拉格朗日对偶性

最新推荐文章于 2023-05-02 23:25:46 发布
最新推荐文章于 2023-05-02 23:25:46 发布
阅读量455 收藏
点赞数

  在约束最优化问题中，常常利用拉格朗日对偶性将原始问题转换为对偶问题，通过解对偶问题而得到原始问题的解。该方法应用在许多统计学习方法中，例如，最大熵模型与支持向量机。

1、原始问题

  假设 f ( x ) f(x) f(x), c i ( x ) c_{i}(x) ci​(x), h j ( x ) h_{j}(x) hj​(x)是定义在 R n R^n Rn上的连续可微函数。考虑约束最优化问题
(C.1) min ⁡ x ∈ R n f ( x ) \min_{x\in R^n} f(x) \tag{C.1} x∈Rnmin​f(x)(C.1)
(C.2) s . t .   c i ( x ) ≤ 0 ， i = 1 , 2 , … , k s.t. \ c_{i}(x)\le 0，i = 1,2,\ldots,k \tag{C.2} s.t. ci​(x)≤0，i=1,2,…,k(C.2)
(C.3) h j ( x ) = 0 ， j = 1 , 2 , … , l h_{j}(x)=0，j=1,2,\ldots,l \tag{C.3} hj​(x)=0，j=1,2,…,l(C.3)
称此约束最优化问题为原始最优化问题或原始问题。
  首先，引入广义拉格朗日函数
(C.4) L ( x , α , β ) = f ( x ) + ∑ i = 1 k α i c i ( x ) + ∑ j = 1 l β j h j ( x ) L(x,\alpha,\beta) = f(x)+\sum_{i=1}^{k}\alpha_{i}c_{i}(x) + \sum_{j=1}^l \beta_{j}h_{j}(x) \tag{C.4} L(x,α,β)=f(x)+i=1∑k​αi​ci​(x)+j=1∑l​βj​hj​(x)(C.4)
这里， x = ( x ( 1 ) , x ( 2 ) , … , x ( n ) ) ∈ R n x=(x^{(1)},x^{(2)},\ldots,x^{(n)}) \in R^{n} x=(x(1),x(2),…,x(n))∈Rn, α i , β j \alpha_{i},\beta_{j} αi​,βj​是拉格朗日乘子， α i ≥ 0 \alpha_{i} \ge 0 αi​≥0。考虑 x x x的函数：
(C.5) θ p ( x ) = max ⁡ α , β : α i ≥ 0 L ( x , α , β ) \theta_{p}(x) = \max_{\alpha,\beta:\alpha_{i}\ge 0} L(x,\alpha,\beta) \tag{C.5} θp​(x)=α,β:αi​≥0max​L(x,α,β)(C.5)
这里，下标 P P P表示原始问题。
  假设给定某个x,如果x违反原始问题的约束条件，即存在某个i使得 c i ( w ) > 0 c_{i}(w) \gt 0 ci​(w)>0或者存在某个j使得 h j ( w ) ≠ 0 h_{j}(w) \ne 0 hj​(w)̸​=0,那么有.
(C.6) θ p x = max ⁡ α , β : α i ≥ 0 [ f ( x ) + ∑ i = 1 k α i c i ( x ) + ∑ j = 1 l β j h j ( x ) ] = + ∞ \theta_{p}{x}=\max_{\alpha,\beta:\alpha_{i}\ge 0}[f(x)+\sum_{i=1}^{k}\alpha_{i}c_{i}(x) + \sum_{j=1}^l \beta_{j}h_{j}(x)] = +\infty \tag{C.6} θp​x=α,β:αi​≥0max​[f(x)+i=1∑k​αi​ci​(x)+j=1∑l​βj​hj​(x)]=+∞(C.6)
因为若某个i使约束 c i ( x ) > 0 c_{i}(x) \gt 0 ci​(x)>0,则可令 α i → + ∞ \alpha_{i} \rightarrow +\infty αi​→+∞,若某个 j j j使 h j ( x ) ≠ 0 h_{j}(x) \ne 0 hj​(x)̸​=0,则可令 β j \beta_{j} βj​使得 β j h j ( x ) → + ∞ \beta_{j}h_{j}(x)\rightarrow +\infty βj​hj​(x)→+∞,而将其余各 α i , β j \alpha_{i},\beta_{j} αi​,βj​均取为0。
  相反地，如果 x x x满足约束条件式(C.2)和(C.3),则由式(C.5)和式(C.4)可知， θ p ( x ) = f ( x ) \theta_{p}(x)=f(x) θp​(x)=f(x)。因此，
(C.7) θ p ( x ) = { f ( x ) ， x 满 足 原 始 条 件 约 束 + ∞ ， 其 他 \theta_{p}(x)=\begin{cases} f(x)，&x满足原始条件约束\\ +\infty，&其他 \end{cases} \tag{C.7} θp​(x)={f(x)，+∞，​x满足原始条件约束其他​(C.7)
所以如果考虑极小化问题
(C.8) min ⁡ x θ p ( x ) = min ⁡ x max ⁡ α , β : α i ≥ 0 L ( x , α , β ) \min_{x}\theta_{p}(x)=\min_{x}\max_{\alpha,\beta:\alpha_{i}\ge 0}L(x,\alpha,\beta) \tag{C.8} xmin​θp​(x)=xmin​α,β:αi​≥0max​L(x,α,β)(C.8)
它是与原始最优化问题(C.1~C.3)等价的，即他们由相同的解。问题 min ⁡ x max ⁡ α , β : α i ≥ 0 L ( x , α , β ) \min \limits_{x}\max \limits_{\alpha,\beta:\alpha_{i}\ge 0}L(x,\alpha,\beta) xmin​α,β:αi​≥0max​L(x,α,β)称为广义拉格朗日极小极大问题。这样，就把原始问题的最优值
(C.9) p ∗ = min ⁡ x θ p ( x ) p^*=\min_{x}\theta_{p}(x) \tag{C.9} p∗=xmin​θp​(x)(C.9)
称为原始问题的值。

2、对偶问题

定义
(C.10) θ D ( α , β ) = min ⁡ x L ( x , α , β ) \theta_{D}(\alpha,\beta) = \min_{x}L(x,\alpha,\beta) \tag{C.10} θD​(α,β)=xmin​L(x,α,β)(C.10)
在考虑极大化 θ D ( α , β ) = min ⁡ x L ( x , α , β ) \theta_{D}(\alpha,\beta) = \min_{x}L(x,\alpha,\beta) θD​(α,β)=minx​L(x,α,β)，即
(C.11) max ⁡ α , β : α i ≥ 0 θ D ( α , β ) = max ⁡ α , β : α i ≥ 0 min ⁡ x L ( x , α , β ) \max_{\alpha,\beta:\alpha_{i}\ge 0}\theta_{D}(\alpha,\beta)=\max_{\alpha,\beta:\alpha_{i}\ge 0}\min_{x}L(x,\alpha,\beta) \tag{C.11} α,β:αi​≥0max​θD​(α,β)=α,β:αi​≥0max​xmin​L(x,α,β)(C.11)
问题 max ⁡ α , β : α i ≥ 0 min ⁡ x L ( x , α , β ) \max \limits_{\alpha,\beta:\alpha_{i}\ge 0}\min_{x}L(x,\alpha,\beta) α,β:αi​≥0max​minx​L(x,α,β)称为广义拉格朗日函数的极大极小问题。
  可以将广义拉格朗日函数的极大极小问题表示为约束最优化问题：
(C.12) max ⁡ α , β θ D ( α , β ) = max ⁡ α , β min ⁡ x L ( x , α , β ) \max_{\alpha,\beta}\theta_{D}(\alpha,\beta)=\max_{\alpha,\beta}\min_{x}L(x,\alpha,\beta) \tag{C.12} α,βmax​θD​(α,β)=α,βmax​xmin​L(x,α,β)(C.12)
(C.13) s . t .   α i ≥ 0 ， i = 1 , 2 , … , k s.t. \ \alpha_{i}\ge 0，i=1,2,\ldots,k \tag{C.13} s.t. αi​≥0，i=1,2,…,k(C.13)
称为原始问题的对偶问题。定义对偶问题的最优值
(C.14) d ∗ = max ⁡ α , β : α i ≥ 0 θ D ( α , β ) d^*=\max_{\alpha,\beta:\alpha_{i}\ge 0}\theta_{D}(\alpha,\beta) \tag{C.14} d∗=α,β:αi​≥0max​θD​(α,β)(C.14)
称为对偶问题的值。

3、原始问题和对偶问题的关系

定理C.1 若原始问题对偶问题都有最优值，则
(C.15) d ∗ = max ⁡ α , β : α i ≥ 0 min ⁡ x L ( x , α , β ) ≤ min ⁡ x max ⁡ α , β : α i ≥ 0 L ( x , α , β ) = p ∗ d^*=\max_{\alpha,\beta:\alpha_{i}\ge 0}\min_{x}L(x,\alpha,\beta) \le \min_{x}\max_{\alpha,\beta:\alpha_{i}\ge 0}L(x,\alpha,\beta) = p^* \tag{C.15} d∗=α,β:αi​≥0max​xmin​L(x,α,β)≤xmin​α,β:αi​≥0max​L(x,α,β)=p∗(C.15)
证明 由式 ( C . 12 ) (C.12) (C.12)和式 ( C . 5 ) (C.5) (C.5),对任意的 α , β \alpha,\beta α,β和 x x x,有
(C.16) θ D ( α , β ) = min ⁡ x L ( x , α , β ) ≤ L ( x , α , β ) ≤ max ⁡ α , β : α i ≥ 0 L ( x , α , β ) = θ p ( x ) \theta_{D}(\alpha,\beta) = \min_{x}L(x,\alpha,\beta) \le L(x,\alpha,\beta) \le \max_{\alpha,\beta:\alpha_{i}\ge 0}L(x,\alpha,\beta) = \theta_{p}(x) \tag{C.16} θD​(α,β)=xmin​L(x,α,β)≤L(x,α,β)≤α,β:αi​≥0max​L(x,α,β)=θp​(x)(C.16)
即
(C.17) θ D ( α , β ) ≤ θ p ( x ) \theta_{D}(\alpha,\beta) \le \theta_{p}(x) \tag{C.17} θD​(α,β)≤θp​(x)(C.17)
由于原始问题和对偶问题均有最优值，所以，
(C.18) max ⁡ α , β : α i ≥ 0 θ D ( α , β ) ≤ min ⁡ x θ p ( x ) \max_{\alpha,\beta:\alpha_{i}\ge 0}\theta_{D}(\alpha,\beta) \le \min_{x} \theta_{p}(x) \tag{C.18} α,β:αi​≥0max​θD​(α,β)≤xmin​θp​(x)(C.18)
即
(C.19) d ∗ = max ⁡ α , β : α i ≥ 0 min ⁡ x L ( x , α , β ) ≤ min ⁡ x max ⁡ α , β : α i ≥ 0 L ( x , α , β ) = p ∗ d^*=\max_{\alpha,\beta:\alpha_{i}\ge 0}\min_{x}L(x,\alpha,\beta) \le \min_{x}\max_{\alpha,\beta:\alpha_{i}\ge 0}L(x,\alpha,\beta) = p^* \tag{C.19} d∗=α,β:αi​≥0max​xmin​L(x,α,β)≤xmin​α,β:αi​≥0max​L(x,α,β)=p∗(C.19)

推论C.1 设 x ∗ x^* x∗和 α ∗ , β ∗ \alpha^*,\beta^* α∗,β∗分别为原始问题(C.1)-(C.3)和对偶问题(C.12)-(C.13)的可行解，并且 d ∗ = p ∗ d^*=p^* d∗=p∗,则 x ∗ x^* x∗和 α ∗ , β ∗ \alpha^*,\beta^* α∗,β∗分别式原始问题和对偶问题的最优解。

定理C.2 考虑原始问题(C.1)-(C.3)和对偶问题(C.12)-(C.13)。假设函数 f ( x ) f(x) f(x)和 c i ( x ) c_{i}(x) ci​(x)是凸函数， h j ( x ) h_{j}(x) hj​(x)是仿射函数；并且假设不等式约束 c i ( x ) c_{i}(x) ci​(x)是严格可行的，即存在x，对所与 i i i有 c i ( x ) &lt; 0 c_{i}(x) \lt 0 ci​(x)<0,则存在 x ∗ , α ∗ , β ∗ x^*,\alpha^*,\beta^* x∗,α∗,β∗,使 x ∗ x^* x∗是原始问题的解， α ∗ \alpha^* α∗, β ∗ \beta^* β∗是对偶问题的解，并且$
(C.20) p ∗ = d ∗ = L ( x ∗ , α ∗ , β ∗ ) p^*=d^*=L(x^*,\alpha^*,\beta^*) \tag{C.20} p∗=d∗=L(x∗,α∗,β∗)(C.20)

***定理C.3***对原始问题(C.1)-(C.3)和对偶问题(C.12)-(C.13)，假设函数 f ( x ) f(x) f(x)和 c i ( x ) c_{i}(x) ci​(x)是凸函数， h j ( x ) h_{j}(x) hj​(x)是仿射函数，并且假设不等式约束 c i ( x ) c_{i}(x) ci​(x)是严格可行的则 x ∗ x^* x∗和 α ∗ , β ∗ \alpha^*,\beta^* α∗,β∗分别式原始问题和对偶问题的解的充分必要条件是 x ∗ , α ∗ , β ∗ x^*,\alpha^*,\beta^* x∗,α∗,β∗满足下面的Karush-Kuhn-Tucker(KKT)条件：
(C.21) ∇ x L ( x ∗ , α ∗ , β ∗ ) = 0 \nabla_{x}L(x^*,\alpha^*,\beta^*)=0 \tag{C.21} ∇x​L(x∗,α∗,β∗)=0(C.21)
(C.22) α ∗ c i ( x ∗ ) = 0 ,   i = 1 , 2 , … , k \alpha^*c_{i}(x^*)=0,\ i=1,2,\ldots,k \tag{C.22} α∗ci​(x∗)=0, i=1,2,…,k(C.22)
(C.23) c i ( x ∗ ) ≤ 0 ,   i = 1 , 2 , … , k c_{i}(x^*) \le 0, \ i=1,2,\ldots,k \tag{C.23} ci​(x∗)≤0, i=1,2,…,k(C.23)
(C.24) α ∗ ≥ 0 ,   i = 1 , 2 , … , k \alpha^* \ge 0, \ i=1,2,\ldots,k \tag{C.24} α∗≥0, i=1,2,…,k(C.24)
(C.25) h j ( x ∗ ) = 0 ,   j = 1 , 2 , … , l h_{j}(x^*) = 0,\ j = 1,2,\ldots,l \tag{C.25} hj​(x∗)=0, j=1,2,…,l(C.25)
  特别指出，式(C.24)称为KKT的队友互补条件。由此条件可知：若 α ∗ &gt; 0 \alpha^* \gt 0 α∗>0，则 c i ( x ∗ ) = 0 c_{i}(x^*) = 0 ci​(x∗)=0

搏击俱乐部_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
拉格朗日对偶问题
VelvetQuilt的博客
04-06 8382
拉格朗日乘数法、拉格朗日对偶问题的原理，拉格朗日对偶问题的充分条件和必要条件
拉格朗日对偶问题的一些介绍
学习笔记
10-26 1666
还记得SVM里用到拉格朗日对偶，将有约束条件转换成无约束条件问题进行最优值求解，其实也只是会用这个方法而已，至于为啥能这么用，还是不知道的，接下来深入理解一下吧，也为了之后学习正则化做铺垫。
【数学基础】拉格朗日对偶
qq_32742009的博客
08-04 1万+
继介绍完拉格朗日乘子法与KKT条件之后，再来讲讲拉格朗日对偶变换。 为接下来彻底搞清楚SVM做好铺垫。 在优化理论中，目标函数会有多种形式:如果目标函数和约束条件都为变量的线性函数, 称该问题为线性规划； 如果目标函数为二次函数, 约束条件为线性函数, 称该最优化问题为二次规划; 如果目标函数或者约束条件均为非线性函数, 称该最优化问题为非线性规划。每个线性规划问题都有一个与之对应的对偶问题，...
优化问题的拉格朗日Lagrange对偶法原理
tostq的专栏
05-02 3622
上述优化问题的拉格朗日Lagrange对偶法求解，是将上述带约束的目标优化问题改写为如下无约束的Lagrange函数式子。上述Lagrange函数式子存在如下对偶函数，其是Lagrange函数关于取最小值，即：对偶函数是关于的函数，很显然其是原来Lagrange函数式子的下界，假设优化问题存在最优解，当时，此时存在最优目标小于对偶函数。Lagrange对偶法即是通过最大化原问题Lagrange对偶函数，从而逼近原问题的下界来求解原问题最优解，因为。
拉格朗日对偶性详解（手推笔记）
见见大魔王
04-01 7629
个人原创笔记，转载请附上本文链接。 拉格朗日对偶性其实也没有那么难理解，在我梳理过后你会发现也就是那一回事罢了。 围绕着拉格朗日对偶性探讨的整个流程下来，实际上牵扯到 三个问题： 原始问题，我们记作 P。 拉格朗日函数的极小极大问题，我们记作 P'。（后来会发现 极小极大问题 与 原始问题 是等价的） 拉格朗日函数的极大极小问题，我们记作 D。 以及需要注意的 p* 与 d* 之间的关...
拉格朗日对偶性_help1
08-08
拉格朗日对偶性是优化理论中的一个重要概念，它主要应用于处理带约束的最优化问题。原始问题通常是一个在特定约束下的最小化问题，这些约束可能是等式约束或不等式约束。在这个背景下，拉格朗日对偶性提供了一种通过...
简易解说拉格朗日对偶
05-31
### 拉格朗日对偶详解 #### 1. 原始问题与拉格朗日函数 在机器学习领域，特别是在处理约束最优化问题时，常常会遇到需要找到一组参数来最小化或最大化一个目标函数的问题，同时还需要满足一系列的约束条件。这种...
理解拉格朗日对偶1
08-03
拉格朗日对偶是优化理论中的一个重要概念，特别是在处理有约束的优化问题时，它提供了一种理解和解决这些问题的有效方法。对偶问题源于原始优化问题，通过构造拉格朗日函数来转换原问题，使其更容易求解或分析。 1....
拉格朗日函数相关推导.docx
01-04
拉格朗日函数的对偶问题是指在拉格朗日函数中求可行解的过程中运用到了拉格朗日的一个重要结论。 拉格朗日函数的对偶问题可以通过KKT条件来证明。KKT条件是一个必要的条件，用于判断拉格朗日函数的可行解是否满足...
拉格朗日对偶性(Lagrance duality) 推导与简单理解
小鹅鹅的博客
01-24 1万+
引言 在支持向量机和最大熵模型中都会用到拉格朗日对偶性，主要为解决约束最优化问题，通过将原始问题转换为对偶问题求解。为方便理解，遂记录下简单的概念的结论，有理解不当的地方望多提意见~ 1. 原始问题 先从最简单的求函数最小值开始说起： minx∈Rnf(x)\min_{\boldsymbol{x} \in \mathbf{R}^n}f(\boldsymbol{x}) 求f(x)f
拉格朗日对偶性问题-《统计学习方法》学习笔记
XuShuai
10-13 6574
0. 内容介绍         在约束最优化问题中， 常常利用拉个朗日对偶性将原始问题转化为对偶问题，通过解对偶问题而得到原始问题的解，该方法应用在很多的统计学习方法中。例如在上一篇文章中（http://blog.csdn.net/robin_xu_shuai/article/details/52791306）所说的最大熵模型。在学习最大熵模型中我们看到，需要求解满足所有已知条件并且使得熵最大的
简易解说拉格朗日对偶（Lagrange duality）
weixin_34198583的博客
11-09 1159
引言：尝试用最简单易懂的描述解释清楚机器学习中会用到的拉格朗日对偶性知识，非科班出身，如有数学专业博友，望多提意见！ 1.原始问题 假设是定义在上的连续可微函数（为什么要求连续可微呢，后面再说，这里不用多想），考虑约束最优化问题： 称为约束最优化问题的原始问题。 现在如果不考虑约束条件，原始问题就是： 因为假设其连续可微，利用高中的知识，对求导数，然后令导数为...
拉格朗日对偶函数&拉格朗日对偶问题
热门推荐
wulimmya的博客
05-19 2万+
前段时间学了拉格朗日乘子法，学会了构造拉格朗日函数，也就是学会了把带约束（等式或不等式）的优化问题转化为无约束优化问题，私以为这部分就学完了到此为止了，没想到今天推导SVM的数学模型，要推原问题的对偶问题，愣是艰难地卡了大半天，一直没明白对偶问题的含义，原来拉格朗日函数得到以后还要进一步往下推出拉格朗日对偶函数，对偶函数的极值问题就是原问题的对偶问题，本文专门梳理和总结一下，以作学习记录。 本...
拉格朗日对偶详解
qq_42805721的博客
03-15 1万+
问题简述 对偶，是解决最优化问题的一种常用的手段。它能够将一个最优化问题转化成另一个更容易求解的对偶问题。对偶研究中常用的方法是拉格朗日对偶。拉格朗日对偶有以下几个良好的特点： 无论原问题是否为凸问题，对偶问题都是凸优化问题 对偶问题至少给出了原问题最优解的下界 在满足一定条件的时候，对偶问题与原问题的解完全等价 对偶问题通常更容易求解 基于这样的特点，拉格朗日对偶经常被用来求解最优化问题，而...
pillow_heif-0.17.0-pp39-pypy39_pp73-macosx_14_0_arm64.whl
最新发布
07-27
基本介绍 名称与起源：Pillow，原名为PIL（Python Imaging Library），但PIL只支持Python 2版本。随着Python 3的普及，Pillow作为PIL的一个分支出现，兼容Python 3并提供更多的功能和改进。 主要功能：Pillow支持多种图像格式的打开、保存、显示以及基本的图像操作和处理，如裁剪、缩放、旋转、翻转、滤镜应用等。 跨平台性：Pillow库可以在不同的操作系统上运行，包括Windows、Linux和MacOS等。 主要功能模块 Pillow库包含多个功能模块，每个模块都提供了特定的图像处理功能。以下是一些常用的模块： Image：用于处理图像文件，提供打开、保存、调整大小、旋转、裁剪、滤镜等功能。 ImageDraw：提供在图像上绘制各种形状（如线条、矩形、圆形）和文本的功能。 ImageFont：用于加载和使用TrueType字体文件，以便在图像上绘制文本时设置字体样式、大小和颜色。 ImageFilter：提供各种滤镜效果，如模糊、锐化、边缘增强等，用于图像增强、特效处理和图像识别等应用。 ImageEnhance：用于调整图像的亮度、对比度、颜色饱和度等参数，使图像更加清晰、明亮或具有特定的调色效果。 高级功能 除了基本的图像处理功能外，Pillow还支持一些高级功能，如色彩空间转换、直方图均衡化等。这些功能可以帮助用户进行更复杂的图像处理和分析。
SVM中拉格朗日对偶基本原理
06-08
在SVM中，使用拉格朗日对偶性可以将原问题转化为一个对偶问题，并且可以通过对偶问题求解原问题。拉格朗日对偶性的基本思想是将约束优化问题转化为无约束优化问题。具体来说，在SVM中，我们希望找到一个最大间隔超平面来将不同类别的样本分开。这个问题可以被转化为以下的优化问题： $max_{w,b} \quad \frac{1}{2}||w||^2$ $subject\ to:\quad y_i(w^Tx_i+b)\geq1,\quad i=1,2,...,m$ 其中，$w$是超平面法向量，$b$是偏置项，$x_i$是第$i$个样本的特征向量，$y_i\in\{-1,1\}$是第$i$个样本的类别标签，$m$是样本总数。 我们可以使用拉格朗日乘子法来得到对偶问题： $max_{\alpha} \quad \sum_{i=1}^m\alpha_i-\frac{1}{2}\sum_{i=1}^m\sum_{j=1}^m\alpha_i\alpha_jy_iy_jx_i^Tx_j$ $subject\ to:\quad \sum_{i=1}^m\alpha_iy_i=0$ $\alpha_i\geq0,\quad i=1,2,...,m$ 其中，$\alpha$是拉格朗日乘子向量。对偶问题中的变量数量与原问题中的样本数量相同，因此当样本数量很大时，求解对偶问题会更加高效。
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