Pytorch快速入门（一）

最新推荐文章于 2024-07-24 15:22:35 发布
最新推荐文章于 2024-07-24 15:22:35 发布
阅读量886 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】2024 Pytorch基础入门教程（完整详细版）
炼丹笔记
09-11 11万+
Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。
pytorch快速入门教程
weixin_44360592的博客
04-07 2771
文章目录pytorch极简教程使用pytorch进行深度学习的一般步骤模型的构建数据的准备及预处理DatasetDataLoadertransforms模型的训练损失函数-loss优化器-optimizer模型的保存与恢复方法一：只恢复和保存模型的参数方法二：恢复和保存模型参数及网络结构提取和加载模型参数-模型的state_dict属性一个简单而完整的例子其它python/pytorch的两大学习法宝利用GPU可视化SummaryWritertqdm更快的构建顺序网络-Sequential pytorch极
Pytorch快速入门基本操作
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
02-06 1883
一. 数据集 二. Transforms的用法 三. 模型 四. 完整的模型训练及预测套路
【深度学习】PyTorch快速入门
qq_22328011的博客
08-14 1021
Pytorch快速入门
PyTorch基础入门教程
csdn1561168266的博客
04-29 1253
大家好，PyTorch这款由Facebook的人工智能研究实验室（FAIR）开发的开源机器学习库，已经成为深度学习领域的明星。PyTorch凭借动态计算图、GPU加速和强大的生态系统，深受研究者和开发者的广泛好评。本文将介绍PyTorch的相关知识，并辅以代码示例解释，通过这些内容帮助大家理解PyTorch，为进一步的学习和应用打下坚实的基础。
PyTorch深度学习快速入门
m0_72232218的博客
02-29 631
显示false是因为cuda下错版本了，要与自己的电脑对应起来。conda9.2以上要确保我们的驱动版本大于396.26。n表示name的意思，pytorch就是这个环境的名字。因为我们之后在不同的项目、代码需要的环境是不一样的。我们要先查询一下自己的驱动版本nvidia-smi。有的代码需要pytorch0.4、有的需要1.0。在命令行窗口看见base就是安装成功。但其中没有我们需要的pytorch。我们要检查显卡的驱动是否正确安装。python=3表示要安装的包。左边括号里面的就是环境的名称。
Pytorch入门
小琳猫的博客
02-28 2237
本篇博客参考Pytorch官方教程中文版和《Drive Into Deep Learning》Pytorch版对Pytorch和深度学习的基础知识进行总结，以便加深理解和记忆
PyTorch | 快速入门教程
木千之
07-14 2219
PyTorch作为日益受到学术界喜爱的一种深度学习实现框架，对应的各种技术书籍也如雨后春笋般涌入视线。然而由于PyTorch自身具有强大的功能实现和灵活的自定义控制，若想短时间内吃透也并非易事。PyTorch最好的学习方式之一莫过于边学边实践，一层含义是利用实时交互反馈的代码效果，立竿见影般将模块、方法功能与使用规范映入脑中；另一层含义则是遵循认知过程中循环上升模式，先建立对PyTorch基本功能的认知，然后在后续技术实践中逐步扩充、完善、加深对PyTorch技术框架的理解掌握。
Pytorch入门教程
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-08 3万+
Pytorch学习总结:1.张量Tensor 张量是一种特殊的数据结构，与数组和矩阵非常相似。在PyTorch中，我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量类似于NumPy的ndarray，除了张量可以在 GPU 或其他硬件加速器上运行。事实上，张量和NumPy数组通常可以共享相同的底层内存，从而无需复制数据。...
Pytorch 入门
mengxianglong123的博客
07-28 6220
我们首先定义一个Pytorch实现的神经网络#导入若干工具包importtorchimporttorch.nnasnnimporttorch.nn.functionalasF#定义一个简单的网络类classNet(nn.Module)模型中所有的可训练参数,可以通过net.parameters()来获得.假设图像的输入尺寸为32*32input=torch.randn(1,1,32,32)#4个维度依次为注意维度。...
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...
【AI】Pytorch 平台随机种子设置说明
最新发布
张哥频道：电生理信号和磁共振成像
07-24 161
Pytorch 平台随机种子设置说明
【PyTorch】单目标检测项目
Frost_Descent的博客
07-23 1805
将中央凹中心预测为眼睛图像中的x和y坐标，构建一个由多个卷积层和池化层组成的模型。 该模型将接收调整好的RGB图像，提供与中央凹坐标相对应的两个线性输出。模型将利用ResNet论文Deep Residual Learning for Image Recognition中介绍的skip connection跳跃连接技术。
【Pytorch实战教程】Pytorch中model.train()和model.eval()的作用
惊鸿若梦一书生
07-22 225
在 PyTorch 中，`model.train()` 和 `model.eval()` 用于设置模型的`训练模式`和`评估模式`，它们的作用主要涉及模型中的特定层如批归一化（Batch Normalization）和丢弃（Dropout）等。
用PyTorch从零开始编写DeepSeek-V2
deephub
07-23 4675
本文详细介绍了DeepSeek-V2语言模型，这是一个强大的开源混合专家（MoE）语言模型，采用创新的架构来提高训练和推理的经济性和效率。DeepSeek-V2采用了两种核心技术：细粒度专家分割和共享专家隔离，这两种策略显著提高了专家的专业化水平。此外，文章还介绍了多头隐性注意力（MLA），这是一种改进的注意力机制，通过低秩键值联合压缩和解耦旋转位置嵌入，优化了模型的存储和计算效率。除了理论探讨，我们通过编写代码实现DeepSeek-V2，可以更深入地理解其架构和工作原理。
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...
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