PyTorch 中自定义数据集的读取方法小结

最新推荐文章于 2024-08-10 22:14:14 发布
最新推荐文章于 2024-08-10 22:14:14 发布
阅读量1.7k 收藏 15
点赞数
分类专栏： CNN 卷积神经网络

PyTorch 中自定义数据集的读取方法小结

作者: PyTorch 中文网 发布: 2018年9月20日 5,922阅读 0评论

虽然说网上关于 PyTorch 数据集读取的文章和教程多的很，但总觉得哪里不对，尤其是对新手来说，可能需要很长一段时间来钻研和尝试。所以这里我们 PyTorch 中文网为大家总结常用的几种自定义数据集（Custom Dataset）的读取方式（采用 Dataloader）。

本文将涉及以下几个方面：

  • 自定义数据集基础方法
  • 使用 Torchvision Transforms
  • 换一种方法使用 Torchvision Transforms
  • 结合 Pandas 读取 csv 文件
  • 结合 Pandas 使用 __getitem__()
  • 使用 Dataloader 读取自定义数据集

文章目录 [隐藏]

自定义数据集基础方法

首先要创建一个 Dataset 类：

from torch.utils.data.dataset import Dataset class MyCustomDataset(Dataset): def __init__(self, ...): # stuff def __getitem__(self, index): # stuff return (img, label) def __len__(self): return count

1

2

3

4

5

6

7

8

9

10

11

12

from torch.utils.data.dataset import Dataset

 

class MyCustomDataset(Dataset):

    def __init__(self, ...):

        # stuff

        

    def __getitem__(self, index):

        # stuff

        return (img, label)

 

    def __len__(self):

        return count

这个代码中：

  • __init__() 一些初始化过程写在这里
  • __len__() 返回所有数据的数量
  • __getitem__() 返回数据和标签，可以这样显示调用：

img, label = MyCustomDataset.__getitem__(99)

1

img, label = MyCustomDataset.__getitem__(99)

使用 Torchvision Transforms

Transform 最常见的使用方法是：

from torch.utils.data.dataset import Dataset from torchvision import transforms class MyCustomDataset(Dataset): def __init__(self, ..., transforms=None): # stuff ... self.transforms = transforms def __getitem__(self, index): # stuff ... data = # 一些读取的数据 if self.transforms is not None: data = self.transforms(data) # 如果 transform 不为 None，则进行 transform 操作 return (img, label) def __len__(self): return count if __name__ == \'__main__\': # 定义我们的 transforms (1) transformations = transforms.Compose([transforms.CenterCrop(100), transforms.ToTensor()]) # 创建 dataset custom_dataset = MyCustomDataset(..., transformations)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

from torch.utils.data.dataset import Dataset

from torchvision import transforms

 

class MyCustomDataset(Dataset):

    def __init__(self, ..., transforms=None):

        # stuff

        ...

        self.transforms = transforms

        

    def __getitem__(self, index):

        # stuff

        ...

        data = # 一些读取的数据

        if self.transforms is not None:

            data = self.transforms(data)

        # 如果 transform 不为 None，则进行 transform 操作

        return (img, label)

 

    def __len__(self):

        return count

        

if __name__ == \'__main__\':

    # 定义我们的 transforms (1)

    transformations = transforms.Compose([transforms.CenterCrop(100), transforms.ToTensor()])

    # 创建 dataset

    custom_dataset = MyCustomDataset(..., transformations)

 

换一种方法使用 Torchvision Transforms

有些人不喜欢把 transform 操作写在 Dataset 外面（上面代码里的注释 1），所以还有一种写法：

from torch.utils.data.dataset import Dataset from torchvision import transforms class MyCustomDataset(Dataset): def __init__(self, ...): # stuff ... # (2) 一种方法是单独定义 transform self.center_crop = transforms.CenterCrop(100) self.to_tensor = transforms.ToTensor() # (3) 或者写成下面这样 self.transformations = \ transforms.Compose([transforms.CenterCrop(100), transforms.ToTensor()]) def __getitem__(self, index): # stuff ... data = #一些读取的数据 # 当第二次调用 transform 时，调用的是 __call__() data = self.center_crop(data) # (2) data = self.to_tensor(data) # (2) # 或者写成下面这样 data = self.trasnformations(data) # (3) # 注意 (2) 和 (3) 中只需要实现一种 return (img, label) def __len__(self): return count if __name__ == \'__main__\': custom_dataset = MyCustomDataset(...)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

from torch.utils.data.dataset import Dataset

from torchvision import transforms

 

class MyCustomDataset(Dataset):

    def __init__(self, ...):

        # stuff

        ...

        # (2) 一种方法是单独定义 transform

        self.center_crop = transforms.CenterCrop(100)

        self.to_tensor = transforms.ToTensor()

        

        # (3) 或者写成下面这样

        self.transformations = \

            transforms.Compose([transforms.CenterCrop(100),

                                transforms.ToTensor()])

        

    def __getitem__(self, index):

        # stuff

        ...

        data = #一些读取的数据

        

        # 当第二次调用 transform 时，调用的是 __call__()

        data = self.center_crop(data)  # (2)

        data = self.to_tensor(data)  # (2)

        

        # 或者写成下面这样

        data = self.trasnformations(data)  # (3)

        

        # 注意 (2) 和 (3) 中只需要实现一种

        return (img, label)

 

    def __len__(self):

        return count

        

if __name__ == \'__main__\':

    custom_dataset = MyCustomDataset(...)

 

结合 Pandas 读取 csv 文件

假如说我们想从一个 csv 文件中用 Pandas 读取数据。一个 csv 示例如下：

File NameLabelExtra Operation
tr_0.png5TRUE
tr_1.png0FALSE
tr_1.png4FALSE

如果我们需要在自定义数据集里从这个 csv 文件读取文件名，可以这样做：

class CustomDatasetFromImages(Dataset): def __init__(self, csv_path): """ Args: csv_path (string): csv 文件路径 img_path (string): 图像文件所在路径 transform: transform 操作 """ # Transforms self.to_tensor = transforms.ToTensor() # 读取 csv 文件 self.data_info = pd.read_csv(csv_path, header=None) # 文件第一列包含图像文件的名称 self.image_arr = np.asarray(self.data_info.iloc[:, 0]) # 第二列是图像的 label self.label_arr = np.asarray(self.data_info.iloc[:, 1]) # 第三列是决定是否进行额外操作 self.operation_arr = np.asarray(self.data_info.iloc[:, 2]) # 计算 length self.data_len = len(self.data_info.index) def __getitem__(self, index): # 从 pandas df 中得到文件名 single_image_name = self.image_arr[index] # 读取图像文件 img_as_img = Image.open(single_image_name) # 检查需不需要额外操作 some_operation = self.operation_arr[index] # 如果需要额外操作 if some_operation: # ... # ... pass # 把图像转换成 tensor img_as_tensor = self.to_tensor(img_as_img) # 得到图像的 label single_image_label = self.label_arr[index] return (img_as_tensor, single_image_label) def __len__(self): return self.data_len if __name__ == "__main__": custom_mnist_from_images = \ CustomDatasetFromImages(\'../data/mnist_labels.csv\')

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

class CustomDatasetFromImages(Dataset):

    def __init__(self, csv_path):

        """

        Args:

            csv_path (string): csv 文件路径

            img_path (string): 图像文件所在路径

            transform: transform 操作

        """

        # Transforms

        self.to_tensor = transforms.ToTensor()

        # 读取 csv 文件

        self.data_info = pd.read_csv(csv_path, header=None)

        # 文件第一列包含图像文件的名称

        self.image_arr = np.asarray(self.data_info.iloc[:, 0])

        # 第二列是图像的 label

        self.label_arr = np.asarray(self.data_info.iloc[:, 1])

        # 第三列是决定是否进行额外操作

        self.operation_arr = np.asarray(self.data_info.iloc[:, 2])

        # 计算 length

        self.data_len = len(self.data_info.index)

 

    def __getitem__(self, index):

        # 从 pandas df 中得到文件名

        single_image_name = self.image_arr[index]

        # 读取图像文件

        img_as_img = Image.open(single_image_name)

 

        # 检查需不需要额外操作

        some_operation = self.operation_arr[index]

        # 如果需要额外操作

        if some_operation:

            # ...

            # ...

            pass

        # 把图像转换成 tensor

        img_as_tensor = self.to_tensor(img_as_img)

 

        # 得到图像的 label

        single_image_label = self.label_arr[index]

 

        return (img_as_tensor, single_image_label)

 

    def __len__(self):

        return self.data_len

 

if __name__ == "__main__":

    custom_mnist_from_images =  \

        CustomDatasetFromImages(\'../data/mnist_labels.csv\')

 

结合 Pandas 使用 __getitem__()

另一种情况是 csv 文件中保存了我们需要的图像文件的像素值（比如有些 MNIST 教程就是这样的）。我们需要改动一下 __getitem__() 函数。

Labelpixel_1pixel_2…
15099…
021223…
944112…

代码如下：

class CustomDatasetFromCSV(Dataset): def __init__(self, csv_path, height, width, transforms=None): """ Args: csv_path (string): csv 文件路径 height (int): 图像高度 width (int): 图像宽度 transform: transform 操作 """ self.data = pd.read_csv(csv_path) self.labels = np.asarray(self.data.iloc[:, 0]) self.height = height self.width = width self.transforms = transform def __getitem__(self, index): single_image_label = self.labels[index] # 读取所有像素值，并将 1D array ([784]) reshape 成为 2D array ([28,28]) img_as_np = np.asarray(self.data.iloc[index][1:]).reshape(28,28).astype(\'uint8\') # 把 numpy array 格式的图像转换成灰度 PIL image img_as_img = Image.fromarray(img_as_np) img_as_img = img_as_img.convert(\'L\') # 将图像转换成 tensor if self.transforms is not None: img_as_tensor = self.transforms(img_as_img) # 返回图像及其 label return (img_as_tensor, single_image_label) def __len__(self): return len(self.data.index) if __name__ == "__main__": transformations = transforms.Compose([transforms.ToTensor()]) custom_mnist_from_csv = \ CustomDatasetFromCSV(\'../data/mnist_in_csv.csv\', 28, 28, transformations)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

class CustomDatasetFromCSV(Dataset):

    def __init__(self, csv_path, height, width, transforms=None):

        """

        Args:

            csv_path (string): csv 文件路径

            height (int): 图像高度

            width (int): 图像宽度

            transform: transform 操作

        """

        self.data = pd.read_csv(csv_path)

        self.labels = np.asarray(self.data.iloc[:, 0])

        self.height = height

        self.width = width

        self.transforms = transform

 

    def __getitem__(self, index):

        single_image_label = self.labels[index]

        # 读取所有像素值，并将 1D array ([784]) reshape 成为 2D array ([28,28])

        img_as_np = np.asarray(self.data.iloc[index][1:]).reshape(28,28).astype(\'uint8\')

# 把 numpy array 格式的图像转换成灰度 PIL image

        img_as_img = Image.fromarray(img_as_np)

        img_as_img = img_as_img.convert(\'L\')

        # 将图像转换成 tensor

        if self.transforms is not None:

            img_as_tensor = self.transforms(img_as_img)

        # 返回图像及其 label

        return (img_as_tensor, single_image_label)

 

    def __len__(self):

        return len(self.data.index)

        

 

if __name__ == "__main__":

    transformations = transforms.Compose([transforms.ToTensor()])

    custom_mnist_from_csv = \

        CustomDatasetFromCSV(\'../data/mnist_in_csv.csv\', 28, 28, transformations)

使用 Dataloader 读取自定义数据集

PyTorch 中的 Dataloader 只是调用 __getitem__() 方法并组合成 batch，我们可以这样调用：

... if __name__ == "__main__": # 定义 transforms transformations = transforms.Compose([transforms.ToTensor()]) # 自定义数据集 custom_mnist_from_csv = \ CustomDatasetFromCSV(\'../data/mnist_in_csv.csv\', 28, 28, transformations) # 定义 data loader mn_dataset_loader = torch.utils.data.DataLoader(dataset=custom_mnist_from_csv, batch_size=10, shuffle=False) for images, labels in mn_dataset_loader: # 将数据传给网络模型

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

...

if __name__ == "__main__":

    # 定义 transforms

    transformations = transforms.Compose([transforms.ToTensor()])

    # 自定义数据集

    custom_mnist_from_csv = \

        CustomDatasetFromCSV(\'../data/mnist_in_csv.csv\',

                             28, 28,

                             transformations)

    # 定义 data loader

    mn_dataset_loader = torch.utils.data.DataLoader(dataset=custom_mnist_from_csv,

                                                    batch_size=10,

                                                    shuffle=False)

    

    for images, labels in mn_dataset_loader:

        # 将数据传给网络模型

需要注意的是使用多卡训练时，PyTorch dataloader 会将每个 batch 平均分配到各个 GPU。所以如果 batch size 过小，可能发挥不了多卡的效果。

baobei0112
关注
专栏目录
自定义数据集读取_CodingPark编程公园
CodingPark 编程公园
10-27 266
pytorch中继承Dataset自定义数据集读取
PyTorch深度学习实战（26）——多对象实例分割
盼小辉丶的博客
02-12 1911
Detectron2 支持一系列与目标检测和人体姿态估计等相关的任务，此外，Detectron2 还增加了对语义分割和全景分割的支持。通过利用 Detectron2，我们能够通过使用少量代码构建目标检测、分割和姿态估计模型。在本节中，我们将介绍如何从 Google 开放图像数据集中获取数据，将数据转换为 Detectron2 可接受的 COCO 格式，并训练模型执行实例分割，最后，介绍如何使用训练后的模型对新图像进行推理。
pytorch: 自定义数据集加载
吕爽
08-04 2万+
pytorch: 自定义数据集加载 pytorch: 自定义数据集加载 torch.utils.data 自定义数据集 自定义数据集加载器 Reference pytorch 官网给出的例子中都是使用了已经定义好的特殊数据集接口来加载数据，而且其使用的数据都是官方给出的数据。如果我们有自己收集的数据集，如何用来训练网络呢？此时需要我们自己定义好数据处理接口。幸运的是pyt...
PyTorch 数据读取
最新发布
m0_47239466的博客
08-10 170
3、 使用dataload才能进行epoach(固定流程）2、查看数据集及标签。
pytorch 之 自定义 DataSet
weixin_29623555的博客
11-03 1073
为啥要自定义DataSet 【官话】 为了规范化数据处理流程，对数据加载模块进行适度封装，从而增强代码的 可读性 。 如果是写demo，就不必要搞这么麻烦，get_input_data 函数就可以搞定的事情，增加DataSet和DataLoader就显得非常冗余了 【闲话】 当你写开源代码的时候，如果没有一个规范化流程，别人读起来也会很困难，内心便开始OS：垃圾代码。或许由此就少了1K+...
pytorch自定义DataSet
weixin_43559672的博客
11-25 695
例1 import torch.utils.data as Data class TrainData(Data.Dataset): def __init__(self, data): self.data = data self.len = 10 def __len__(self): return self.len def __getitem__(self, index): # index的取值为[0, len]，
pytorch自定义Dataset
梦想闹钟
10-26 2005
pytorch自定义Dataset介绍，以及中途遇到的两个坑
如何用Pytorch读取自己的数据集
yolov4的博客
04-14 1万+
在训练经典的数据集如cifar10,minsit等，可以用官方自带的数据集格式几行就写出来，如果是自己下载的数据集，那么我们应该如何用pytorch来读取呢？其实是有模板可以直接仿照着写的。 本次案例采用的是pokeman数据集，并用该数据集进行分类。该数据如下所示： 其中文件夹的名字便是标签。数据集大小划分为：皮卡丘 234、超梦239、杰尼龟223、小火龙 238、妙蛙种子234张图。 在...
pytorch初学习小结(一）
weixin_44750371的博客
04-22 1057
1、Python导入模块的常用形式 在不同的代码中，我们常会看到模块导入部分也不太一样，下面就总结一下这些常用的形式： 1、import 模块名 在程序中直接通过 模块名.函数名 就可以调用。 Example: import math s=math.sqrt(25） 2、from 模块名 import * 使用这种方法导入模块，可以直接通过函数名调用模块里的方法，不再需要模块名.函数名。 Exa...
PyTorch深度学习实战（21）——从零开始实现Faster R-CNN目标检测
盼小辉丶的博客
10-16 3540
Faster R-CNN 提出了一种全新的目标检测框架，将候选框生成和目标分类合并到一个网络中，实现了端到端的训练，可以同时优化候选框生成和目标分类任务，提高了检测的准确性和效率。同时，利用共享的卷积特征可以加速特征提取的计算，进一步提高了检测速度。在本节中，将介绍 Faster R-CNN 的工作原理，然后在自定义数据集上训练 Faster R-CNN 目标检测模型。
pytorch来处理音频数据流程
独孤东方朔的博客
11-25 1827
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录前言一、引入必要的库和GPU二、加载所需要的数据集合数据集的格式说明构建Dataset总结 前言 pytorch音频数据处理流程 一、引入必要的库和GPU %matplotlib inline !pip install torch==1.7.0+cu101 torchvis
pytorch自定义dataset
qq_48345413的博客
11-05 197
pytorch自定义dataset 文章目录pytorch自定义dataset 记录一下进程 经过一晚上的尝试，代码如下： import os import numpy as np from PIL import Image from torch.utils.data import DataLoader import cv2 import torch from torch.utils.data import Dataset from torchvision import transforms c
pytorch 自定义dataset
qq_40107571的博客
08-08 1014
代码】pytorch dataset的配置。
【Pytorch】自定义Dataset
我的博客
03-04 1124
本文介绍简单的自定义Dataset，供模板使用
Pytorch---Pytorch进行自定义Dataset
qq_44961869的博客
06-21 1869
Pytorch进行自定义Dataset
日常学习记录——读取自定义数据集
weixin_39276221的博客
04-20 1663
sklearn读取自定义数据集 import csv from sklearn.utils import Bunch # 读取西瓜数据集 def readWatermelonDataSet(): FeatureNames = [] FeatureList = [] LabelList = [] ifile = open("E:\My Word\study\RL0314\data.csv", "r") reader = csv.reader(ifile) c
使用pytorch自定义dataset
qq_42330148的博客
12-05 674
使用pytorch自定义dataset
Pytorch自定义加载数据--自定义Dataset
热门推荐
xuan_liu123的博客
09-22 4万+
Pytorch自定义Dataset1. 自定义加载数据1.1. 第一种 Dataset class1.2. 第二种 torchvision 1. 自定义加载数据 在学习Pytorch的教程时，加载数据许多时候都是直接调用torchvision.datasets里面集成的数据集，直接在线下载，然后使用torch.utils.data.DataLoader进行加载。 那么，我们怎么使用我们自己的数据集...
【自学 PyTorch 】第二课 —— 【代码实战记录】PyTorch 数据集读取完整代码
weixin_42306148的博客
07-30 333
PyTorch 数据集读取完整代码一、代码二、理解参考内容 写一个系列代码实战，争取每天都更。 倒逼自己赶紧提升写 Python 代码的手感。 一、代码 import os from PIL import Image from torch.utils.data import Dataset class Nemo(Dataset): def __init__(self, root_dir, label_dir): self.root_dir = root_dir
pytorch读取自定义数据集
08-06
### 回答1： 在 PyTorch 中读取自定义数据集的一般步骤如下： 1. 定义数据集类：首先需要定义一个数据集类，继承自 `torch.utils.data.Dataset` 类，并实现 `__getitem__` 和 `__len__` 方法。在 `__getitem__` 方法中，根据索引返回一个样本的数据和标签。 2. 加载数据集：使用 `torch.utils.data.DataLoader` 类加载数据集，可以设置批量大小、多线程读取数据等参数。 下面是一个简单的示例代码，演示如何使用 PyTorch 读取自定义数据集： ```python import torch from torch.utils.data import Dataset, DataLoader class CustomDataset(Dataset): def __init__(self, data, targets): self.data = data self.targets = targets def __getitem__(self, index): x = self.data[index] y = self.targets[index] return x, y def __len__(self): return len(self.data) # 加载训练集和测试集 train_data = ... train_targets = ... train_dataset = CustomDataset(train_data, train_targets) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) test_data = ... test_targets = ... test_dataset = CustomDataset(test_data, test_targets) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False) # 训练模型 for epoch in range(num_epochs): for batch_idx, (data, targets) in enumerate(train_loader): # 前向传播、反向传播，更新参数 ... ``` 在上面的示例代码中，我们定义了一个 `CustomDataset` 类，加载了训练集和测试集，并使用 `DataLoader` 类分别对它们进行批量读取。在训练模型时，我们可以像使用 PyTorch 自带的数据集一样，循环遍历每个批次的数据和标签，进行前向传播、反向传播等操作。 ### 回答2： PyTorch是一个开源的深度学习框架，它提供了丰富的功能用于读取和处理自定义数据集。下面是一个简单的步骤来读取自定义数据集。 首先，我们需要定义一个自定义数据集类，该类应继承自`torch.utils.data.Dataset`类，并实现`__len__`和`__getitem__`方法。`__len__`方法应返回数据集的样本数量，`__getitem__`方法根据给定索引返回一个样本。 ```python import torch from torch.utils.data import Dataset class CustomDataset(Dataset): def __init__(self, data): self.data = data def __len__(self): return len(self.data) def __getitem__(self, idx): sample = self.data[idx] return torch.tensor(sample) ``` 接下来，我们可以创建一个数据集实例并传入自定义数据。假设我们有一个包含多个样本的列表 `data`。 ```python data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] dataset = CustomDataset(data) ``` 然后，我们可以使用`torch.utils.data.DataLoader`类加载数据集，并指定批次大小、是否打乱数据等。 ```python batch_size = 2 dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True) ``` 现在，我们可以迭代数据加载器来获取批次的样本。 ```python for batch in dataloader: print(batch) ``` 上面的代码将打印出两个批次的样本。如果`shuffle`参数设置为`True`，则每个批次的样本将是随机的。 总而言之，PyTorch提供了简单而强大的工具来读取和处理自定义数据集，可以根据实际情况进行适当修改和扩展。 ### 回答3： PyTorch是一个流行的深度学习框架，可以用来训练神经网络模型。要使用PyTorch读取自定义数据集，可以按照以下几个步骤进行： 1. 准备数据集：将自定义数据集组织成合适的目录结构。通常情况下，可以将数据集分为训练集、验证集和测试集，每个集合分别放在不同的文件夹中。确保每个文件夹中的数据按照类别进行分类，以便后续的标签处理。 2. 创建数据加载器：在PyTorch中，数据加载器是一个有助于有效读取和处理数据的类。可以使用`torchvision.datasets.ImageFolder`类创建一个数据加载器对象，通过传入数据集的目录路径来实现。 3. 数据预处理：在将数据传入模型之前，可能需要对数据进行一些预处理操作，例如图像变换、标准化或归一化等。可以使用`torchvision.transforms`中的类来实现这些预处理操作，然后将它们传入数据加载器中。 4. 创建数据迭代器：数据迭代器是连接数据集和模型的重要接口，它提供了一个逐批次加载数据的功能。可以使用`torch.utils.data.DataLoader`类创建数据迭代器对象，并设置一些参数，例如批量大小、是否打乱数据等。 5. 使用数据迭代器：在训练时，可以使用Python的迭代器来遍历数据集并加载数据。通常，它会在每个迭代步骤中返回一个批次的数据和标签。可以通过`for`循环来遍历数据迭代器，并在每个步骤中处理批次数据和标签。 这样，我们就可以在PyTorch中成功读取并处理自定义数据集。通过这种方式，我们可以更好地利用PyTorch的功能来训练和评估自己的深度学习模型。
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