ubuntu16.04+anaconda3+cuda10.1+cudnn7.6.4+pytorch1.5.1踩坑记录

最新推荐文章于 2022-07-05 15:08:31 发布
最新推荐文章于 2022-07-05 15:08:31 发布
阅读量1.1k 收藏 9
点赞数 1
分类专栏： pytorch 文章标签： python
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/gaoyong_cs/article/details/107512988
版权

ubuntu16.04+anaconda3+cuda10.1+cudnn7.6.4+pytorch1.5.1踩坑记录

记录原因

按照CSDN上的安装教程安装pytorch框架，踩坑无数，记录一下，便于以后查询

1、安装NVIDIA驱动

这一步比较常见，参考以下博客完成安装：
链接: https://blog.csdn.net/m0_38007695/article/details/103456043

2、安装环境失败原因分析

网上安装cuda的教程非常多，按照流程安装后，进行测试时无法成功调用cuda。

In [1]: import torch                                                                        
In [2]: import torchvision                                                                    
In [3]: print(torch.cuda.is_available())                                                      
False

一度使我非常困扰，查询cuda、cudnn、以及Nvidia版本对应，没有问题。

软件版本
Nvidia driver430.64
cuda10.1.105
cudnn7.6.3
pytorch1.5.1

重新建立环境，安装了无数次pytorch，还是不行，突然发现解析指令安装时，自动匹配的cudatoolkit-版本为10.1.243，会不会是由于这个版本与cuda不同导致的问题，重新安装果然可以工作了！！！

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

在这里插入图片描述

3、安装cuda

3.1 卸载原版本cuda

根据自己的cuda版本找到卸载脚本：

sudo /usr/local/cuda-10.1/bin/uninstall_cuda_10.1.pl

卸载之后，还有一些残留的文件夹，之前安装的是CUDA 10.1.105,可以一并删除：

sudo rm -rf /usr/local/cuda-10.1/

3.2安装cuda10.1.243

下载地址： https://developer.nvidia.com/cuda-downloads

$ cd ~/Downloads #文件路径
$ sudo sh cuda_10.1.243_418.87.00_linux.run

安装完成后配置环境变量在终端输入

$ vi  ~/.bashrc

在最后添加

export CUDA_HOME=/usr/local/cuda-10.1
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}

或

export PATH=/usr/local/cuda-10.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64/

更新环境变量

$ source  ~/.bashrc

PS:

以下方法有的教程中也有些，记录一下，未执行也可用

设置环境变量和动态链接库

$ vi /etc/profile

在打开的文件末尾加上：

exportPATH=/usr/local/cuda/bin:$PATH

创建链接文件

sudo vi /etc/ld.so.conf.d/cuda.conf

在打开的文件中写入:

/usr/local/cuda/lib64

执行：

sudo ldconfig

3.3 查看版本

可以使用命令nvcc -V或cat /usr/local/cuda/version.txt 查看安装的版本信息：
在这里插入图片描述

3.4 安装后测试

参考https://blog.csdn.net/qq_33200967/article/details/80689543博客内容

执行示例来测试cuda是否可用（若make输入后报错，或./deviceQuery无内容输出，进入该目录下操作即可）

cd /usr/local/cuda-10.1/samples/1_Utilities/deviceQuery
make
./deviceQuery

若可用会输出以下内容：
在这里插入图片描述

4、配置cudnn 7.6.3库

4.1卸载cudnn 7.6.4库

    sudo rm -rf /usr/local/cuda/include/cudnn.h
    sudo rm -rf /usr/local/cuda/lib64/libcudnn*

4.2安装cudnn 7.6.3库

下载cudnn库(cuDNN v7.6.3 for CUDA10.1)： https://developer.nvidia.com/rdp/cudnn-download
下载后解压，进入解压后的文件夹cuda

#复制相应文件
cp cuda/lib64/* /usr/local/cuda-10.1/lib64/
cp cuda/include/* /usr/local/cuda-10.1/include/

PS:
以下方法有的教程中也有些，记录一下，未执行也可用

#修改访问权限
$ sudo chmod a+r /usr/local/cuda-10.1/include/cudnn.h /usr/local/cuda-10.1/lib64/libcudnn*

#更新网络链接

$ cd /usr/local/cuda/lib64/
$ sudo chmod+r libcudnn.so.7.4.3
$ sudo ln -sf libcudnn.so.7.4.3. libcudnn.so.7
$ sudo ln -sf libcudnn.so.7libcudnn.so
$ sudo ldconfig

4.3 查看版本

使用如下命令可查看cudnn版本

$ cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

5、anaconda3

5.1卸载anaconda

删除目录：

rm -rf anaconda3

更新原路径：

gedit ~/.bashrc

删除原anaconda安装时添加的路径
在这里插入图片描述更新环境变量

$ source  ~/.bashrc

5.2安装anaconda3-python3.7版本

在官网下载并安装https://www.anaconda.com/distribution/#download-section

安装指令如下：

bash Anaconda3-2020.02-Linux-x86_64.sh

根据提示信息输入完成安装，包括注册信息和安装位置，都选择了默认设置。

anaconda安装完成后会询问你是否添加环境变量，输入yes，会在～./bashrc中添加环境变量并保存一个备份文件.bashrc-anaconda3.bak。

5.3 anaconda3版本查看

conda --version

5.4 换源

由于下载速度的问题，可以考虑更换成清华大学或者中科大的镜像源，当然会有挂掉的风险

gedit ~/.condarc

参考https://blog.csdn.net/weixin_43667077/article/details/106521015
拷贝以下源目录至condarc并保存即可：

#北京外国语大学开源软件镜像站

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.bfsu.edu.cn/anaconda
default_channels:
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/free
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/r
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/pro
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.bfsu.edu.cn/anaconda/cloud
  msys2: https://mirrors.bfsu.edu.cn/anaconda/cloud
  bioconda: https://mirrors.bfsu.edu.cn/anaconda/cloud
  menpo: https://mirrors.bfsu.edu.cn/anaconda/cloud
  pytorch: https://mirrors.bfsu.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.bfsu.edu.cn/anaconda/cloud

   
#上海交通大学开源软件镜像站

https://mirrors.sjtug.sjtu.edu.cn/

channels:
  - defaults
show_channel_urls: true
channel_alias: https://anaconda.mirrors.sjtug.sjtu.edu.cn/
default_channels:
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/main
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/free
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/mro
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/msys2
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/pro
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/r
custom_channels:
  conda-forge: https://anaconda.mirrors.sjtug.sjtu.edu.cn/conda-forge
  soumith: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/soumith
  bioconda: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/bioconda
  menpo: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/menpo
  viscid-hub: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/viscid-hub
  atztogo: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/atztogo

 #清华大学开源软件镜像站

https://mirror.tuna.tsinghua.edu.cn/

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
————————————————
版权声明：本文为CSDN博主「我才是一卓」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43667077/article/details/106521015

5.5 anaconda3基本指令

5.5.1 新建环境

创建新环境

conda create --name <env_name> <package_names>

例如创建一个名为test的新环境，python版本为3.7

conda create -n test python=3.7
5.5.2 激活环境
conda activate test
5.5.3 退出环境
conda deactivate
5.5.4 查看已创建的环境
conda info --envs
5.5.5 复制环境
conda create --name <new_env_name> --clone <copied_env_name>
5.5.6 删除环境
conda remove --name test --all
5.5.7 获取当前环境中已安装的包信息
conda list
5.5.8 启动图形化界面anaconda-navigato
anaconda-navigator

6、pytorch 1.5.1

原本想要安装1.3或者1.4的版本，官网只找到了1.5.1的版本，先装着吧，回头看一下区别。

6.1 安装

PyTorch官网https://pytorch.org/上可查看不同版本
在这里插入图片描述
安装命令:
注意要选择官方的安装命令，不要删除 -c pytorch，镜像源的版本有点问题，导致之前安装一直无法调用cuda

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

6.2 版本查询

    import torch
    print(torch.__version__)  #注意是双下划线

如图显示为1。5。1版本
在这里插入图片描述

6.3 测试是否可以调用gpuipython

ipython

测试1

In [1]: import torch                                                                          

In [2]: import torchvision                                                                    

In [3]: print(torch.cuda.is_available())

返回 True
在这里插入图片描述
测试2

In [4]: import torch as t                                                                     

In [5]: x = t.rand(5,3)                                                                       

In [6]: y = t.rand(5,3)                                                                       

In [7]: if t.cuda.is_available(): 
   ...:     x = x.cuda() 
   ...:     y = y.cuda() 
   
In [8]: print(x+y)

返回

tensor([[1.0092, 1.4184, 1.2793],
        [1.1662, 0.7825, 1.4577],
        [0.7173, 1.2580, 1.2082],
        [0.9863, 1.3207, 0.6215],
        [0.8891, 1.3174, 0.8280]], device='cuda:0')

至此安装pytorch成功

参考https://blog.csdn.net/qq_33200967/article/details/80689543
使用以下指令

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torch.backends.cudnn as cudnn
from torchvision import datasets, transforms


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)


def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

def main():
    cudnn.benchmark = True
    torch.manual_seed(1)
    device = torch.device("cuda")
    kwargs = {'num_workers': 1, 'pin_memory': True}
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=64, shuffle=True, **kwargs)

    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

    for epoch in range(1, 11):
        train(model, device, train_loader, optimizer, epoch)


if __name__ == '__main__':
    main()

若输出
在这里插入图片描述

高咏
关注
专栏目录
ubuntu16.04 通过anaconda建立虚拟环境，安装tensorflow1.10，cuda9.0，cudnn7.1.2
weixin_40609307的博客
04-11 2182
1.anaconda建立虚拟环境及conda操作 //env_name代表你想要建立的环境名字,-n表示名字 conda create -n ${env_name} python=3.5 //激活环境 source activate ${env_name} //退出环境 source deactivate //删除环境 conda remove -n ${env_name} --all ...
ubuntu+cuda+cudnn+ananconda+pytorch1.5.1
weixin_44401718的博客
07-27 542
这里写自定义目录标题1 安装版本ubuntu+cuda+cudnn+anaconda+pytorch1.5.1热键2 ubuntu16.04系统安装3 nvidia驱动安装4 cuda 10.1.243安装4.1 下载安装包并安装见官网4.2 环境变量设置4.3 测试版本4.4 测试cuda是否可用5 配置cuDNN 7.6.3库5.1 下载库5.2 配置库5.3 cuDNN版本查看6 anaconda 3安装6.1 下载6.2 安装6.3 查看版本6.4 测试：7 pytorch 1.5.1安装7.1 官
ubuntu16.04+anaconda3+nvidia驱动 cuda 10.0安装复盘
AuntieLee的博客
01-10 287
之前出现问题：循环登录，尝试之前的解决方法（tty重新安装驱动）没用，于是重新安装系统，在这里做个复盘 1.设置安装盘（U盘） 使用rufus设置安装盘，载入ubuntu16.04的iso文件 2.数据备份 之前的系统崩掉了（怀疑是引导坏掉了），因此需要抢救数据 BIOS里U盘启动，linux without installation 可以看到硬盘的数据，可以直接copy到windows底下 因为...
ubuntu16.04+anconda+tensorflow+cuda+cuDnn深度学习环境搭建
u010761477的博客
11-24 1479
1安装Anaconda 在你存放anaconda的目录下打开终端，输入命令 bash Anaconda3-4.4.0-Linux-x86_64.sh 在安装的过程中会提示是否添加环境变量这时要选yes 如果没有选择需要手动添加环境变量 `source /.bashrc` #刷先下bashrc 注意要在linux系统下添加环境变量 输入python 出现下面的图片，说明你anaconda安装...
NetBeans安装时卡住
m0_45276209的博客
12-02 7518
安装NetBeans11.3时遇到问题，安装界面在同意勾选后，点击下一步时卡住，查看log日志，显示 … use Java that is already selected for the product: C:\Program Files\Java\jdk-11.0.9（在安装NetBeans之前已经安装好了jdk11.0.9） 解决方法：重新下载了一个与NetBeans11.3匹配的jdk10.0.2,安装好后，重新安装NetBeans，顺利安装完成。（最终安装了2个jdk） ...
Ubuntu16.04 配置anaconda环境+cuda10.1+cudnn7.6.3+pytorch1.5
liueraichao的专栏
07-05 388
在anaconda环境下安装tensorflow和pytorch环境。涉及到在同一台主机下，存在多个cuda版本，安装过程中的遇到一系列问题的解决方案。
深度学习环境搭建Ubuntu16.04+CUDA8.0+CUDNN6.0+Anaconda3+tensorflow1.3.0
明明明明明_的博客
02-11 379
电脑为联想拯救者Y7000，显卡GTX1650。 装的是WIN10+Ubuntu16.04双系统。 一、双系统装Ubuntu16.04 主要借鉴的下面的链接，包括删除Ubuntu，系统分区。 https://blog.csdn.net/Spacegene/article/details/86659349 1、删除之前的Ubuntu（第一次装系统的同学可以跳过） 经常重装系统，希望上次是最后一次了。...
手把手 Ubuntu16.04+cuda9.0+cudnn 7.1+Anaconda+tensorflow-gpu+keras-附件资源
03-05
手把手 Ubuntu16.04+cuda9.0+cudnn 7.1+Anaconda+tensorflow-gpu+keras-附件资源
ubuntu16.04+anaconda3+python3.6安装opencv3.1.0
11-13
### Ubuntu16.04+Anaconda3+Python3.6 安装 OpenCV3.1.0 #### 一、环境准备与确认 在开始安装之前，首先确保你的环境中已经正确安装了以下组件： 1. **Ubuntu16.04**：确保你使用的操作系统为 Ubuntu16.04 版本。...
ubuntu18.4+cuda10.0+CUDnn7.6+tensorflow1.14+pytorch1.2深度学习环境搭建过程与遇到的问题总结
价值引领，业务立命，技术驱动
04-03 337
ubuntu18.4+cuda10.0+CUDnn7.6+tensorflow1.14a安裝步驟1.安裝ubuntu18.42.安装显卡驱动3.安装CUDA4.安装CUDnn5.安装Anaconda36.安装tensorflow-gpu 1.安裝ubuntu18.4 我使用的是在window10系統基礎上安裝的ubuntu18.4双系统，具体安装过程请见另一篇文章 2.安装显卡驱动 sudo ad...
ubuntu16.04+anaconda3+CUDA9.0+cudnn7.0.5+tensorflow1.6+python3.6环境配置
zhuiyuanzhongjia的博客
04-18 2438
可以参考nvidia官网进行tensorflow安装，https://www.nvidia.com/en-us/data-center/gpu-accelerated-applications/tensorflow/ 1.安装GPU版本的tensorlfow时，需确定显卡型号，并安装匹配的显卡驱动，先输入 nvidia-smi 查看显卡型号，如果第一列有Driver version证明已...
ubuntu16.04 + Anaconda + CUDA10 + cudnn + pytorch + pycharm
诺亚方舟369
09-05 2224
1、安装Anaconda ./anaconda名称 moniter监视器--查看系统进程 总端右键调整尺度 2、安装CUDA https://developer.nvidia.com/cuda-10.0-download-archive? nvidia-smi 测试显卡驱动 nvcc -V 测试CUDA 3、安装cudnn（或配置cudnn） https://devel...
PyTorch电脑环境配置（PyTorch1.5.0+CUDA10.2+cudnn7.6.5）
weixin_43917062的博客
05-11 6198
PyTorch电脑环境配置（PyTorch1.5.0+CUDA10.2+cudnn7.6.5） 最近新入手一台电脑，Intel i7-10875H，8核16线程，16G内存，RTX2070显卡，8G显存，512G固态硬盘+1T机械硬盘，鲁大师评分523142。这样的配置对于部分的深度学习网络应该足够了吧。 Anaconda包括Conda、Python以及一大堆安装好的工具包，比如：numpy、pandas等，conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在
docker拉取的pytorch-gpu版找不到cuda和cudnn的位置，为何？
ljp1919的专栏
05-19 9480
问题描述 pytorch 镜像位置： https://hub.docker.com/r/pytorch/pytorch/tags 拉取镜像： docker pull pytorch/pytorch:1.5-cuda10.1-cudnn7-runtime 查看本地现有镜像清单： 创建一个容器： docker run --gpus all -td --name=liujiepeng_pytorch pytorch/pytorch bash 注意：其实这里有两个repository名字相同，tag名不同的版
Anaconda（python3.7）+pytorch（1.5.1）急速安装（2020.7.11日安装教程）
qq_40412228的博客
07-11 1946
ps：博主搜索大量教程都以失败告终，有清华镜像不再提供pytorch更新的原因，有pytorch旧版本经常报错原因，最后博主选择官网教程，10分钟之内搞定！！！ ## let’s begain！ 1.直接访问Anaconda官网，下载最新版安装包。 直达链接：https://www.anaconda.com/products/individual 正常安装（注意安装时不要选择新建目录，直接在框内写文件夹名） 2.访问pytorch 官网：https://pytorch.org/ 选择适合自己的版本，直
ubuntu18.04配置anaconda3+cuda10.1+cudnn7.6.4+opencv4.3.0
Hanzoe的博客
04-30 798
1
Ubuntu16.04安装anaconda3++CUDA9.0+cuDNN7.1+TensorFlow-gpu1.9.0
weixin_39345190的博客
09-10 3452
1. anaconda3安装 anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。可以帮助python开发者省去很多安装科学包的工作。下面我们就来简单介绍如何在Ubuntu16.04环境下安装Anaconda3。 首先，去Anaconda的下载https://www.anaconda.com/download/#download对...
docker拉取的pytorch-gpu版找不到cuda和cudnn的位置
ltochange的博客
11-18 2142
转自： 本文链接：docker拉取的pytorch-gpu版找不到cuda和cudnn的位置，为何？_ljp1919的专栏-CSDN博客 问题描述 pytorch 镜像位置： https://hub.docker.com/r/pytorch/pytorch/tags 拉取镜像： docker pull pytorch/pytorch:1.5-cuda10.1-cudnn7-runtime 查看本地现有镜像清单： 创建一个容器： docker run --gpus all -td.
ubuntu16.04+cuda10.1+cudnn7.6.5+tensorflow2.2.0
Chapmancp的博客
07-02 539
原先cuda10.0，安装10.1。 ～/.bashrc。 export PATH=/usr/local/cuda/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda 修改cuda软链接。 rm -rf /usr/local/cuda #删除之前创建的软链接 ...
Ubuntu16.04+Anaconda3+Python3.6安装OpenCV3.1.0指南
"队列的特性-ubuntu16.04+anaconda3+python3.6安装opencv3.1.0" 在操作系统中，队列是一种重要的数据结构，尤其在实时操作系统（RTOS）如FreeRTOS中扮演着关键角色。队列主要具有以下特性： 1. 数据存储：队列可以...
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