学习了训练的过程。
cannot import name ‘CLIPTextModelWithProjection‘ from ‘transformers‘
WGS.
11-08 1762
cannot import name 'CLIPTextModelWithProjection' from 'transformers'
stable diffusion文生图代码解读
Qiming的博客
07-24 1390
stable diffusion 文生图代码解读
详细解释api
最新发布
2503_91259466的博客
05-15 577
图像详细描述，决定生成内容。
colab使用教程AIGC生图
03-29
<think>好的，我现在需要处理用户关于在Colab中使用AIGC生成图像的教程请求。首先，用户提到了几个引用，我需要看看这些引用内容是否相关。引用[1]和[2]主要讲AIGC的概述和应用，引用[3]和[4]提到Stable Diffusion模型的下载地址和安装步骤，这些可能和用户的问题相关。 用户的问题是如何在Colab中使用AIGC生成图像，可能需要指导他们设置环境、安装模型、编写代码等步骤。根据引用[3]和[4]，用户可能需要下载Stable Diffusion模型，并导入到Colab中。不过，通常在使用Colab时，可以直接从Hugging Face等平台加载模型，而不需要手动下载，所以可能需要调整步骤。 接下来，我需要确保回答的结构清晰，分步骤说明。可能需要包括：安装必要库、加载预训练模型、编写生成图像的代码、调整参数等。同时，要引用相关的参考资料，比如引用[3]提到的模型导入步骤，引用[4]的模型地址可能需要给出。 另外，用户可能遇到常见问题，比如依赖冲突、显存不足等，需要提供解决方案。例如，Colab可能需要升级到高版本的库，或者使用特定的版本兼容Stable Diffusion。此外，生成图像的质量和参数调整也是关键点，需要指导用户如何修改提示词或参数。 需要检查是否有遗漏的步骤，比如是否需要挂载Google Drive来保存生成的图像，或者如何处理运行时断开的情况。同时，要确保代码示例正确，用户可以直接复制到Colab中运行。 最后，生成相关问题时要围绕教程内容，比如模型选择、参数调整、性能优化等，确保问题与主题相关，帮助用户进一步探索。</think>以下是在Google Colab中使用AIGC生成图像的详细教程，结合Stable Diffusion模型实现： ### 一、环境准备 1. 打开Google Colab（https://colab.research.google.com/） 2. 新建笔记本，将运行时类型改为GPU（菜单栏 > 修改 > 笔记本设置 > GPU） 3. 安装必要依赖库： ```python !pip install diffusers transformers accelerate torch ``` 建议使用>=Python3.8环境[^3] ### 二、加载模型 ```python from diffusers import StableDiffusionPipeline import torch # 从Hugging Face加载预训练模型 model_id = "CompVis/stable-diffusion-v1-4" # 对应引用[4]的模型版本 pipe = StableDiffusionPipeline.from_pretrained( model_id, torch_dtype=torch.float16, revision="fp16" ).to("cuda") ``` ### 三、图像生成 ```python prompt = "赛博朋克风格的未来城市，霓虹灯光，4k高清" image = pipe(prompt).images[0] image.save("generated_image.png") ``` ### 四、参数调整（进阶） ```python # 调整生成参数 image = pipe( prompt, height=768, # 图像高度 width=512, # 图像宽度 num_inference_steps=50, # 迭代次数 guidance_scale=7.5, # 提示词相关性系数 ).images[0] ``` ### 五、保存结果 ```python from google.colab import files files.download("generated_image.png") # 下载到本地 ``` ### 常见问题解决 1. 显存不足：尝试减小图像尺寸（如512x512） 2. 模型加载失败：检查Colab是否开启GPU加速 3. 生成质量优化：增加num_inference_steps（建议50-100步） [^3]: 模型导入方法参考Stable Diffusion官方文档 [^4]: 模型源地址：https://huggingface.co/CompVis/stable-diffusion-v-1-4-original
评论
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

爱吃肉的鹏

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