毕业设计：python人脸表情识别系统 情绪识别系统 深度学习 神经网络CNN算法

最新推荐文章于 2024-05-21 23:36:04 发布
最新推荐文章于 2024-05-21 23:36:04 发布
阅读量585 收藏 7
点赞数 5
分类专栏： 毕业设计 biyesheji0002 biyesheji0001 文章标签： 深度学习 神经网络 毕业设计 人脸识别 cnn python 卷积神经网络
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/q_3375686806/article/details/134478256
版权
biyesheji0002 同时被 3 个专栏收录
190 篇文章 60 订阅
订阅专栏
毕业设计
185 篇文章 35 订阅
订阅专栏
biyesheji0001
179 篇文章 6 订阅
订阅专栏

[毕业设计]2023-2024年最新最全计算机专业毕设选题推荐汇总

2023年 - 2024年 最新计算机毕业设计 本科 选题大全 汇总

1、项目介绍

技术栈：
Python语言、人脸表情识别系统、情绪识别系统、深度学习、神经网络、CNN算法、PyQt5、tensorflow、FER数据集、CNN的主流框架之mini_XCEPTION。
识别分类：
生气、厌恶、恐惧、快乐、伤心、惊讶、中性（7种）

2、项目界面

（1）图片识别检测1

在这里插入图片描述

（2）图片识别检测2

在这里插入图片描述

（3）视频检测
在这里插入图片描述

（4）摄像头检测识别

在这里插入图片描述

3、项目说明

首先运用 Adaboos 算法对人 脸面部表情图像进行粗略的裁剪，再利用梯度积分投影和双阈值二值化对人脸面部表情图像中的人眼进行定位从而实现对人脸面部图像的精确裁剪；对于裁剪好的图像又对其进行了基于双线性插值的尺度归一化处理和基于均衡化算法的灰度归一化处理，得到最终的统一尺寸和统一灰度的人脸面部表情图像。

综合考虑的神经元的特征、学习规则和网络的拓扑结构三个方面构建了一个用于对人脸面部表情进行识别和分类的卷积神经网络构架。卷积层采用固定权值的 Gabor 小波直接构造，全连接层采用支持向量机算法进行构造，并运用匹配生长规则 对卷积神经网络的层次结构进行确定，利用反向传播算法对整个卷积神经网进行参 数训练。最终得到经过实验确定的适用于人脸面部表情识别与分类的卷积神经网络 结构。针对 Gabor 小波的位数灾难问题，运用 Fisher 线性判别法改进的主成分分析 法对其进行了降维处理，有效地解决了人脸面部图像维数过多和识别时间较长的问 题。 对改进的主成分分析法结合支持向量机算法与卷积神经网络算法分别进行了人 脸面部表情识别的实验，并与传统的人脸面部表情识别结构进行了比较，验证了卷 积神经网络在人脸面部表情识别的准确性和有效性；另外，对人脸面部表情识别分 类系统进行了设计，并设计了应用于人机交互的 GUI 图形用户界面

4、核心代码


# -*- coding: utf-8 -*-
from PyQt5 import QtCore, QtGui, QtWidgets
from PyQt5.QtWidgets import QFileDialog
from PyQt5.QtCore import Qt
from PyQt5.QtGui import QMovie
from real_time_video_me import Emotion_Rec
from os import getcwd
import numpy as np
import cv2
import time
from base64 import b64decode
from os import remove
from slice_png import img as bgImg
from EmotionRecongnition_UI import Ui_MainWindow
import image1_rc


class Emotion_MainWindow(Ui_MainWindow):
    def __init__(self, MainWindow):
        self.path = getcwd()
        self.timer_camera = QtCore.QTimer()  # 定时器
        self.timer_video = QtCore.QTimer()  # 定时器

        self.setupUi(MainWindow)
        self.retranslateUi(MainWindow)
        self.slot_init()  # 槽函数设置

        # 设置界面动画
        gif = QMovie(':/newPrefix/icons/scan.gif')
        self.label_face.setMovie(gif)
        gif.start()

        self.cap = cv2.VideoCapture()  # 屏幕画面对象
        self.cap2 = cv2.VideoCapture()
        self.CAM_NUM = 0  # 摄像头标号
        self.model_path = None  # 模型路径
        # self.__flag_work = 0

    def slot_init(self):  # 定义槽函数
        self.toolButton_camera.clicked.connect(self.button_open_camera_click)
        self.toolButton_model.clicked.connect(self.choose_model)
        self.toolButton_video.clicked.connect(self.button_open_video_click)

        self.timer_camera.timeout.connect(self.show_camera)
        self.timer_video.timeout.connect(self.show_video)
        self.toolButton_file.clicked.connect(self.choose_pic)

    def button_open_camera_click(self):
        # 界面处理
        self.timer_camera.stop()
        self.timer_video.stop()
        self.cap.release()
        self.cap2.release()
        self.label_face.clear()
        self.label_result.setText('None')
        self.label_time.setText('0 s')
        self.textEdit_camera.setText('实时摄像已关闭')
        self.textEdit_video.setText("视频未选中")
        self.label_outputResult.clear()
        self.label_outputResult.setStyleSheet("border-image: url(:/newPrefix/icons/ini.png);")

        if self.timer_camera.isActive() == False:  # 检查定时状态
            flag = self.cap.open(self.CAM_NUM)  # 检查相机状态
            if flag == False:  # 相机打开失败提示
                msg = QtWidgets.QMessageBox.warning(self.centralwidget, u"Warning",
                                                    u"请检测相机与电脑是否连接正确！ ",
                                                    buttons=QtWidgets.QMessageBox.Ok,
                                                    defaultButton=QtWidgets.QMessageBox.Ok)

            else:
                # 准备运行识别程序
                self.textEdit_pic.setText('文件未选中')
                QtWidgets.QApplication.processEvents()
                self.textEdit_camera.setText('实时摄像已开启')
                self.label_face.setText('正在启动识别系统...\n\nleading')
                # 新建对象
                self.emotion_model = Emotion_Rec(self.model_path)
                QtWidgets.QApplication.processEvents()
                # 打开定时器
                self.timer_camera.start(30)
        else:
            # 定时器未开启，界面回复初始状态
            self.timer_camera.stop()
            self.timer_video.stop()
            self.cap.release()
            self.cap2.release()
            self.label_face.clear()
            self.textEdit_camera.setText('实时摄像已关闭')
            self.textEdit_pic.setText('文件未选中')
            self.textEdit_video.setText('文件未选中')
            gif = QMovie(':/newPrefix/icons/scan.gif')
            self.label_face.setMovie(gif)
            gif.start()
            self.label_outputResult.clear()
            self.label_outputResult.setStyleSheet("border-image: url(:/newPrefix/icons/ini.png);")

            self.label_result.setText('None')
            self.label_time.setText('0 s')

    def button_open_video_click(self):
        # 界面处理
        self.timer_camera.stop()
        self.timer_video.stop()
        self.cap.release()
        self.cap2.release()
        self.label_face.clear()
        self.label_result.setText('None')
        self.label_time.setText('0 s')
        self.textEdit_camera.setText('实时摄像已关闭')
        self.textEdit_video.setText("视频未选中")
        self.label_outputResult.clear()
        self.label_outputResult.setStyleSheet("border-image: url(:/newPrefix/icons/ini.png);")

        if self.timer_video.isActive() == False:  # 检查定时状态
            # 使用文件选择对话框选择图片
            fileName_choose, filetype = QFileDialog.getOpenFileName(
                self.centralwidget, "选取图片文件",
                self.path,  # 起始路径
                "视频(*.mp4;)")  # 文件类型
            self.path = fileName_choose  # 保存路径
            if fileName_choose != '':
                self.textEdit_video.setText(fileName_choose + '文件已选中')
                # 新建对象
                self.cap2 = cv2.VideoCapture(self.path)
                self.emotion_model = Emotion_Rec(self.model_path)
                # 打开定时器
                self.label_face.setText('正在启动识别系统...\n\nleading')
                self.timer_video.start(30)
                QtWidgets.QApplication.processEvents()
            else:
                # 准备运行识别程序
                self.textEdit_pic.setText('文件未选中')
                self.textEdit_video.setText('文件未选中')
                QtWidgets.QApplication.processEvents()
                self.textEdit_camera.setText('实时摄像已关闭')

        else:
            # 定时器未开启，界面回复初始状态
            self.timer_camera.stop()
            self.timer_video.stop()
            self.cap.release()
            self.cap2.release()
            self.label_face.clear()
            self.textEdit_camera.setText('实时摄像已关闭')
            self.textEdit_pic.setText('文件未选中')
            self.textEdit_video.setText('文件未选中')
            gif = QMovie(':/newPrefix/icons/scan.gif')
            self.label_face.setMovie(gif)
            gif.start()
            self.label_outputResult.clear()
            self.label_outputResult.setStyleSheet("border-image: url(:/newPrefix/icons/ini.png);")

            self.label_result.setText('None')
            self.label_time.setText('0 s')

  

    def choose_model(self):
        # 选择训练好的模型文件
        self.timer_camera.stop()
        self.timer_video.stop()
        self.cap.release()
        self.cap2.release()
        self.label_face.clear()
        self.label_result.setText('None')
        self.label_time.setText('0 s')
        self.textEdit_camera.setText('实时摄像已关闭')
        self.textEdit_video.setText('文件未选中')
        self.textEdit_pic.setText('文件未选中')
        self.label_outputResult.clear()
        self.label_outputResult.setStyleSheet("border-image: url(:/newPrefix/icons/ini.png);")

        # 调用文件选择对话框
        fileName_choose, filetype = QFileDialog.getOpenFileName(self.centralwidget,
                                                                "选取图片文件", getcwd(),  # 起始路径
                                                                "Model File (*.hdf5)")  # 文件类型
        # 显示提示信息
        if fileName_choose != '':
            self.model_path = fileName_choose
            self.textEdit_model.setText(fileName_choose + ' 已选中')
        else:
            self.textEdit_model.setText('使用默认模型')

        # 恢复界面
        gif = QMovie(':/newPrefix/icons/scan.gif')
        self.label_face.setMovie(gif)
        gif.start()

源码获取：

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看主页【专栏名称】或者【用户名】或者顶部的【选题链接】就可以找到我获取项目源码学习啦~🍅

大家点赞、收藏、关注、评论啦 ！

q_3375686806
关注
  • 5
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于Python的CNN人脸识别系统设计源码
04-03
该系统通过OpenCV实现对视频信号的实时采集与帧提取，利用Adaboost算法进行人脸图像的提取与分割，并基于Keras搭建CNN卷积神经网络结构，通过训练提取到的人脸图像来识别视频中的实时人脸。适合用于学习和实践Python...
人脸表情识别系统介绍——上篇（python实现，含UI界面及完整代码）
热门推荐
思绪无限的博客
06-09 16万+
摘要：这篇博文介绍基于深度卷积神经网络实现的人脸表情识别系统，系统程序由Keras, OpenCv, PyQt5的库实现，训练测试集采用fer2013表情库。如图系统可通过摄像头获取实时画面并识别其中的人脸表情，也可以通过读取图片识别，本文提供完整的程序文件并详细介绍其实现过程。博文要点如下：表情识别数据集、搭建表情识别的模型、数据增强的批量训练、系统UI界面的实现。点击跳转至博文涉及的全部文件下载页。
python人脸表情识别系统 情绪识别系统 深度学习 神经网络CNN算法毕业设计（包含文档+源码+部署教程）
十多年程序猿资深互联网人，目前专注于Python/Java/大数据项目解决方案制定，提供各行业各编程语言的全套开发服务，喜爱code，喜爱分享，生命不止，编码不息！
11-18 936
python人脸表情识别系统 情绪识别系统 深度学习 神经网络CNN算法毕业设计（包含文档+源码+部署教程）
人脸情绪识别（1）附代码
PLANTTHESON的博客
03-28 1651
通常情况下，等待键盘输入的时间为 1 毫秒。6.使用 cv2.putText 在帧 frame 上绘制预测的情绪类别文字，坐标为 (x+20, y-60)，字体为 cv2.FONT_HERSHEY_SIMPLEX，字体大小为 1，颜色为 (255, 255, 255)（白色），线宽为 2，字体线型为 cv2.LINE_AA。plot_model_history(model_info) 这个函数的作用是绘制模型的训练过程中的历史数据，通常包括训练集和验证集上的损失值和准确率随着训练轮数的变化趋势。
【毕业设计】深度学习人脸识别系统 - python opencv 卷积神经网络
caxiou的博客
11-11 3280
🔥 Hi，大家好，这里是丹成学长的毕设系列文章！🔥 对毕设有任何疑问都可以问学长哦!这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的新项目是🚩基于深度学习的人脸识别🥇学长这里给一个题目综合评分(每项满分5分)难度系数：4分工作量：4分创新点：3分🧿。
基于Python的人脸识别系统 深度学习 毕业设计 （附源码）
十多年程序猿资深互联网人，目前专注于Python/Java/大数据项目解决方案制定，提供各行业各编程语言的全套开发服务，喜爱code，喜爱分享，生命不止，编码不息！
09-20 3562
基于Python人脸识别系统 深度学习 毕业设计 附源码
毕业设计 深度学习 机器视觉 人脸识别系统 - opencv python
HUXINY的博客
10-04 1万+
🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩深度学习 机器视觉 人脸识别系统🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：3分🧿。
基于CNN神经网络的人脸识别考勤系统PyQt5源码
03-25
项目标题：基于CNN神经网络与PyQt5的人脸识别考勤系统 项目概述： 本项目是一款结合了深度学习技术与图形用户界面的人脸识别考勤系统。它采用Python作为主要开发语言，并包含了27个文件，具体文件类型如下： - ...
Python毕业设计-基于Python的人脸识别系统 深度学习 （源码+文档） .zip
04-22
基于Python的人脸识别系统可以使用深度学习技术来实现。以下是实现该系统的一般步骤： 1. 数据收集与准备： - 收集包含人脸的图像数据集。可以从公开的数据集中获取，或者自己创建一个数据集。 - 对图像进行...
文本分类识别系统Python，基于深度学习CNN卷积神经网络算法文本分类系统
11-13
文本分类识别系统Python，基于深度学习CNN卷积神经网络算法.文本分类系统，使用Python作为主要开发语言，通过TensorFlow搭建CNN卷积神经网络对十余种不同种类的文本数据集进行训练，最后得到一个h5格式的本地模型...
毕业设计：python基于深度学习的音乐推荐方法研究系统（源码 + 数据库 + 说明文档）
06-10
毕业设计：python基于深度学习的音乐推荐方法研究系统（源码 + 数据库 + 说明文档） 2深度学习的算法研究 8 2.1卷积神经网络介绍 8 2.1.1卷积神经网络特性 8 2.1.2卷积的方式 8 2.2基本内容推荐算法 8 2.3基于协同...
深度学习之基于Yolov7驾驶员疲劳检测系统
2301_79809972的博客
05-17 926
一、项目背景随着汽车保有量的不断增加，驾驶安全问题日益受到人们的关注。驾驶员疲劳驾驶是导致交通事故的重要原因之一。因此，开发一种能够实时监测驾驶员疲劳状态并提前发出预警的系统对于保障驾驶安全具有重要意义。近年来，深度学习技术特别是目标检测技术在计算机视觉领域取得了显著进展，为驾驶员疲劳检测提供了新的解决方案。本项目旨在利用YOLOv7算法，开发一个基于深度学习的驾驶员疲劳检测系统。二、项目目标。
基于python实现的深度学习的车牌识别系统
最新发布
liudefang的专栏
05-21 692
开发语言:Python。
深入理解深度学习中的激活层：Sigmoid和Softmax作为非终结层的应用
qlkaicx的博客
05-21 427
σx11e−xσx1e−x1​这使得它非常适合于二分类问题的输出层，比如预测一个事件发生与否。
深度学习之基于YoloV5行人及车辆多目标跟踪检测系统
2301_79809972的博客
05-21 267
   一、项目背景与目标随着城市交通的日益复杂，对行人和车辆的实时跟踪检测需求愈发迫切。本项目旨在利用深度学习技术，构建一个基于YoloV5的行人及车辆多目标跟踪检测系统，以提高交通监控的智能化水平，确保道路交通安全。二、技术选型与特点技术选型： YoloV5：作为目标检测的核心算法，YoloV5以其高效、准确的特点成为本项目的首选。它能够在保持高精度的同时，实现较快的检测速度，非常适用于实时性要求较高的场景。 深度学习框架：采用PyTorch等深度学习框架作为技术支撑，利用其强大的计算能力和灵活的编程接口
深度学习之基于YoloV5钢材微小缺陷检测系统
2301_79809972的博客
05-21 206
一、项目背景与目标在钢材生产过程中，由于各种因素，钢材表面可能会出现微小缺陷，如裂纹、气孔等。这些缺陷如果不及时发现和处理，将会严重影响钢材的质量和安全性。因此，开发一个能够准确、快速地检测钢材微小缺陷的系统显得尤为重要。本项目旨在利用深度学习技术，具体是YOLOv5算法，构建一个钢材微小缺陷检测系统，以提高钢材生产的质量控制水平。二、技术选型与特点YOLOv5算法：YOLOv5是一种实时目标检测算法，具有高效、准确的特点。
深度学习之基于Django+Tensorflow卷积神经网络车辆车型分类识别系统
2301_79809972的博客
05-21 168
一、项目背景与目标在智能交通和自动驾驶技术日益发展的背景下，车辆车型分类识别技术显得尤为重要。为了满足交通监控、车辆管理等方面的需求，我们开发了基于Django和Tensorflow卷积神经网络的车辆车型分类识别系统。本项目的目标是构建一个高效、准确的系统，能够自动识别并分类不同的车辆车型，以提升交通管理的效率和安全性。二、技术选型Tensorflow：作为深度学习框架，Tensorflow被广泛应用于构建和训练神经网络模型。其强大的生态系统和广泛的应用基础使得它成为本项目的首选框架。
Python - 深度学习系列34 重塑实体识别
yukai08008的博客
05-21 502
transformers 演变出了两个主要分支BERT(Encoder Only)和GPT(Decoder Only)，中间分支的概念相对淡一些。本次的目的在与梳理和重建实体识别模型，来取得更好的效果。
多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合
小蜗爱建模的博客
05-15 942
多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合
实时人脸表情识别+python+毕业设计
07-13
### 回答1： 实时人脸表情识别是一种基于人工智能和计算机视觉的技术，结合Python编程语言进行毕业设计的主题。该项目旨在实现对人脸表情的实时识别和分类，通过分析和判断人脸表情的变化，进而实现情感识别和情感分析。 首先，为了实现实时人脸表情识别，我们需要采集一组包含不同表情的人脸图像数据集。此数据集可以通过网络资源、开源数据集或自己采集得到。接下来，我们使用Python中的图像处理库OpenCV来获取实时视频流，并使用面部检测算法定位和提取视频流中的人脸。 然后，我们需要使用深度学习方法来训练一个人脸表情分类器。可以使用所采集到的人脸图像数据集，使用Python中的深度学习框架如TensorFlow或PyTorch来构建一个卷积神经网络（CNN）模型。该模型将接受人脸图像作为输入，经过多个卷积层和池化层进行特征提取，并使用全连接层进行分类预测。 在训练好的模型基础上，我们可以将其应用于实时人脸表情识别。通过将每一帧的人脸图像传入该模型，可以获取到实时的人脸表情分类结果。可以根据分类结果，判断人脸表情是开心、生气、惊讶等不同的情绪。 最后，为了更好地展示实时人脸表情识别的效果，我们可以将识别结果通过图像或视频的方式展示出来，比如将分类结果添加在人脸图像上方，或者在视频中不同表情时变换特定符号或贴图。 总结来说，实时人脸表情识别的毕业设计将采用Python编程语言，结合图像处理库和深度学习框架，通过建立和训练卷积神经网络模型，实现对实时人脸表情的识别和分类，并将识别结果进行展示。该项目对于理解和实践人工智能、计算机视觉和深度学习等相关领域的知识具有重要意义。 ### 回答2： 实时人脸表情识别是一种使用计算机视觉技术来检测和识别人脸表情的方法。而使用Python语言进行实时人脸表情识别的毕业设计，可以通过以下步骤来完成： 1. 数据集准备：首先需要准备一个包含多种表情的人脸图像数据集。可以使用公开的人脸表情数据集，如FER2013、CK+等，或者自己构建数据集。 2. 数据预处理：对数据集进行预处理，包括将图像进行裁剪和缩放，使其符合模型输入的要求。还可以使用数据增强技术来扩充数据集，以提高模型的泛化能力。 3. 特征提取：利用深度学习模型，如卷积神经网络（CNN），来提取人脸图像的特征。可以使用已经预训练好的CNN模型，如VGGNet、ResNet等，也可以根据具体需求自己搭建模型。 4. 模型训练：使用提取到的特征作为输入，利用训练集进行模型的训练。可以使用Python的深度学习库，如Tensorflow、Keras等，来搭建和训练模型。在训练过程中，可以使用交叉验证等技术来评估模型的性能。 5. 模型验证：使用测试集对训练好的模型进行验证，评估其在实时人脸表情识别任务上的性能。可以计算模型的准确率、召回率等评价指标，或者通过混淆矩阵来分析不同表情类别的识别结果。 6. 实时表情识别：将训练好的模型应用到实时视频流中，进行人脸表情的实时识别。可以使用Python的图像处理和视频处理库来实现这一步骤，如OpenCV、Dlib等。通过实时检测人脸区域，并对每个人脸区域进行表情分类。 7. 界面设计和优化：将实时人脸表情识别算法与用户界面结合，可以使用Python的GUI库，如Tkinter等，设计一个友好的界面，使用户可以方便地进行实时人脸表情的测试和观察。 通过以上步骤的实现，我们可以完成一个基于Python的实时人脸表情识别系统。该系统可以用于情感分析、人机交互等领域，具有一定的实际应用价值。 ### 回答3： 实时人脸表情识别是一种通过使用Python编程语言开发的技术，用于实时检测和识别人脸表情。它可以分析人脸上的特征，并根据这些特征识别出人脸表情的种类，例如开心、悲伤、惊讶等。 实时人脸表情识别的毕业设计主要包括以下几个步骤： 1. 数据集准备：首先，需要准备一份包含人脸表情样本的数据集。可以通过收集照片、视频或者使用现有的数据集来构建。 2. 数据预处理：对数据进行预处理是非常重要的一步。可以使用Python图像处理库如OpenCV对图像进行裁剪、缩放和灰度化等处理，以提升后续的算法准确度。 3. 特征提取：接下来，使用Python中常用的机器学习库，如Scikit-learn或Tensorflow等，进行特征提取。可以使用基于人脸的特征提取算法，例如局部二值模式（Local Binary Patterns，LBP）或主成分分析（Principal Component Analysis，PCA），来提取人脸表情的特征。 4. 训练模型：使用已经提取的特征，建立分类器模型。可以使用各种机器学习算法，例如支持向量机（Support Vector Machine，SVM）或卷积神经网络（Convolutional Neural Network，CNN），对数据集进行训练，以使模型能够准确地识别人脸表情。 5. 实时检测和识别：最后，使用摄像头采集实时视频流，并对每一帧图像进行处理和分析，以实现人脸表情的实时检测和识别。可以使用Python库如Dlib或OpenCV中的人脸检测器和分类器，对视频流中的人脸进行定位和分类。 总结来说，实时人脸表情识别的毕业设计将通过预处理、特征提取、模型训练和实时检测等步骤，利用Python编程语言实现对人脸表情的实时检测和识别。这项技术可以应用于许多领域，例如情感分析、人机交互等，具有广泛的应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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