【小白你好】深度学习的认识和应用：CNN、GNN、LSTM、Transformer、GAN与DRL的对比分析

最新推荐文章于 2025-04-12 11:43:18 发布
最新推荐文章于 2025-04-12 11:43:18 发布
阅读量1.1k 收藏 12
点赞数 5
分类专栏： AI模型训练与使用 文章标签： 深度学习 cnn lstm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/leoysq/article/details/144547514
版权

大家好！今天我们来聊聊一个热门话题——深度学习。别担心，我会用简单易懂的语言，让每个人都能理解。我们将一起探索什么是深度学习，它有哪些类似的概念，以及其中几种主要的算法：卷积神经网络（CNN）、图神经网络（GNN）、长短期记忆网络（LSTM）、Transformer、生成对抗网络（GAN）和深度强化学习（DRL）。最后，我们还会做一个对比表，帮助大家更好地理解它们之间的区别和应用。

什么是深度学习？

深度学习是人工智能（AI）的一部分，它让计算机能够像人类一样学习和做决策。通过模拟人脑的神经元，深度学习模型可以从大量的数据中提取模式和规律。这种技术在图像识别、自然语言处理、语音识别等领域取得了惊人的成果。

类似的概念

在了解深度学习之前，我们先来看看几个相关的概念：

  • 机器学习（Machine Learning）：这是AI的一个分支，通过算法让计算机从数据中学习，而无需明确编程。深度学习就是机器学习的一种。
  • 神经网络（Neural Networks）：这是深度学习的基础，模仿人脑神经元结构的计算模型。
  • 人工智能（Artificial Intelligence）：这是一个更广泛的领域，包含了机器学习和深度学习，旨在让机器具备人类智能。

深度学习的主要算法

深度学习有很多不同的算法，每种都有其独特的应用场景。今天我们重点介绍以下几种：

  1. 卷积神经网络（CNN）
  2. 图神经网络（GNN）
  3. 长短期记忆网络（LSTM）
  4. Transformer
  5. 生成对抗网络（GAN）
  6. 深度强化学习（DRL）

让我们一一深入了解吧！

1. 卷积神经网络（CNN）

什么是CNN？

卷积神经网络（Convolutional Neural Network，简称CNN）是一种专门用于处理图像数据的神经网络。它通过“卷积”操作来自动提取图像中的特征，如边缘、形状等。

使用场景

  • 图像分类：识别图像中的物体，例如将猫和狗的图片分类。
  • 目标检测：在图像中找到并标记特定物体的位置。
  • 图像分割：将图像分成不同的区域，每个区域代表不同的物体。

行业案例

  • 自动驾驶：Tesla使用CNN来识别道路上的障碍物和交通标志。
  • 医疗诊断：用于分析医学影像，如X光片和MRI，帮助医生诊断疾病。

训练流程步骤

  1. 准备数据：收集并标注图像数据。
  2. 选择框架和语言：常用框架有TensorFlow和PyTorch，编程语言主要是Python。
  3. 搭建模型：设计CNN的层次结构，包括卷积层、池化层和全连接层。
  4. 训练模型：使用数据集训练模型，通过不断调整参数来提高准确率。
  5. 评估和优化：测试模型的表现，进行优化。

数据集样例

  • MNIST：手写数字数据集，包含60000个训练样本和10000个测试样本。
  • CIFAR-10：包含60000张32x32彩色图像，分为10类。

开源数据集链接

  • MNIST
  • CIFAR-10

优点与缺点

优点：

  • 擅长处理图像数据，准确率高。
  • 自动提取特征，减少了手工设计的工作量。

缺点：

  • 对于非图像数据的处理能力有限。
  • 需要大量的数据和计算资源。

2. 图神经网络（GNN）

什么是GNN？

图神经网络（Graph Neural Network，简称GNN）是一种处理图结构数据的神经网络。图结构数据由节点和边组成，适用于社交网络、分子结构等场景。

使用场景

  • 社交网络分析：预测用户之间的关系。
  • 推荐系统：基于用户和物品之间的关系推荐商品。
  • 化学分子分析：预测分子的性质和反应。

行业案例

  • 社交媒体：Facebook使用GNN来推荐好友和内容。
  • 制药行业：用于药物发现，分析分子结构。

训练流程步骤

  1. 准备数据：收集图结构数据，如社交网络图或分子图。
  2. 选择框架和语言：常用框架有PyTorch Geometric和DGL，使用Python编程。
  3. 搭建模型：设计GNN的层次结构，包括消息传递和聚合层。
  4. 训练模型：使用图数据训练，通过优化算法提高预测准确性。
  5. 评估和优化：测试模型表现，进行调整和优化。

数据集样例

  • Cora：学术论文的引用网络数据集。
  • MUTAG：化学分子数据集，用于分类任务。

开源数据集链接

  • Cora
  • MUTAG

优点与缺点

优点：

  • 能有效处理复杂的图结构数据。
  • 应用范围广泛，适用于多种领域。

缺点：

  • 模型复杂，训练时间长。
  • 需要专业知识来处理图数据。

3. 长短期记忆网络（LSTM）

什么是LSTM？

长短期记忆网络（Long Short-Term Memory，简称LSTM）是一种特殊的循环神经网络（RNN），擅长处理和预测序列数据，如时间序列或文本。

使用场景

  • 自然语言处理：机器翻译、语音识别。
  • 时间序列预测：股票价格预测、天气预报。
  • 生成文本：自动写作或聊天机器人。

行业案例

  • 语音助手：Siri和Alexa使用LSTM来理解和生成语音命令。
  • 金融分析：用于预测股票市场的走势。

训练流程步骤

  1. 准备数据：收集序列数据，如文本或时间序列。
  2. 选择框架和语言：常用框架有TensorFlow和PyTorch，使用Python编程。
  3. 搭建模型：设计LSTM的层次结构，包括输入层、LSTM层和输出层。
  4. 训练模型：使用序列数据训练，通过优化算法提高预测能力。
  5. 评估和优化：测试模型表现，进行调整和优化。

数据集样例

  • IMDB：电影评论数据集，用于情感分析。
  • Yahoo Finance：股票价格数据集，用于预测市场走势。

开源数据集链接

优点与缺点

优点：

  • 擅长处理和预测序列数据。
  • 能记住长期依赖关系，避免传统RNN的“遗忘问题”。

缺点：

  • 计算资源需求高，训练时间长。
  • 对于非常长的序列仍然可能存在困难。

4. Transformer

什么是Transformer？

Transformer是一种基于注意力机制的神经网络架构，最初用于自然语言处理任务，如机器翻译。它能够高效地处理长距离依赖关系，提升了模型的性能和训练速度。

使用场景

  • 自然语言处理：机器翻译、文本生成、问答系统。
  • 计算机视觉：图像分类、目标检测。
  • 多模态学习：结合文本和图像进行理解和生成。

行业案例

  • 谷歌翻译：使用Transformer架构提升翻译质量和速度。
  • OpenAI GPT：基于Transformer的生成模型，用于多种文本生成任务。

训练流程步骤

  1. 准备数据：收集文本数据，如书籍、文章等。
  2. 选择框架和语言：常用框架有TensorFlow和PyTorch，使用Python编程。
  3. 搭建模型：设计Transformer的层次结构，包括编码器和解码器。
  4. 训练模型：使用大规模文本数据训练，通过优化算法提升性能。
  5. 评估和优化：测试模型表现，进行调整和优化。

数据集样例

  • WMT：用于机器翻译的大规模文本数据集。
  • BookCorpus：包含数千本书的文本数据集，用于训练语言模型。

开源数据集链接

  • WMT
  • BookCorpus

优点与缺点

优点：

  • 高效处理长距离依赖关系。
  • 并行计算能力强，训练速度快。
  • 在多种任务中表现优异。

缺点：

  • 需要大量的数据和计算资源。
  • 模型复杂，难以调试和优化。

5. 生成对抗网络（GAN）

什么是GAN？

生成对抗网络（Generative Adversarial Network，简称GAN）由两个部分组成：生成器和判别器。生成器负责生成逼真的数据，判别器则判断数据是真实的还是生成的。两者相互竞争，最终生成器能够生成高质量的数据。

使用场景

  • 图像生成：生成逼真的人脸、艺术作品。
  • 数据增强：为训练其他模型生成更多样本。
  • 视频合成：生成高质量的视频内容。

行业案例

  • 艺术创作：利用GAN生成独特的艺术作品。
  • 虚拟现实：生成逼真的虚拟环境和角色。
  • 时尚设计：生成新的服装设计样式。

训练流程步骤

  1. 准备数据：收集和整理目标数据，如人脸图像。
  2. 选择框架和语言：常用框架有TensorFlow和PyTorch，使用Python编程。
  3. 搭建模型：设计生成器和判别器的网络结构。
  4. 训练模型：通过对抗训练，生成器和判别器不断提升。
  5. 评估和优化：测试生成数据的质量，调整模型参数。

数据集样例

  • CelebA：包含大量名人脸部图像的数据集。
  • MNIST：手写数字数据集，也常用于GAN的训练。

开源数据集链接

  • CelebA
  • MNIST

优点与缺点

优点：

  • 能生成高质量、逼真的数据。
  • 应用广泛，创造力强。

缺点：

  • 训练过程不稳定，难以收敛。
  • 需要大量的数据和计算资源。

6. 深度强化学习（DRL）

什么是DRL？

深度强化学习（Deep Reinforcement Learning，简称DRL）结合了深度学习和强化学习的优势。它让智能体通过与环境互动，学习如何采取最优的行动来获得最大化的奖励。

使用场景

  • 游戏：训练AI玩家，达到或超越人类水平。
  • 机器人控制：让机器人学会行走、抓取等复杂动作。
  • 自动驾驶：优化车辆的驾驶策略，提升安全性和效率。

行业案例

  • AlphaGo：由DeepMind开发，击败了世界顶尖围棋选手。
  • 无人驾驶汽车：Waymo使用DRL优化车辆的驾驶决策。

训练流程步骤

  1. 定义环境和奖励：设定智能体所处的环境和目标奖励。
  2. 选择框架和语言：常用框架有TensorFlow和PyTorch，使用Python编程。
  3. 搭建模型：设计智能体的神经网络结构。
  4. 训练模型：通过与环境互动，学习最优策略。
  5. 评估和优化：测试智能体的表现，调整模型和策略。

数据集样例

深度强化学习通常不依赖传统的数据集，而是通过模拟环境生成数据。例如：

  • OpenAI Gym：提供多种模拟环境，如游戏和控制任务。
  • DeepMind Lab：复杂的3D环境，用于训练智能体。

开源数据集链接

优点与缺点

优点：

  • 能解决复杂的决策问题。
  • 自主学习，无需大量标注数据。

缺点：

  • 训练过程复杂且耗时。
  • 需要精心设计的奖励机制。

深度学习算法对比表

算法主要应用领域优点缺点常用框架开源数据集示例
CNN图像处理高效提取图像特征，准确率高对非图像数据处理能力有限TensorFlow, PyTorchMNIST, CIFAR-10
GNN图结构数据处理处理复杂图数据，应用广泛模型复杂，训练时间长PyTorch Geometric, DGLCora, MUTAG
LSTM序列数据处理擅长处理长序列，记忆长期依赖关系计算资源需求高，训练时间长TensorFlow, PyTorchIMDB, Yahoo Finance
Transformer自然语言处理、视觉高效处理长距离依赖，训练速度快需要大量数据和计算资源，模型复杂TensorFlow, PyTorchWMT, BookCorpus
GAN数据生成生成高质量数据，创造力强训练过程不稳定，需大量资源TensorFlow, PyTorchCelebA, MNIST
DRL决策优化解决复杂决策问题，自主学习训练复杂，需设计奖励机制TensorFlow, PyTorchOpenAI Gym, DeepMind Lab

总结

深度学习是一个令人兴奋的领域，拥有多种强大的算法，每种都有其独特的优势和应用场景。从图像识别的CNN，到处理复杂图结构的GNN；从序列数据的LSTM，到自然语言处理的Transformer；再到生成新数据的GAN，以及优化决策的DRL。这些算法正在改变我们的生活，推动着科技的发展。

希望通过今天的介绍，你对深度学习有了更清晰的认识。如果你对其中的某个算法感兴趣，不妨亲自尝试一下，亲自动手会让你更深入地理解它们的魅力！

加油，未来的AI专家们！

参考资料

图神经网络 | Python实现基于时空图卷积GNN + LSTM 模型预测（多变量方法）
前程算法屋的博客
10-29 4504
图神经网络 | Python实现基于时空图卷积 + LSTM 模型预测（多变量方法）
软件 2.0 的发展趋势：深度学习强化学习
AI天才研究院
11-28 989
《软件 2.0 的发展趋势：深度学习、强化学习》 关键词 软件发展 深度学习 强化学习 AI大模型 企业级应用 应用实践 摘要
LSTM+GNN这么做，2区以上没问题！
2401_82426425的博客
01-21 1270
是一个非常有前景，且能发高区的思路！近来其更是取得了新突破，模型DNN-GNN-LSTM在自动驾驶轨迹预测中，误差狂降95％，且参数量减少97.7％；模型hetGNN-LSTM则推理速度飙升了10倍……此外，在ACM MM24、AAAI24等顶会也不乏其身影。其热度可见一斑！主要在于，该结合能同时捕捉数据中的时间相关性和空间相关性，不仅能提升模型性能，也能适应诸多实际场景需要，像是交通预测、社交网络分析、股价预测等。
股票价格预测新突破：混合 LSTM-GNN 模型，误差降低 10.6%！
最新发布
2401_85390073的博客
04-12 746
本文提出了一种新型混合模型，将长短期记忆网络（LSTM）与图神经网络（GNN）结合，以提高股市预测的准确性。LSTM部分有效捕捉股价数据的时间模式，建模金融市场的时间序列动态。GNN部分利用皮尔逊相关和关联分析建模股票间的关系数据，捕捉影响股价的复杂非线性依赖。模型采用扩展窗口验证方法进行训练和评估，能够从不断增加的数据中持续学习并适应市场变化。实验结果显示，混合LSTM-GNN模型的均方误差（MSE）为0.00144，比单独LSTM模型的0.00161降低了10.6%。
GNN在云服务异常检测上的应用（Graph-LSTM）
AI蜗牛车
03-06 3372
前言图神经网络（GNN）是一类基于深度学习的处理图域信息的方法。由于其较好的性能与可解释性，GNN最近已成为一种广泛应用的图分析方法。真实的云服务系统中，海量机器各种时序指标相互关联彼此影...
基于LSTM与GNN融合的COVID-19预测模型
zzh1464501547的博客
03-03 2104
整合lstm和GNN进行COVID-19预测 摘要： COVID-19的传播与图神经网络(gnn)的兴起同时发生，有几项研究建议将两者结合，能更好地预测大流行的演变。类似应用的模型还包括长期短期记忆(LSTM)网络，这是时间序列预测的常用工具。在本工作中，我们通过在LSTM的控制门结构中实现GNN网络，利用空间信息来进一步研究这两种方法的集成。此外，我们引入了一种跳跃连接（skip connection），它被证明是联合捕获数据中的空间和时间模式的关键。我们根据37个欧洲国家过去472天的数据验证了
lstm原始论文_论文盘点：基于图卷积GNN的多目标跟踪算法解析
weixin_39793638的博客
12-04 913
©PaperWeekly 原创 ·作者｜黄飘学校｜华中科技大学硕士研究方向｜多目标跟踪随着这两年 GNN 的发展，其对于关系的建模特性也被引入了多目标跟踪领域，这次我通过对这两年基于 GNN 的 MOT 算法的介绍来分析其特点。相关 MOT 和数据关联的基础知识可以去我的专栏查看。EDA_GNN论文标题： Graph Neural Based End-to-end Data Assoc...
​KDD 2020 开源论文 | 图神经网络多变量时序预测
Paper weekly
11-02 7509
©PaperWeekly 原创 ·作者｜马敏博学校｜西南交通大学硕士生研究方向｜命名实体识别本次分享的论文是 KDD 2020 的一篇工作，出发点是为了更好地建模多变量时间序列数据中成...
博客摘录「 【小白你好】深度学习的认识和应用：CNN、GNN、LSTM、Transformer、GAN与DRL的对比分析」2024年12月21日
百态老人的博客
01-03 784
Tesla的CNN算法框架以高效的感知模块为核心，通过结合深度学习的最新技术，实现了对道路环境的精确理解。这一框架的成功不仅依赖于强大的硬件支持，还得益于大规模数据集和先进的算法设计。
【机器学习】经典CNN架构
loveting99的博客
08-22 1644
这一章通过具体的代码示例展示了经典CNN架构在图像分类、物体检测和语义分割任务中的实际应用。每个示例都提供了详细的Python代码，能够帮助读者理解如何使用经典CNN模型解决实际问题，并在这些任务中应用相应的技术和方法。在本文中，我们深入探讨了经典卷积神经网络（CNN）架构的核心组成部分及其演变，涵盖了从基础卷积层到复杂网络结构的详细分析。经典CNN架构的基本组成：经典CNN架构包括卷积层、激活函数、池化层和全连接层。这些基本组成部分通过有效的特征提取和降维操作，使得CNN能够在处理图像数据时表现出色。
算法金 | 超强！深度学习 Top 10 算法！
算法金「全网同名」的博客
05-29 1239
深度神经网络（DNN）是深度学习的基石，其设计灵感来源于人脑的结构和功能。从20世纪80年代开始，DNN就一直是人工智能研究的核心。随着计算能力的提升和大数据的可用性，DNN在21世纪初期迎来了爆发式的增长，成为了许多复杂问题求解的强大工具。
eICU-GNN-LSTM:该存储库包含用于通过图表示学习来预测患者结果的代码（https
05-08
通过图表示学习预测患者结果 该存储库包含用于通过“图形表示​​学习”预测患者结果的代码。 您可以在以下网址观看W3PHIAI（AAAI研讨会）上的聚焦演讲视频： 引文 如果您在研究中使用此代码或模型，请引用以下内容： @misc{rocheteautong2021, title={Predicting Patient Outcomes with Graph Representation Learning}, author={Emma Rocheteau and Catherine Tong and Petar Veličković and Nicholas Lane and Pietro Liò}, year={2021}, eprint={2101.03940}, archivePrefix={arXiv}, p
1-基于强化学习的图Transformer算法求解车辆路径问题(2023)（完）
太极生两鱼
02-26 160
车辆路径问题（VRP）是经典的组合优化问题之一，需要在一些约束条件下，以最小的总成本访问客户。最近，VRP通过使用深度强化学习（DRL）来解决，将节点集视为图结构。现有的基于Transformer的DRL解仅依赖于节点信息，忽略了图中节点之间边的信息在图结构中的作用。在本文中，我们提出了一种基于注意力的端到端DRL模型来解决VRP，该模型嵌入了节点之间的边信息，以进行丰富的图表示学习。我们使用了带有嵌入边信息多头注意力（EEMHA）层的基于Transformer的编码器-解码器框架。
神经网络CNN、RNN、GNN
qq_40353662的博客
07-30 3411
CNN、RNN、GNN这么多的神经网络有什么区别和联系？ 先聊聊什么是神经网络吧 我们的目标是打造人工智能，拥有智慧的大脑无疑是最好的模仿对象。人脑中约有860亿个神经元，这被认为是我们能够思考的原因。神经元有一个细胞体和很多突触组成，能处理电信号，并将它们传递到该去的地方，仿照人脑神经元和工作原理，人们构建了神经网络，一个由节点连接而成的网，我们同样会称呼这些节点为神经元，不过它是一个抽象概念，大部分时间都被用来存储数字，神经突出则被抽象为有权重的连接，决定了数字将如何改变以及传递给哪些神经元。 神经网络
图神经网络 | Python实现LSTM-GNN时间序列预测
前程算法屋的博客
11-20 4663
图神经网络 | Python实现LSTM-GNN时间序列预测
汇总一些计算机研究方向的缩写（CNN、RNN、DNN、GNN、GAN、NLP等等）
白洞，白色的明天在等着我们
10-04 9295
CNN(Convolutional Neural Networks):卷积神经网络 RNN(Recurrent Neural Network):循环神经网络 DNN(Deep Neural Networks):深度神经网络 GNN(Graph Neural Networks):图神经网络 BRNN(Recurrent Neural Network):双向长短时记忆循环神经网络 GAN(Generative Adversarial Networks):生成式对抗网络 NLP(Natural Language
PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
热门推荐
KI的博客
01-09 1万+
PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
关于CNN,RNN,GAN,GNN,DQN,Transformer,LSTM,DBN你了解多少
yuanpan的专栏
03-21 1141
以上是这些模型的简要介绍，每种模型都有其独特的优势和适用场景，实际应用中可以根据任务需求选择合适的模型。
电池深度学习
03-21
<think>好的，我需要回答用户关于电池相关的深度学习应用的问题。首先，我需要回顾用户提供的引用内容，特别是引用[2]和引用[4]，因为它们提到了电池异质性和深度Q学习。用户想了解深度学习在电池研究中的应用，所以我应该从电池状态估计、健康管理、优化设计、故障检测和材料发现这几个方面展开。 首先，电池状态估计是关键，比如SOC和SOH，传统方法可能不够精确，深度学习模型如LSTM或CNN可以处理时序数据，提升准确性。这部分可以结合引用[2]中的电池异质性挑战，说明模型如何应对不同使用情况。 接下来是健康管理和寿命预测，使用循环神经网络或Transformer分析历史数据，预测剩余寿命。引用[4]提到的深度Q学习可能用于优化充放电策略，延长电池寿命。 优化设计方面，生成对抗网络可能帮助设计电池结构，结合仿真数据加速开发。故障检测部分，自编码器或CNN可以识别异常，提前预警。材料发现中，图神经网络预测新材料性质，加速研发。 需要确保所有数学公式正确使用$...$和$$...$$格式，例如LSTM的公式和Q-learning的更新规则。同时，生成相关问题时要覆盖应用场景、挑战、模型选择、与传统方法对比和材料发现。 最后，检查引用是否恰当，引用[2]和[4]需要自然地融入回答中，确保用户理解深度学习如何解决电池领域的实际问题。</think>### 电池相关的深度学习应用与研究 深度学习在电池领域的应用主要集中在**状态估计、健康管理、优化设计**和**材料发现**等方面，以下为具体研究方向和技术实现： --- #### 1. **电池状态估计（State Estimation）** 电池的荷电状态（State of Charge, SOC）和健康状态（State of Health, SOH）是核心参数。传统方法依赖电化学模型，但电池的异质性（如不同用户使用习惯导致的充放电差异[^2]）增加了建模难度。 **深度学习方案**： - 使用**LSTM（长短期记忆网络）**或**Transformer**处理时序数据（如电压、电流、温度），直接映射到SOC/SOH。 - 输入特征可能包含动态工况，输出通过回归层实现。 **公式示例（LSTM单元）**： $$ f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f) $$ 其中$f_t$为遗忘门，$\sigma$为激活函数，$W_f$和$b_f$为权重与偏置。 --- #### 2. **电池健康管理与寿命预测** **挑战**：电池老化受循环次数、温度、充放电深度等多因素影响。 **深度学习应用**： - **循环神经网络（RNN）**：捕捉老化过程的时序依赖性。 - **深度强化学习（DRL）**：通过Q-learning优化充放电策略，减少老化速率[^4]。例如，定义奖励函数为最小化容量衰减： $$ R = -\Delta Q_{\text{loss}} $$ - **Transformer**：利用自注意力机制识别跨时间尺度的退化模式。 --- #### 3. **电池优化设计** **生成对抗网络（GAN）**可用于生成新型电极材料结构或电池拓扑设计： - 生成器输出候选设计，判别器评估其性能（如能量密度、循环寿命）。 - 结合仿真数据（如COMSOL多物理场模型）训练，加速设计迭代。 --- #### 4. **故障检测与异常预警** **自编码器（Autoencoder）**通过重构输入数据（如电压曲线）检测异常： - 正常数据重构误差低，异常数据误差高。 - **卷积神经网络（CNN）**可识别电池内部短路等故障的早期信号。 --- #### 5. **电池材料发现** **图神经网络（GNN）**预测材料性质（如离子电导率、稳定性）： - 将晶体结构表示为图（节点=原子，边=化学键），通过消息传递学习特征。 - 结合高通量计算数据库（如Materials Project）训练模型。 --- ### 典型案例 - **特斯拉电池管理系统**：利用LSTM实时预测SOC，结合强化学习优化充电策略。 - **MIT研究团队**：使用GAN生成新型固态电解质结构，实验验证离子电导率提升20%[^1]。 ---
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

打赏作者

Unity耘上飞农

难题的解决使成本节约，求打赏

¥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