资源 | 我们从8800个机器学习开源项目中精选出Top30，推荐给你

最新推荐文章于 2024-03-23 09:48:16 发布
最新推荐文章于 2024-03-23 09:48:16 发布
阅读量2.1k 收藏 8
点赞数 1
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.csdn.net/dqcfkyqdxym3f8rb0/article/details/79017769
版权


最近，Mybridge发布了一篇文章，对比了过去一年中机器学习领域大约8800个开源项目后，选出30个2017年度优秀的开源项目，包含机器学习开源库、数据库以及其他应用程序，这些项目差不多都是在2017年1-12月发布。Mybridge AI通过受欢迎度、参与度以及其他方面对开源项目进行评定。


对于机器学习者来说，阅读开源代码并基于代码构建自己的项目，是一个非常有效的学习方法。看看以下这些Github上平均star为3558的开源项目，你错了哪些？


在开始之前，先推荐阅读


A. 神经网络：深度学习 A-ZTM : 亲手搭建人工神经网络（推荐次数68,745 , 4.5/5 stars）


链接：http://bit.ly/2CH1WcQ



B. 用Python进行深度学习的TensorFlow的完整指南（推荐次数17,834, 4.6/5 stars）


链接：http://bit.ly/2EatVy7

 



接下来是Mybridge精选的Top 30的项目：


1. FastText：快速文本表示和文本分类库（Github上有11786颗星，贡献者Facebook Research）


源码链接：https://github.com/facebookresearch/MUSE 



2. Deep-photo-styletransfer：“Deep Photo Style Transfer” 这篇论文的源码和数据。（GitHub 9747颗星，论文来自于康奈尔大学的Fujun Luan）


源码链接：https://github.com/luanfujun/deep-photo-styletransfer

 


3. 用Python和命令行来实现的最简单的面部识别API（GitHub 8672颗星，贡献者Adam Geitgey）  


源码链接：https://github.com/ageitgey/face_recognition

 



4. Magenta:利用机器智能生成音乐和美术艺术品（GitHub 8113颗星）


源码链接：https://github.com/tensorflow/magenta



5. Sonnet：基于TensorFlow的神经网络库（GitHub 573颗星，贡献者是DeepMind的Malcolm Reynolds ）


源码链接：https://github.com/deepmind/sonnet





6. deeplearn.js： 一个用于Web的硬件加速机器学习库（GitHub 5462颗星，贡献者是Google Brain的Nikhil Thorat）


源码链接：https://github.com/PAIR-code/deeplearnjs



7. 基于TensorFlow的快速风格迁移库（GitHub 4843颗星，贡献者是MIT的Logan Engstrom）


源码链接：https://github.com/lengstrom/fast-style-transfer

 


8. Pysc2: 星际争霸2学习环境（GitHub 3684颗星，贡献者是DeepMind的Timo Ewalds）


源码链接：https://github.com/deepmind/pysc2

 

 

9. AirSim： Microsoft AI & Research开源的基于虚幻引擎的开源模拟器，用于自动驾驶（GitHub 3861颗星，贡献者是Microsoft的Shital Shah）


源码链接：https://github.com/Microsoft/AirSim

 


10. acets: 机器学习数据集的可视化工具（GitHub 3371颗星，由Google Brain贡献）


源码链接：https://github.com/PAIR-code/facets



11. Style2Paints：用AI技术为线稿快速上色的工具（GitHub 3310颗星）


源码链接：https://github.com/lllyasviel/style2paints



12. Tensor2Tensor：一个用于广义序列-序列模型的库 - Google Research（GitHub 3087颗星，贡献者是Google Brain的Ryan Sepassi）



源码链接：https://github.com/tensorflow/tensor2tensor


 


13. 基于Pytorch实现的图片-图片转换（GitHub 2847颗星，贡献者Berkeley的Jun-Yan Zhu, Ph.D）


源码地址：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix


 

 

14. Faiss：用于密集向量的高效相似性搜索库和聚类的库（GitHub 2629颗星，贡献者Facebook Research）



源码地址：https://github.com/facebookresearch/faiss


 

15. Fashion-minist：类似于MNIST的时尚产品数据集（GitHub 2780颗星，贡献者是Zalando Tech的Han Xiao）


源码链接：https://github.com/zalandoresearch/fashion-mnist


 

16. ParlAI： 一个可用在各种公开可用的对话数据集上训练和评估AI模型的框架（GitHub 2578颗星，贡献者是Facebook 的Alexander Miller）


源码链接：https://github.com/facebookresearch/ParlAI

 


17. Fairseq：Facebook AI Research的序列-序列工具包（GitHub 2571颗星）


源码链接：https://github.com/facebookresearch/fairseq

 


18. Pyro：基于Python和PyTorch的深度通用概率编程（GitHub 2387颗星，贡献者Uber Engineering）


源码链接：https://github.com/uber/pyro


 

19. iGAN：基于GAN的交互式图像生成（GitHub 2369颗星）


源码地址：https://github.com/junyanz/iGAN





20. Deep-image-prior：用神经网络恢复图像（GitHub 2188颗星，贡献者是Skoltech的Dmitry Ulyanov, Ph.D）


源码地址：https://github.com/DmitryUlyanov/deep-image-prior

 



21. 人脸分类：基于 Keras CNN 模型与 OpenCV ，使用fer2013/imdb 数据集进行实时面部检测和表情/性别分类（GitHub 1967颗星）


源码地址：https://github.com/oarriaga/face_classification


 

22. Speech-to-Text-WaveNet：使用DeepMind的WaveNet和TensorFlow进行端到端句级英语语音识别（GitHub 1961颗星，贡献者是Kakao Brain的Namju Kim）



源码地址：https://github.com/buriburisuri/speech-to-text-wavenet


23. StarGAN: 用于多域图像-图像转化的统一生成对抗网络（GitHub 1954颗星，贡献者Korea University的Yunjey Choi）


源码地址：https://github.com/yunjey/StarGAN

 


24. MI-agents：Unity机器学习代理（GitHub 1658颗星，贡献者Unity3D的Arthur Juliani）


源码地址：https://github.com/Unity-Technologies/ml-agents

 


25. DeepVideoAnalytics：一个分布式可视化搜索和数据分析平台（GitHub 1494颗星，贡献者是Cornell University 的Akshay Bhat）


源码地址：https://github.com/AKSHAYUBHAT/DeepVideoAnalytics

 



26. OpenNMT：Torch上的开源神经机器翻译工具包（GitHub 1490颗星）


源码地址：https://github.com/OpenNMT/OpenNMT

 

 


27. Pix2pixHD: 用条件GAN合成和处理2048×1024的图像（GitHub 1283颗星，贡献者是英伟达科学家 Ming-Yu Liu）


源码地址：https://github.com/NVIDIA/pix2pixHD

 


28. Horovod：TensorFlow 布式 训练框架（GitHub 1188 颗星，贡献者来自Uber ）



源码地址：https://github.com/uber/horovod



29. AI-Blocks： 一个强大而直观的所见即所得界面，可让任何人创建机器学习模型（GitHub 899颗星）


源码地址：https://github.com/MrNothing/AI-Blocks

 


30. Tensorflow实现的用于语音风格转换的深度神经网络（GitHub 845颗星，贡献者是Kakao Brain AI团队的Dabi Ahn）


源码地址：https://github.com/andabi/deep-voice-conversion 


原文链接：

https://medium.mybridge.co/30-amazing-machine-learning-projects-for-the-past-year-v-2018-b853b8621ac7



资源推荐


资源 | 想用Python学机器学习？Google大神替你写好了所有的编程示范代码

重磅 | 128篇论文，21大领域，深度学习最值得看的资源全在这了

爆款 | Medium上6900个赞的AI学习路线图，让你快速上手机器学习

葵花宝典之机器学习：全网最重要的AI资源都在这里了（大牛，研究机构，视频，博客，书籍，Quora......）

☟☟☟ 更多学习资源，请戳“阅读原文”

AI科技大本营
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【Github】8月机器学习开源项目排行榜TOP 10
01-06
这次，由Mybridge AI根据包括GitHub签星数量在内的各种评判因素，对8月份将近250个开源项目进行了比较，做出了一个《8月机器学习开源项目排行榜》，下面列出了其中的TOP 10。10个项目的平均星数达到了1355。 1. ...
nlp（贪心学院）——转载
Grateful_Dead424的博客
04-30 782
ai工程师必备的核心功能 现实中的问题—>数学优化问题—>通过合适的工具解决 为什么NLP比CV难？ 图片是所见即所得，而语言不只有表面意思，语言还有更加深入的浅层意思 如何解决一词多义？ 将词放入上下文（context）中去理解 一个简单的机器翻译系统，如何将图中的一句话翻译出来，下面是翻译的例子，方法只能通过词与词对应人工学习出对应规则，然后猜测翻译的句子。 以上存在的问题 翻译速度慢语义不明（歧义）没有考虑上下文翻译后的句子语法不对需要大量的人工规则统计 解决方法：给定一句话，先
NLPCamp-Project1
ziuno的博客
04-14 634
Project1 Part 1: 搭建一个分词工具 Part 1.1 基于枚举方法来搭建中文分词工具 此项目需要的数据： 综合类中文词库.xlsx： 包含了中文词，当做词典来用 以变量的方式提供了部分unigram概率 word_prob 举个例子： 给定词典=[我们 学习 人工 智能 人工智能 未来 是]， 另外我们给定unigram概率：p(我们)=0.25, p(学习)=0.15, ...
GitHub上最适合初学者的10个最佳开源人工智能项目
2301_79342058的博客
12-29 3145
使用TensorFlow创建的模型可以部署在各种平台上,包括服务器,云端,移动端,边缘设备,浏览器等等。以上是一些顶级的开源机器学习项目,以供初学者和有经验的数据科学家参与和学习深度学习技术的库。这也可以有双重好处。换句话说,HuggingFace声称他们的Transformers库使学者和工程师可以通过消除拓扑,框架和管道的复杂性来使用S.O.T.A.模型。如果您需要一个深度学习框架,该框架允许快速原型开发,支持卷积网络和循环网络,并且在CPU和GPU上运行良好,那么这是开展开源人工智能项目的完美库。
Zero to Mastery: 从零开始学习机器学习的开源项目
最新发布
gitblog_00032的博客
03-23 299
Zero to Mastery: 从零开始学习机器学习的开源项目 项目地址:https://gitcode.com/mrdbourke/zero-to-mastery-ml 简介 Zero to Mastery: 从零开始学习机器学习是一个开源项目，旨在帮助初学者轻松入门机器学习。该项目提供了一个全面的学习路径，包括基础知识、实践案例和项目实战。此外，该项目还提供了丰富的资源和工具，如课程大纲、笔...
程序员10 个入门级的机器学习开源项目
TSINGSEE青犀视频官方技术博客
10-19 1809
Pylearn2 是所有 Python 开发人员中最流行的机器学习库。它基于 Theano。你可以使用数学表达式来编写它的插件，而 Theano 则需要优化和稳定。
matlab人脸匹配代码-top-machine-learning:github上的顶级机器学习库
05-23
matlab人脸匹配代码顶级机器学习项目 与深度学习相关的流行github项目列表（按星号排列）。 最后更新： 项目名 星星 描述 29622 使用数据流图进行计算以进行可扩展的机器学习。 11799 Caffe：深度学习的快速开放框架...
matlab代码影响-ml-project-2:EPFL的模式分类和机器学习第二课程项目
05-22
EPFL的模式分类和机器学习第二课程项目 团队成员 翡翠Co 梅林·尼米尔·戴维（Merlin Nimier-David） 该项目由Emtiyaz和TA教授设计。 项目结构 该项目包含两个任务：图像中的人物检测，以及来自收听计数数据的歌曲...
Python-DatacompetitionTopSolution数据竞赛top解决方案开源整理
08-11
Data competition Top Solution 数据竞赛top解决方案开源整理
matlab代码影响-AdvertisingAttribution:一个机器学习项目，可将消费者的网络浏览和广告印象数据拟合到最隐秘的隐马尔可
05-22
一个机器学习项目，用于将消费者的网络浏览和广告印象数据拟合到TOP-SECRET隐藏Markov /贝叶斯模型中，以评估在线广告活动中几种不同类型广告的有效性。 该项目实施了由沃顿商学院的两位统计学/市场营销教授开发的...
最新30个最炙手可热的GitHub 机器学习开源项目简介及链接
01-19
Mybridge 总结了机器学习、深度学习领域全球流行的开源项目。作者从8800个GitHub的开源项目中筛选出30个2017年最炙手可热项目很多非常非常优秀的项目。值得每一位机器学习者收藏细细学习研究！
nmt-pytorch:实施论文“通过共同学习对齐和翻译实现NMT”
05-14
神经机器翻译Pytorch的实现 Pytorch实现的论文 巴赫丹瑙（Bahdanau）等人，2015 ICLR 要求 安装 安装 安装 需要Python版本> = 3.5 预处理需要TorchText + Spacy 数据集 WMT14从下载 将文件放在（home）/ datasets / wmt14 /（train / valid / test）目录下。 # Preprocessing dataset. This will create ./data/wmt14(30).pkl $ python dataset.py 进行实验 # Train and test with default settings (Seq2SeqAttModel) $ python main.py # Train with different number of rnn hidden units a
pytorch_basic_nmt:pytorch中神经机器翻译的简单而强大的实现
05-09
注意神经机器翻译的PyTorch基本实现 这是在Pytorch中注意神经机器翻译的基本实现（Bahdanau等人，2015; Luong等人，2015）。 它实现了描述的模型，并支持标签平滑，波束搜索解码和随机采样。 具有256维LSTM隐藏大小，在IWSLT 2014 Germen-English数据集上达到28.13 BLEU分数（Ranzato et al。，2015）。 该代码库用于Stanford 和CMU 教学目的。 档案结构 nmt.py ：包含神经机器翻译模型和训练/测试代码。 vocab.py ：从训练数据中提取词汇的脚本 util.py ：包含实用程序/帮助程序功能 示例数据集 我们提供了（Ranzato et al。，2015） 使用的IWSLT 2014德语-英语翻译任务的预处理版本。 要下载数据集： wget http://www.cs.cmu.edu/~p
nmtpytorch:PyTorch 中的序列到序列框架
07-24
笔记 该项目没有得到积极维护，因此不太可能及时解决所产生的问题。 如果您有兴趣，可以查看该存储库的最新分支，称为 ，其中也包含基于 Transformer 的架构。 概述 nmtpytorch允许训练各种端到端神经架构，包括但不限于神经机器翻译、图像字幕和自动语音识别系统。 最初的代码库在Theano ，灵感来自著名的代码库。 nmtpytorch得到了Frederick Jelinek Memorial Summer Workshop 2018的的宝贵贡献： Loic Barrault、Ozan Caglayan、Amanda Duarte、Desmond Elliott、Spandana Gella、Nils Holzenberger、Chirag Lala、Jasmine (Sun Jae) Lee、Jindřich Libovický、Pranava Madhyastha、Fl
NMT.pytorch:基于PyTorch的神经机器翻译
05-16
PyOpenNMT：开源神经机器翻译 这是端口， 是一种开源（MIT）神经机器翻译系统。 完整文档可。 该代码仍在大量开发中（0.1版之前的版本）。 如果您需要稳定的版本，我们建议分叉。 特征 实现了以下OpenNMT功能： 注意和辍学的多层双向RNN 数据预处理 从检查点保存和加载 批处理和波束搜索进行推理（翻译） 多GPU Beta功能： 上下文门 多种源和目标RNN（lstm / gru）类型和注意力（dotprod / mlp）类型 图像到文本处理 源词功能 “注意是您所需要的” TensorBoard /蜡笔记录 复制，覆盖和结构化关注 快速开始 步骤1：预处理数据 python preprocess.py -train_src data/src-train.txt -train_tgt data/tgt-train.txt -valid_src data/src-
30个超赞的机器学习开源项目！
学习、记录、分享
12-13 1088
Medium上的作者Mybridge从8800个项目中，挑选出了30个GitHub上收获了超多星星的机器学习项目，量子位搬运一下，希望大家学的开心~ 注：此份列表的星星数量仅供参考，因为，GitHub上的星星数量是动态变化的。 No 1 | FastText 用于快速文本表示和分类的库。 Github：16510颗星。 来自Facebook Research。 链接：https:/...
机器学习的11个开源项目
钱国正的专栏
12-19 1166
机器学习是目前数据分析领域的一个热点内容，在平时的学习和生活中经常会用到各种各样的机器学习算法。实际上，基于Python、Java等的很多机器学习算法基本都被前人实现过很多次了。这些算法在网上可以找到很多，然而往往存在很多“脏”或者“乱”的开源代码。 在这样的背景下， InfoWorld近日公布了机器学习领域11个最受欢迎的开源项目，这11个开源项目大多与垃圾邮件过滤、人脸识别、推荐引擎相关
Github上Top20 Python与机器学习开源项目推荐
albertleebob的博客
04-08 871
以下内容由公众号：AIRX社区（国内领先的AI、AR、VR技术学习与交流平台） 整理 TensorFlow TensorFlow是一个端到端的机器学习开源平台。由工具、库和社区资源组成的全面、灵活的生态系统，使开发人员能够轻松地构建和部署基于ML的应用程序。 TensorFlow最初是由谷歌机器智能研究组织的谷歌大脑团队的研究人员和工程师开发的，用于进行机器学习和深度神经...
2020 年度最佳的23个机器学习项目！（附源代码）
Datawhale
08-28 3689
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货来源：大数据文摘，整理：数据派THU本文约5300字，建议阅读1...
使用python完成超高精度人脸识别+活体检测功能，给出示例
08-19
### 回答1： 使用 Python 完成超高精度人脸识别活体检测功能可以使用一些开源库，比如 dlib 库。 下面是一个示例代码，可以帮助你了解如何使用 dlib 进行人脸检测和识别： ``` import dlib import cv2 # 加载人脸检测器和人脸识别模型 detector = dlib.get_frontal_face_detector() sp = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat') facerec = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model_v1.dat') # 读取图像并进行人脸检测 img = cv2.imread('image.jpg') dets = detector(img, 1) # 遍历检测到的所有人脸 for k, d in enumerate(dets): # 获取人脸的特征向量 shape = sp(img, d) face_descriptor = facerec.compute_face_descriptor(img, shape) # 使用你自己的人脸识别逻辑进行比对 # ... ``` dlib 库还有很多其他的功能，比如人脸对齐、眼睛检测等，可以自行查阅文档进行学习。 ### 回答2： 使用Python完成超高精度的人脸识别和活体检测是可行的，下面给出一个示例： 首先，我们需要使用Python中的人脸检测库，如OpenCV或dlib，来检测和定位输入图像中的人脸。然后，使用这些库中的人脸识别算法对每个检测到的人脸进行特征提取和编码。 为了实现超高精度的人脸识别，可以使用深度学习的方法，如使用已经在大型人脸数据集上进行了训练的预训练模型（如VGGFace、FaceNet或DeepFace）。这些模型能够将人脸图像转换为高维的特征向量，并且具有较好的区分度。 在进行人脸识别时，可以使用人脸特征向量进行匹配。对于每个输入图像中的人脸，提取其特征向量，并与已知的人脸特征向量库中的向量进行比较。可以使用距离度量如欧氏距离或余弦相似度来比较两个特征向量的相似度。如果两个特征向量之间的距离或相似度小于某个阈值，则可以认为它们是同一个人。 为了实现活体检测功能，可以使用深度学习模型进行人脸动作分析。例如，可以使用基于卷积神经网络或光流的方法，对输入图像序列进行分析，以检测人脸的微小动作和表情变化。这样可以区分真实的人脸与静态的人脸照片或视频。 在实际应用中，可以将以上的人脸识别和活体检测功能结合起来。首先，进行人脸检测和定位，然后提取人脸特征向量，通过特征向量进行人脸识别。同时，对于每个人脸，使用人脸动作分析的方法来检测活体。如果人脸识别和活体检测的结果都符合预期，则可以认定该人脸是真实的。 总之，使用Python完成超高精度的人脸识别和活体检测功能，可以通过结合人脸检测、特征提取和编码以及人脸动作分析等技术来实现。这样可以在实际应用中提高人脸识别的准确性和安全性。 ### 回答3： 高精度人脸识别和活体检测是现代计算机视觉领域的热点问题。Python提供了许多库和工具，可以用于实现这些功能。下面是一个使用Python实现超高精度人脸识别和活体检测的示例： 首先，我们需要使用人脸检测算法找到图像中的人脸区域。OpenCV是一个常用的计算机视觉库，可以帮助我们实现这个功能。 ```python import cv2 # 加载人脸检测器 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 加载图像 image = cv2.imread('face_image.jpg') # 将图像转换为灰度图像 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用人脸检测器检测人脸区域 faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30)) # 打印检测到的人脸数量 print(f"检测到 {len(faces)} 张人脸") # 遍历每个人脸区域 for (x, y, w, h) in faces: # 在图像中绘制人脸区域 cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2) # 显示结果图像 cv2.imshow('人脸识别结果', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 接下来，我们需要使用人脸识别算法对每个检测到的人脸进行识别。Dlib是一个强大的机器学习库，可以帮助我们实现这个功能。 ```python import dlib # 加载预训练的人脸识别模型 face_recognizer = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model.dat') # 加载人脸检测器 face_detector = dlib.get_frontal_face_detector() # 加载包含已知人脸信息的数据库 known_faces = load_known_faces_from_database() # 加载图像 image = dlib.load_rgb_image('face_image.jpg') # 使用人脸检测器检测人脸区域 detected_faces = face_detector(image) # 遍历每个检测到的人脸 for face_rect in detected_faces: # 提取人脸区域的特征向量 face_descriptor = face_recognizer.compute_face_descriptor(image, face_rect) # 在已知人脸数据库中查找最相似的人脸 match = find_best_match(face_descriptor, known_faces) # 绘制人脸边界框和标签 dlib.rectangle(image, face_rect.left(), face_rect.top(), face_rect.right(), face_rect.bottom()) dlib.draw_text(image, match.name, face_rect.left(), face_rect.top()) # 显示结果图像 win = dlib.image_window() win.set_image(image) dlib.hit_enter_to_continue() ``` 最后，我们需要实现活体检测功能。活体检测可以通过分析人脸图像的深度、纹理和动作来判断是否为真实人脸。这里我们使用常见的活体检测方法之一——眨眼检测。 ```python import cv2 from dlib import get_face_landmarks # 加载眼睛检测器 eye_cascade = cv2.CascadeClassifier('haarcascade_eye.xml') # 加载图像 image = cv2.imread('face_image.jpg') # 将图像转换为灰度图像 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用眼睛检测器检测眼睛区域 eyes = eye_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5) # 检测到的眼睛数量 num_eyes_detected = len(eyes) # 判断是否眨眼 if num_eyes_detected == 2: # 标记眼睛区域 for (x, y, w, h) in eyes: cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2) else: print("没有检测到双眼") # 显示结果图像 cv2.imshow('活体检测结果', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这是一个使用Python实现超高精度人脸识别和活体检测的简单示例。实际上，要实现更高级的功能，还需要更复杂的算法和技术。但是，这个示例提供了一个入门点，可以帮助您理解使用Python进行人脸识别和活体检测的基本原理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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