Pytorch快速入门（一）

最新推荐文章于 2024-07-03 10:33:40 发布
最新推荐文章于 2024-07-03 10:33:40 发布
阅读量879 收藏 18
点赞数 14
文章标签： pytorch 人工智能 python 深度学习 机器学习
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/2301_78320564/article/details/135172629
版权

一、Python两大法宝

 Python语法有两大法宝：dir()、help() 函数。

        dir()：打开，看见里面有多少分区、多少工具。

        help()：说明书，查看使用方法。

import torch
print(torch.cuda.is_available())
help(torch.cuda.is_available) # 查看 torch.cuda.is_available 的用法
dir(torch)  # 查看torch包中有哪些区、有哪些工具

二、Pytorch加载数据

1.Pytorch中加载数据需要Dataset、Dataloader。

        Dataset提供一种方式去获取每个数据及其对应的label，告诉我们总共有多少个数据。

        Dataloader为后面的网络提供不同的数据形式，它将一批一批数据进行一个打包。

2.常用数据集两种形式

        常用的第一种数据形式，文件夹的名称是它的label。

        常用的第二种形式，lebel为文本格式，文本名称为图片名称，文本中的内容为对应的label。

from torch.utils.data import Dataset
help(Dataset)

使用help函数，显示该如何运用 

3.路径直接加载数据

from PIL import Image

img_path = "Data/FirstTypeData/train/ants/0013035.jpg"        
img = Image.open(img_path)
img.show()

 4. Dataset加载数据

from torch.utils.data import Dataset
from PIL import Image
import os

class MyData(Dataset):     
    def __init__(self,root_dir,label_dir):    # 该魔术方法当创建一个事例对象时，会自动调用该函数
        self.root_dir = root_dir # self.root_dir 相当于类中的全局变量
        self.label_dir = label_dir     
        self.path = os.path.join(self.root_dir,self.label_dir) # 字符串拼接，根据是Windows或Lixus系统情况进行拼接               
        self.img_path = os.listdir(self.path) # 获得路径下所有图片的地址
        
    def __getitem__(self,idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)            
        img = Image.open(img_item_path)
        label = self.label_dir
        return img, label
    
    def __len__(self):
        return len(self.img_path)
    
root_dir = "Data/FirstTypeData/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)
print(len(ants_dataset))
print(len(bees_dataset))
train_dataset = ants_dataset + bees_dataset # train_dataset 就是两个数据集的集合了     
print(len(train_dataset))

img,label = train_dataset[200]
print("label：",label)
img.show()

三、Tensorboard用途

        Tensorboad 可以用来查看loss是否按照我们预想的变化，或者查看训练到某一步输出的图像是什么样。

1.tensorboard写日志

如果正确安装tensorboard之后，重新运行代码，还是报错在torch.utils.tensorboard中找不到SummaryWriter，请通过pip进行安装：
pip install -i https://mirrors.aliyun.com/pypi/simple/ tensorboardX，因为SummaryWriter是存在于tensorboardX(其作为tensorboard的子模块)同时请将报错的：
from torch.utils.tensorboard import SummaryWriter
改为：
from tensorboardX import SummaryWriter
from tensorboardX import SummaryWriter

writer = SummaryWriter("logs2") # 创建一个logs文件夹，writer写的文件都在该文件夹下
#writer.add_image()
for i in range(100):
    writer.add_scalar("y+2x", 2*i, i)
writer.close()

2. Tensorboard 读日志

        在 Anaconda 终端里面，激活环境，再输入 tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs 命令，将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。

        为避免多人使用端口导致冲突，也可以在后面加上后缀，使得端口独立，tensorboard --logdir=C:\Users\wangy\Desktop\03CV\logs --port=6008 

        输入网址可得Tensorboard界面。 

3. Tensorboard 读图片

 

from tensorboardX import SummaryWriter
from PIL import Image
import numpy as np

img_path1 = "dataset/train/ants/45472593_bfd624f8dc.jpg"
img_PIL1 = Image.open(img_path1)
img_array1 = np.array(img_PIL1)

img_path2 = "dataset/train/bees/95238259_98470c5b10.jpg"
img_PIL2 = Image.open(img_path2)
img_array2 = np.array(img_PIL2)

writer = SummaryWriter("logs")
writer.add_image("test",img_array1,1,dataformats="HWC") # 1 表示该图片在第1步
writer.add_image("test",img_array2,2,dataformats="HWC") # 2 表示该图片在第2步
writer.close()

四、transforms的使用

1.transforms的用途

        Transforms当成工具箱的话，里面的class就是不同的工具。例如像totensor、resize这些工具。

        Transforms拿一些特定格式的图片，经过Transforms里面的工具，获得我们想要的结果。

2.Transforms该如何使用

2.1 transforms.Totensor使用

from torchvision import transforms
from PIL import Image

# 图像文件路径
img_path = "dataset/train/bees/90179376_abc234e5f4.jpg"

# 使用PIL库打开图像文件
img = Image.open(img_path)

# 创建transforms.ToTensor类的实例化对象
tensor_trans = transforms.ToTensor()

# 调用transforms.ToTensor类的__call__的魔术方法，将图像转换为张量
tensor_img = tensor_trans(img)

# 打印转换后的张量
print(tensor_img)

2.2 需要Tensor数据类型原因

        Tensor有一些属性，比如反向传播、梯度等属性，它包装了神经网络需要的一些属性。

        

# 导入必要的库
from tensorboardX import SummaryWriter  # 导入用于TensorBoard可视化的库
from torchvision import transforms  # 导入用于图像转换的库
from PIL import Image  # 导入用于图像处理的库
import cv2  # 导入OpenCV库

# 图像文件路径
img_path = "dataset/train/bees/85112639_6e860b0469.jpg"

# 使用PIL库打开图像文件
img = Image.open(img_path)

# 创建TensorBoard的SummaryWriter对象，用于记录日志和可视化
writer = SummaryWriter("logs")

# 创建图像转换操作，将PIL图像转换为PyTorch张量
tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)

# 将图像张量添加到TensorBoard日志中，"Temsor_img"是可视化时显示的图像名称
writer.add_image("Tensor_img", tensor_img)

# 关闭SummaryWriter，确保将日志写入到TensorBoard文件
writer.close()

下面操作与上一步相同，就不在说明了

3. 常见的Transforms工具

3.1 __call__魔术方法使用

class Person:
    def __call__(self, name):
        print("__call__ " + "Hello " + name)

    def hello(self, name):
        print("hello " + name)


person = Person()  # 实例化对象
person("zhangsan")  # 调用__call__魔术方法
person.hello("list")  # 调用hello方法

3.2 Normanize归一化

# 导入必要的库
from tensorboardX import SummaryWriter  # 用于 TensorBoard 可视化的库
from torchvision import transforms  # 用于图像转换的库
from PIL import Image  # Python Imaging Library，用于图像处理
import cv2  # OpenCV 库，用于计算机视觉任务

# 图像文件路径
img_path = "dataset/train/bees/154600396_53e1252e52.jpg"

# 使用 PIL 库打开图像文件
img = Image.open(img_path)

# 创建 TensorBoard 的 SummaryWriter 对象，用于记录日志和可视化
writer = SummaryWriter("logs")

# 创建图像转换操作，将 PIL 图像转换为 PyTorch 张量
tensor_trans = transforms.ToTensor()
img_tensor = tensor_trans(img)

# 打印原始图像张量中第一个像素的值
print("原始图像张量中第一个像素的值：", img_tensor[0][0][0])

# 创建图像标准化转换操作，将原始图像张量标准化
tensor_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = tensor_norm(img_tensor)

# 打印标准化后图像张量中第一个像素的值
print("标准化后图像张量中第一个像素的值：", img_norm[0][0][0])

# 将原始图像张量和标准化后的图像张量添加到 TensorBoard 日志中
writer.add_image("img_tensor", img_tensor)
writer.add_image("img_norm", img_norm)

# 关闭 SummaryWriter，确保将日志写入到 TensorBoard 文件
writer.close()

tensor(0.2627)
tensor(-0.4745)

3.3 Resize裁剪

3.3.1 Resize裁剪方法一
# 导入必要的库
from tensorboardX import SummaryWriter  # 用于 TensorBoard 可视化的库
from torchvision import transforms  # 用于图像转换的库
from PIL import Image  # Python Imaging Library，用于图像处理
import cv2  # OpenCV 库，用于计算机视觉任务

# 图像文件路径
img_path = "dataset/train/bees/174142798_e5ad6d76e0.jpg"

# 使用 PIL 库打开图像文件
img = Image.open(img_path)
print("原始图像信息：", img)  # PIL 类型的图片原始比例为 500×464

# 创建 TensorBoard 的 SummaryWriter 对象，用于记录日志和可视化
writer = SummaryWriter("logs")

# 创建图像转换操作，将 PIL 图像转换为 PyTorch 张量
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)

# 创建图像 resize 操作，将图像大小调整为 (512, 512)
trans_resize = transforms.Resize((512, 512))

# 图像 resize 操作：PIL 数据类型的 img -> resize -> PIL 数据类型的 img_resize
img_resize = trans_resize(img)

# 图像 resize 后再进行 totensor 操作：PIL 数据类型的 PIL -> totensor -> img_resize tensor
img_resize = trans_totensor(img_resize)

# 打印 resize 后的图像张量大小
print("resize 后图像张量的大小：", img_resize.size())  # PIL 数据类型的图片原始比例为 3×512×512，3 通道

# 将原始图像张量和 resize 后的图像张量添加到 TensorBoard 日志中
writer.add_image("img_tensor", img_tensor)
writer.add_image("img_resize", img_resize)

# 关闭 SummaryWriter，确保将日志写入到 TensorBoard 文件
writer.close()

 

3.3.2 Resize裁剪方法二
# 导入必要的库
from tensorboardX import SummaryWriter  # 用于 TensorBoard 可视化的库
from torchvision import transforms  # 用于图像转换的库
from PIL import Image  # Python Imaging Library，用于图像处理
import cv2  # OpenCV 库，用于计算机视觉任务

# 图像文件路径
img_path = "dataset/train/bees/174142798_e5ad6d76e0.jpg"

# 使用 PIL 库打开图像文件
img = Image.open(img_path)
print("原始图像信息：", img)  # PIL 类型的图片原始比例为 500×464

# 创建 TensorBoard 的 SummaryWriter 对象，用于记录日志和可视化
writer = SummaryWriter("logs")

# 创建图像转换操作，将 PIL 图像转换为 PyTorch 张量
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)

# 创建第二个图像 resize 操作，将图像大小调整为 (512, 512)
trans_resize_2 = transforms.Resize((512, 512))

# 使用 transforms.Compose 创建一个复合转换
trans_compose = transforms.Compose([trans_resize_2, trans_totensor])

# 应用复合转换到原始图像
img_composed = trans_compose(img)

# 打印复合转换后的图像张量大小
print("复合转换后图像张量的大小：", img_composed.size())  # PIL 数据类型的图片原始比例为 3×512×512，3 通道

# 将原始图像张量和复合转换后的图像张量添加到 TensorBoard 日志中
writer.add_image("img_tensor", img_tensor)
writer.add_image("img_composed", img_composed)

# 关闭 SummaryWriter，确保将日志写入到 TensorBoard 文件
writer.close()

原始图像信息： <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x289 at 0x29C5ABEFA48>
复合转换后图像张量的大小： torch.Size([3, 512, 512])

3.4 RandomCrop随即裁剪

3.4.1 Resize裁剪方法一
# 导入必要的库
from tensorboardX import SummaryWriter  # 用于 TensorBoard 可视化的库
from torchvision import transforms  # 用于图像转换的库
from PIL import Image  # Python Imaging Library，用于图像处理
import cv2  # OpenCV 库，用于计算机视觉任务

# 图像文件路径
img_path = "dataset/train/bees/174142798_e5ad6d76e0.jpg"

# 使用 PIL 库打开图像文件
img = Image.open(img_path)
print("原始图像信息：", img)

# 创建 TensorBoard 的 SummaryWriter 对象，用于记录日志和可视化
writer = SummaryWriter("logs")

# 创建图像转换操作，将 PIL 图像转换为 PyTorch 张量
tensor_trans = transforms.ToTensor()
img_tensor = tensor_trans(img)
# 将原始图像张量添加到 TensorBoard 日志中
writer.add_image("img_tensor", img_tensor)

# 创建随机裁剪转换操作，将图像大小裁剪为 (256, 256)
trans_random = transforms.RandomCrop(256)

# 使用 transforms.Compose 创建一个复合转换
trans_compose_2 = transforms.Compose([trans_random, tensor_trans])

# 多次应用复合转换，添加裁剪后的图像到 TensorBoard 日志中
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop", img_crop, i)
    print("裁剪后图像大小：", img_crop.size())

# 关闭 SummaryWriter，确保将日志写入到 TensorBoard 文件
writer.close()

原始图像信息： <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x289 at 0x181EC32FCC8>
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])
裁剪后图像大小： torch.Size([3, 256, 256])

注意：裁剪后的尺寸大小不能超过本身的长和宽

3.4.2 RandomCrop随即裁剪方式二
# 导入必要的库
from tensorboardX import SummaryWriter  # 用于 TensorBoard 可视化的库
from torchvision import transforms  # 用于图像转换的库
from PIL import Image  # Python Imaging Library，用于图像处理
import cv2  # OpenCV 库，用于计算机视觉任务

# 图像文件路径
img_path = "dataset/train/bees/132826773_dbbcb117b9.jpg"

# 使用 PIL 库打开图像文件
img = Image.open(img_path)
print("原始图像信息：", img)

# 创建 TensorBoard 的 SummaryWriter 对象，用于记录日志和可视化
writer = SummaryWriter("logs")

# 创建图像转换操作，将 PIL 图像转换为 PyTorch 张量
tensor_trans = transforms.ToTensor()
img_tensor = tensor_trans(img)
# 将原始图像张量添加到 TensorBoard 日志中
writer.add_image("img_tensor", img_tensor)

# 创建随机裁剪转换操作，将图像大小裁剪为 (312, 100)
trans_random = transforms.RandomCrop((100, 100))  # 指定随机裁剪的宽和高
trans_compose_2 = transforms.Compose([trans_random, tensor_trans])

# 多次应用复合转换，添加裁剪后的图像到 TensorBoard 日志中
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop", img_crop, i)
    print("裁剪后图像大小：", img_crop.size())

# 关闭 SummaryWriter，确保将日志写入到 TensorBoard 文件
writer.close()

原始图像信息： <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x334 at 0x17071CDFF88>
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])
裁剪后图像大小： torch.Size([3, 100, 100])

Charon_AC
关注
  • 14
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
pytorch快速入门文件
10-25
1）pytorch的介绍 2）pytorch的基本操作
第2章 PyTorch快速入门.rar
08-09
在提供的"PyTorch快速入门"课程中，你将看到如何通过Jupyter Notebook实现上述概念，并通过实例理解它们的工作原理。 总之，PyTorch提供了一个强大且灵活的平台，用于深度学习模型的构建和训练。通过深入学习本课程...
Pytorch快速入门
06-29
**PyTorch快速入门** PyTorch是一款由Facebook开发的开源深度学习框架，以其灵活性、易用性和强大的计算能力在学术界和工业界都受到了广泛欢迎。本教程旨在帮助初学者快速掌握PyTorch的基本语法，熟悉数据处理，并...
Pytorch 快速入门实战之 Fashionmnist
04-24
《PyTorch快速入门实战——FashionMNIST》 在深度学习领域，PyTorch是一款备受推崇的开源框架，尤其适合初学者进行机器学习和深度学习的实践。本教程以FashionMNIST数据集为例，旨在帮助新手快速掌握PyTorch的基本...
PyTorch框架入门PPT
10-28
《PyTorch框架入门PPT》是一份专为初学者设计的深度学习教程，它以PyTorch这一流行的人工智能框架为主要内容，旨在帮助学习者快速掌握PyTorch的基本概念和操作。PyTorch是Facebook公司开源的一个强大的深度学习平台...
PyTorch（七）模型的保存与加载
qq_45031509的博客
07-02 480
仅保存模型的参数（状态字典）是更加推荐的方式，因为它更加灵活和安全。但是，如果你想要快速保存和加载整个模型，不担心模型结构变化或安全问题，保存整个模型也是一个可行的选择。
【chatgpt】PyTorch中repeat方法用于沿指定的维度重复张量
最新发布
Never Give Up
07-03 367
repeat方法用于沿指定维度重复张量。它接受一个或多个整数参数，表示每个维度的重复次数。通过重复操作，可以扩展张量以匹配特定形状或进行广播操作。这些示例展示了如何使用repeat方法来重复和扩展张量，以满足不同的需求。
【chatgpt】 PyTorch中reshape和view
Never Give Up
07-03 390
view要求原始张量是连续的。如果不是连续的，需要先调用contiguous方法。在连续张量上非常高效，因为它不会复制数据，只是改变了视图。reshape更加灵活，可以处理非连续的张量。尝试返回一个共享数据的新张量，但如果不能实现，会创建一个新的张量并复制数据。在实际使用中，如果你确定你的张量是连续的，并且你不希望创建数据的副本，使用view会更高效。而如果你的张量可能是非连续的，或者你希望更加灵活地重塑张量，reshape会是更好的选择。
【chatgpt】 PyTorch 中view方法改变张量的形状,-1是特殊参数，用于自动推断维度的大小
Never Give Up
07-03 453
view方法用于重塑张量。-1作为参数表示自动推断该维度的大小，以确保新张量的总元素数量与原张量一致。通过使用view方法，可以方便地改变张量的形状，以满足不同的需求。
【chtagpt】pytorch中的方法对象和属性
Never Give Up
07-03 806
我们定义一个名为 的类，该类包含一个方法对象和一个属性： 属性和方法对象的区别 属性：属性是与对象相关的数据。在上面的例子中， 是一个属性，存储在对象中。你可以直接访问它，并且可以进行读取和修改。 方法对象：方法对象是与对象相关联的函数。在上面的例子中， 是一个方法对象，它操作对象的属性 。 PyTorch 张量中的属性和方法对象 在 PyTorch 中， 也有类似的属性和方法对象。以下是一些具体的例子： 进一步解释 属性：方法对象：通过这些示例，你可以更清楚地理解属性和方法对象的区别及其在 Py
pytorch 源码阅读(1)——torch.complie
哦豁灬
06-25 837
它通过 Python Frame Evaluation Hooks（Python 框架评估钩子）来实现这一目标，以便在运行时动态地生成和优化代码。这使得 TorchDynamo 可以有效地处理各种 Python 代码，包括包含控制流（如循环和条件语句）的代码，而无需进行任何修改。对于在编译区域内执行的每一帧，都会尝试编译，并将编译结果缓存到代码对象中，供将来使用。这个函数的作用是使用 TorchDynamo 和指定的后端优化给定的模型/函数，进行包装和参数配置的设置，最终会调用。，这个是用来进行调试的。
2小时动手学习扩散模型（pytorch版）【入门版】【代码讲解】
hallo128的博客
06-28 333
朋友们，我制作了一个初学者的扩散入门项目解读课程，写详细的项目说明文档花费了我较长的时间，会附赠给课程。这个项目是来源于一位粉丝的推荐huggingface的入门项目。所以就想着给零基础同学快速了解扩散模型的核心模块，有个整体框架的理解。知道扩散模型的改进和设计的核心模块。 主要针对：没有扩散模型项目经验的同学 如果已经有经验的同学，就不用购买了，这主要是针对入门的课程。感谢朋友们的支持
【PYG】dataloader和densedataloader
Never Give Up
06-30 421
创建环形图的邻接矩阵# 创建随机特征和标签y = torch.randn((self.num_nodes, 1)) # 每个节点一个标签# 创建环形图的邻接矩阵# 创建随机特征和标签y = torch.randn((self.num_nodes, 1)) # 每个节点一个标签# 参数设置num_samples = 100 # 样本数num_nodes = 10 # 每个图中的节点数num_node_features = 8 # 每个节点的特征数# 创建数据集。
动手学深度学习（Pytorch版）代码实践 -计算机视觉-44目标检测算法综述：R-CNN、SSD和YOLO
李思成的博客
06-28 869
R-CNN 是最早也是最有名的一类基于锚框和 CNN 的目标检测算法。Fast R-CNN 和 Faster R-CNN 持续提升性能。Faster R-CNN 和 Mask R-CNN 常用于高精度要求的场景，但速度相对较慢。速度快但精度较低。虽然作者没有持续提升，但 SSD 启发了一系列后续工作，实现上相对简单。SSD 通过单神经网络进行检测（single shot）。以像素为中心产生多个锚框，在多个层的输出上进行多尺度检测。
【pytorch10】统计属性
qq_45291280的博客
06-28 469
统计属性
【pytorch12】什么是梯度
qq_45291280的博客
07-01 826
什么是梯度
PyTorch（六）优化模型参数
qq_45031509的博客
07-02 431
c 目的 优化的目的已经拥有了一个「模型」和「数据」，是时候通过「优化模型参数」来训练、验证和测试模型。#d 迭代训练训练模型是一个迭代过程；在每次迭代中，模型对输出做出猜测，计算其猜测的误差（损失），收集误差相对于其参数的导数，并使用「梯度下降」来优化这些参数。
动手学深度学习（Pytorch版）代码实践 -计算机视觉-45多尺度目标检测
李思成的博客
06-28 334
【代码】动手学深度学习（Pytorch版）代码实践 -计算机视觉-45多尺度目标检测。
pytorch跑手写体实验
qq_40834643的博客
07-01 464
安装环境是比较难的点，均使用pip install。。指令进行依赖环境的安装，其他的比较简单。学习之所以会想睡觉，是因为那是梦开始的地方。ଘ(੭ˊᵕˋ)੭ （开心） ଘ(੭ˊᵕˋ)੭ （开心）ଘ(੭ˊᵕˋ)੭ （开心）ଘ(੭ˊᵕˋ)੭ （开心）ଘ(੭ˊᵕˋ)੭ （开心）------不写代码不会凸的小刘。
pytorch快速入门
05-27
好的，关于PyTorch的快速入门，我先介绍一下PyTorch的基础知识。 PyTorch是一个开源的机器学习框架，它基于Python语言，由Facebook AI Research开发，旨在为深度学习研究提供高度灵活性和效率。它的特点是易于使用...

“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 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
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