Tensorflow2实现常用的卷积神经网络

最新推荐文章于 2023-03-02 19:08:14 发布
最新推荐文章于 2023-03-02 19:08:14 发布
阅读量645 收藏 6
点赞数 1
分类专栏： Tensorflow学习笔记 文章标签： 神经网络 tensorflow 卷积 深度学习
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/FriendshipTang/article/details/113703297
版权
该博客展示了如何使用Tensorflow2实现四个著名的卷积神经网络模型：LeNet-5、AlexNet、VGG16和VGG19。每个模型的结构详细列出，包括卷积层、池化层、全连接层等关键组件。这些模型是深度学习图像识别领域的里程碑，对于理解卷积神经网络的构建和工作原理至关重要。
摘要由CSDN通过智能技术生成

Tensorflow2实现常用的卷积神经网络

LeNet

在这里插入图片描述

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
# LeNet-5
model = models.Sequential(name='LeNet-5')
model.add(layers.Conv2D(6, (5, 5), activation='sigmoid', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(16, (5, 5), activation='sigmoid'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(120, activation='sigmoid'))
model.add(layers.Dense(84, activation='sigmoid'))
model.add(layers.Dense(10,activation='softmax'))
model.summary()

在这里插入图片描述

AlexNet

在这里插入图片描述

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# AlexNet
model = models.Sequential(name='AlexNet')  
 
# model.add(layers.Conv2D(96,(11,11),strides=(4,4),input_shape=(in_shape[1],in_shape[2],in_shape[3]),
            # padding='same',activation='relu',kernel_initializer='uniform')) 

model.add(layers.Conv2D(96,(11,11),strides=(2,2),input_shape=(224,224,3),
            padding='same',activation='relu'))  
model.add(layers.MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
model.add(layers.Conv2D(256,(5,5),strides=(1,1),padding='same',activation='relu'))  
model.add(layers.MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
model.add(layers.Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu'))  
model.add(layers.Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu'))  
model.add(layers.Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu'))  
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2)))  
model.add(layers.Flatten())  
model.add(layers.Dense(2048,activation='relu'))  
model.add(layers.Dropout(0.5))  
model.add(layers.Dense(2048,activation='relu'))  
model.add(layers.Dropout(0.5))  
model.add(layers.Dense(10,activation='softmax')) 
model.summary()

在这里插入图片描述

VGG

在这里插入图片描述

VGG16

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# VGG16
model = models.Sequential(name='VGG16')  
model.add(layers.Conv2D(64,(3,3),input_shape=(224,224,3),
                        padding='same',activation='relu'))
model.add(layers.Conv2D(64,(3,3),input_shape=(224,224,3),
                        padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2))  
model.add(layers.Conv2D(128,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(128,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2)) 

model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2))

model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2))

model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2)) 

model.add(layers.Flatten())  
model.add(layers.Dense(4096,activation='relu'))  
model.add(layers.Dropout(0.2))  
model.add(layers.Dense(4096,activation='relu'))  
model.add(layers.Dropout(0.2))  
model.add(layers.Dense(1000,activation='relu'))  
model.add(layers.Dropout(0.2))  
model.add(layers.Dense(10,activation='softmax')) 
model.summary()

Model: "VGG16"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 224, 224, 64)      1792      
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 224, 224, 64)      36928     
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 112, 112, 64)      0         
_________________________________________________________________
dropout (Dropout)            (None, 112, 112, 64)      0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 112, 112, 128)     73856     
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 112, 112, 128)     147584    
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 56, 56, 128)       0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 56, 56, 128)       0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 56, 56, 256)       295168    
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 56, 56, 256)       590080    
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 56, 56, 256)       590080    
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 28, 28, 256)       0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 28, 28, 256)       0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 28, 28, 512)       1180160   
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 28, 28, 512)       2359808   
_________________________________________________________________
conv2d_9 (Conv2D)            (None, 28, 28, 512)       2359808   
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 14, 14, 512)       0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_10 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
conv2d_11 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
conv2d_12 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 7, 7, 512)         0         
_________________________________________________________________
dropout_4 (Dropout)          (None, 7, 7, 512)         0         
_________________________________________________________________
flatten (Flatten)            (None, 25088)             0         
_________________________________________________________________
dense (Dense)                (None, 4096)              102764544 
_________________________________________________________________
dropout_5 (Dropout)          (None, 4096)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 4096)              16781312  
_________________________________________________________________
dropout_6 (Dropout)          (None, 4096)              0         
_________________________________________________________________
dense_2 (Dense)              (None, 1000)              4097000   
_________________________________________________________________
dropout_7 (Dropout)          (None, 1000)              0         
_________________________________________________________________
dense_3 (Dense)              (None, 10)                10010     
=================================================================
Total params: 138,367,554
Trainable params: 138,367,554
Non-trainable params: 0
_________________________________________________________________

VGG19

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
# VGG19
model = models.Sequential(name='VGG19')  
model.add(layers.Conv2D(64,(3,3),input_shape=(224,224,3),
                        padding='same',activation='relu'))
model.add(layers.Conv2D(64,(3,3),input_shape=(224,224,3),
                        padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2))  
model.add(layers.Conv2D(128,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(128,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2)) 

model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(256,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2))

model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2)) 

model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))  
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.Conv2D(512,(3,3),padding='same',activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2),padding='same'))
model.add(layers.Dropout(0.2))

model.add(layers.Flatten())  
model.add(layers.Dense(4096,activation='relu'))  
model.add(layers.Dropout(0.2))  
model.add(layers.Dense(4096,activation='relu'))  
model.add(layers.Dropout(0.2))  
model.add(layers.Dense(1000,activation='relu'))  
model.add(layers.Dropout(0.2)) 
model.add(layers.Dense(10,activation='softmax')) 
model.summary()

Model: "VGG19"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 224, 224, 64)      1792      
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 224, 224, 64)      36928     
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 112, 112, 64)      0         
_________________________________________________________________
dropout (Dropout)            (None, 112, 112, 64)      0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 112, 112, 128)     73856     
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 112, 112, 128)     147584    
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 56, 56, 128)       0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 56, 56, 128)       0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 56, 56, 256)       295168    
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 56, 56, 256)       590080    
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 56, 56, 256)       590080    
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 56, 56, 256)       590080    
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 28, 28, 256)       0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 28, 28, 256)       0         
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 28, 28, 512)       1180160   
_________________________________________________________________
conv2d_9 (Conv2D)            (None, 28, 28, 512)       2359808   
_________________________________________________________________
conv2d_10 (Conv2D)           (None, 28, 28, 512)       2359808   
_________________________________________________________________
conv2d_11 (Conv2D)           (None, 28, 28, 512)       2359808   
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 14, 14, 512)       0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_12 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
conv2d_13 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
conv2d_14 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
conv2d_15 (Conv2D)           (None, 14, 14, 512)       2359808   
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 7, 7, 512)         0         
_________________________________________________________________
dropout_4 (Dropout)          (None, 7, 7, 512)         0         
_________________________________________________________________
flatten (Flatten)            (None, 25088)             0         
_________________________________________________________________
dense (Dense)                (None, 4096)              102764544 
_________________________________________________________________
dropout_5 (Dropout)          (None, 4096)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 4096)              16781312  
_________________________________________________________________
dropout_6 (Dropout)          (None, 4096)              0         
_________________________________________________________________
dense_2 (Dense)              (None, 1000)              4097000   
_________________________________________________________________
dropout_7 (Dropout)          (None, 1000)              0         
_________________________________________________________________
dense_3 (Dense)              (None, 10)                10010     
=================================================================
Total params: 143,677,250
Trainable params: 143,677,250
Non-trainable params: 0
_________________________________________________________________
FriendshipT
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
基于tensorflow2实现卷积神经网络
ZhouQiYoung的博客
04-25 1101
利用tensorflow2中的api实现一个简单的卷积神经网络，完成梯度下降的操作并绘制训练集和测试集准确率曲线。 数据分布：训练集数量为209，测试集数量为50 import numpy as np import matplotlib.pyplot as plt import tensorflow as tf from tensorflow import keras from tensorflo...
​TensorFlow 2.0 模型：卷积神经网络
weixin_40920183的博客
10-14 472
文 /李锡涵，Google Developers Expert本文节选自《简单粗暴 TensorFlow 2.0》本篇文章则以在图像领域常用的卷积神经网络为主题，介绍以下内容：如何使...
用Tensorflow2搭建经典的卷积神经网络（LeNet,AlexNet,VGG16,ResNet50）
QianLong_的博客
06-18 1401
最近看了卷积神经网络的一些经典论文，用Tensorflow2进行了复现，其中包括LeNet,AlexNet,VGG16,ResNet50,并且在数据集上进行了测试，能够正常训练，结果表明搭建的没有问题。 下面进入正题： import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import numpy as np import matplotlib.pyplot as plt %matpl
TensorFlow 2.0 模型：卷积神经网络
zkbaba的博客
09-23 2878
在 上一篇文章 里，我们以多层感知机（Multilayer Perceptron）为例，总体介绍了 TensorFlow 2.0 的模型构建、训练、评估全流程。 本篇文章则以在图像领域常用的卷积神经网络为主题，介绍以下内容： 如何使用 tf.keras 构建卷积神经网络模型； 如何在自己的项目中快速载入并使用经典的卷积神经网络模型； 为深度学习的入门者简介 卷积层 和 池化层 的原理。 使用 tf...
tensorflow2.0(二)----卷积神经网络(CNN)
weixin_43648821的博客
12-01 383
使用Keras实现卷积神经网络 class CNN(tf.keras.Model): def __init__(self): super().__init__() self.conv1 = tf.keras.layers.Conv2D( filters = 32, kernel_size=[5,5], padding = 'same', activation = tf.nn.relu) self.pool1 = tf.keras.layers.MaxPool2D(poo
Tensorflow2.0 卷积神经网络
Xpy_021101的博客
03-02 274
3层神经网络 ，括号中的第一个参数表示神经元的数量，最后一个有10个单元，因为数据集中有10类标签，这里应该匹配，第一层是一个扁平层输入的形状是28x28，因为我们的图像就是28x28，扁平化是将这个28x28的正方形变成一个简单的线性阵列，中间一层是隐藏层有128个神经元。conv卷积层，要求Keras为我们生成64个过滤器，过滤器是3x3，激活函数是Relu，意味着负值会被丢弃，最后输入形状和之前一样为28x28，通道是1，即灰度图像。优化器是sgd，代表随机梯度下降，损失函数是均方误差。
基于tensorflow2.0实现图卷积神经网络GCN.zip
08-22
图卷积神经网络(GCN)理解与 tensorflow2.0 代码实现 图(Graph)，一般用 G = ( V , E ) G=(V,E)G=(V,E) 表示，这里的V VV是图中节点的集合，E EE 为边的集合，节点的个数用N NN表示。在一个图中，有三个比较重要的...
tensorflow实现简单的卷积神经网络
12-24
1. 卷积神经网络出现的初衷是降低对图像的预处理，避免建立复杂的特征工程。因为卷积神经网络在训练的过程中，自己会提取特征。 2. 灵感来自于猫的视觉皮层研究，每一个视觉神经元只会处理一小块区域的视觉图像，...
卷积神经网络验证码识别tensorflow实现
07-14
在这个“卷积神经网络验证码识别tensorflow实现”的项目中，我们使用了CNN来解决四位数字和字母组成的验证码识别问题。验证码识别是计算机视觉领域的一个常见任务，它有助于防止自动化机器人和恶意软件对网站的滥用...
基于 python+tensorflow2.x卷积神经网络的寻迹小车实现
最新发布
07-11
【作品名称】：基于 python+tensorflow2.x卷积神经网络的寻迹小车实现 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】...
Tensorflow2.0 利用卷积神经网络实现简单的验证码识别
qq_43762574的博客
03-20 2160
原文地址 0x01 验证码生成及预处理 验证码的内容是10个数字0~9，小写英文字母和大写英文字母，所以总的字符量为62种 number = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9'] alphabet = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', '...
python用TensorFlow 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估
大数据部落
04-18 2275
原文链接：http://tecdat.cn/?p=26230 原文出处：拓端数据部落公众号 什么是CNN 本文演示了如何训练一个简单的卷积神经网络 (CNN) 来对 图像进行分类。 ConvolutionalNeuralNetworks（ConvNets 或 CNNs）是一类神经网络，已被证明在图像识别和分类等领域非常有效。与传统的多层感知器架构不同，它使用两个称为convolution和pooling的操作将图像简化为其基本特征，并使用这些特征来理解和分类图像。 C......
Tensorflow2——卷积神经网络的搭建
weixin_45392405的博客
05-09 2210
Tensorflow2卷积神经网络的搭建卷积神经网络Fasion_minst识别卷积神经网络搭建代码 卷积神经网络 1、卷积神经网络 CNN最大的特点就是在于卷积的权值共享，利用空间结构减少学习的参数量，防止过拟合的同时减少计算量。在卷积神经网络中，第一个卷积层直接接受图像像素级的输入，卷积之后传给后面的网络，每一层的卷积操作相当于滤波器，对图像进行特征提取，原则上可保证尺度，平移和旋转不变性。 一般的卷积网络包含一下操作： （1）卷积。图像通过不同卷积核卷积并且加偏置（bias），提取局部特征，每一个卷积
tensorflow2.0之卷积神经网络
qq_44971458的博客
07-04 2184
tf.keras实现卷积神经网络 Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。 Keras可以很明确的定义了层的概念，反过来层与层之间的参数反倒是用户不需要关心的对象，所以构建神经网络的方法对于普通开发者来说，相对tensorflow，Keras更易上手。 并且Keras也是tensorflow官方在tensorflow2.0开始极力推荐使用的。 卷积神经网络（Convolutional Neural Ne
TensorFlow2利用Cifar10数据集实现卷积神经网络
bigcindy的博客
06-22 1884
1. 导入所需的库 import tensorflow as tf import matplotlib.pyplot as plt for i in [tf]: print(i.__name__,": ",i.__version__,sep="") 输出： tensorflow: 2.2.0 2. 下载并导入数据cifar10数据集 (train_images, train_labels),(test_images, test_labels) = tf.keras.datasets
tebsorflow2.0 卷积神经网络的实现实例
安静到无声
05-08 1089
本实例主要介绍 利用tf.data读取图片的方法 卷积神经网络的构建 训练以及测试 1. 数据集介绍 本文的应用场景是对于卫星图片数据的分类，图片总共1400张，分为airplane和lake两类，也就是一个二分类的问题，所有的图片已经分别放置在2_class文件夹下的两个子文件夹中。数据集–提取码：7qb0 2. 加载图片 在该过程主要分为两个部分，第一个步骤是读取文件所在的路径，第二个步骤...
CS231n系列课程Lecture 7: Convolutional Neural Networks
Felaim的博客
05-08 1260
贴出课程PPT和视频链接: https://pan.baidu.com/s/1c2H2k9a 密码: ye4nConvolution Layer（卷积层）哈哈，先贴出张卷积层的工作原理图。假设我们接收到的图片式32×32×3的图片，长为32，宽为32，3代表是rgb三通道，右侧有个小长方体，尺寸为5×5×3，5×5代表的是卷积核的大小，有些时候也称卷积核为滤波器，这些说法都是通用的，值得注意的是卷积
TensorFlow2.0 卷积神经网络CNN预测sin函数
scueee的博客
03-01 816
以sin函数为例，使用CNN预测时间序列数据 代码 # CNN import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense,Flatten,Reshape,Dropout,Activation from tensorflow.keras.layers import Conv2D,MaxPooling2D from tensorflow.ker
TensorFlow实战：卷积神经网络详解与实现教程
本文将深入探讨如何在TensorFlow中实战实现卷积神经网络(CNN)。卷积神经网络起源于19世纪60年代对猫视觉皮层的研究，科学家们观察到每个神经元专注于图像的局部区域，这就是感受野的概念。20世纪80年代，日本科学家...
评论 2
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

FriendshipT

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