【PyTorch】02基础知识---张量与autograd

已于 2022-05-21 17:47:17 修改
阅读量309 收藏 2
点赞数 1
分类专栏： PyTorch学习笔记 文章标签： pytorch python 深度学习
于 2022-05-21 17:20:32 首次发布
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/qq_41566530/article/details/124899919
版权

2 PyTorch基础知识

官方文档：https://pytorch.org/docs/

2.1 安装与配置

人工智能工具库(Anaconda/Pytorch/PyCharm等)安装环境配置视频教程

深度学习环境搭建（从卸载CUDA到安装，以及Pytorch与torchvision的安装）

【PyTorch】1.1 PyTorch简介和安装

重新创建并切换使用虚拟环境的步骤：

  1. 退出当前虚拟环境：conda deactivate
  2. 创建虚拟环境：conda create -n pytorch_1.7 python=3.6
  3. PyTorch官网本地下载链接：https://download.pytorch.org/whl/torch_stable.html
  4. 激活进入虚拟环境：conda activate pytorch_1.7
  5. 清华镜像源安装PyToch1.7：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ "torch-1.7.1+cu110-cp36-cp36m-win_amd64.whl"
  6. 安装torchvision0.8：pip install "torchvision-0.8.2+cu110-cp36-cp36m-win_amd64.whl"
  7. 更新PyCharm的python解释器：File—》Settings —》Project: python36_torch —》Python Interpreter—》Add—》Conda Environment—》Existing environment—》Interpreter—》“D:\SoftwareTool\Anaconda3\envs\pytorch_1.7\python.exe”

2.2 张量(Tensor)

2.2.1 概念

张量是一个多维数组，它是标量、向量、矩阵的高维拓展

【PyTorch】1.2 张量简介

image-20220521162837395

Variable是torch.autograd中的数据类型，主要用于封装Tensor，进行自动求导

image-20220521164709967

参数说明：

  • data：被封装的Tensor

  • grad：data的梯度(偏导数)

  • grad_fn：创建Tensor的Function，是自动求导的关键，记录创建该张量时所用的方法(函数)

  • requires_grad：指示是否需要梯度

  • is_leaf：指示是否为叶子结点(张量)【用户创建的结点(张量)称为叶子结点(张量)】

PyTorch0.4.0版开始，Variable并入Tensor

image-20220521164824137

参数说明：

  • dtype：张量的数据类型，如torch.FloatTensor, torch.cuda.FloatTensor
  • shape：张量的形状，如(64,3,224,224)
  • device：张量所在设备(GPU/CPU)，是加速的关键

2.2.2 创建方法

【PyTorch】1.2 张量创建

常见三种创建方法：

  • 直接创建

  • 依据数值创建

  • 依据概率分布创建

1 直接创建

1.1 torch.tensor()

image-20220521165003813

功能：从data创建tensor

参数说明：

  • data：数据，可以是list、numpy
  • dtype：数据类型，默认与data的一致
  • device：所在设备(GPU/CPU)
  • requires_grad：是否需要梯度
  • pin_memory：是否存于锁页内存

1.2 torch.from_numpy(ndarray)

功能：从numpy创建tensor

注意事项：从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个的数据，另外一个也将会被改动
image-20220521165035422
2. 依据数值创建

2.1 torch.zeros()


功能：根据size创建全0张量

参数说明：

  • size：张量的形状，如(3,3)、(3,224,224)
  • out：输出的张量
  • layout：内存中布局形式，有strided, sparse_coo等
  • device：所在设备(GPU/CPU)
  • requires_grad：是否需要梯度

2.2 torch.zeros_like()


功能：根据input形状创建全0张量

参数说明：

  • input：创建与input同形状的全0张量
  • dtype：数据类型
  • layout：内存中布局形式

2.3 torch.ones()

在这里插入图片描述

功能：根据size创建全1张量

参数说明：

  • size：张量的形状，如(3,3)、(3,224,224)
  • out：输出的张量
  • layout：内存中布局形式，有strided, sparse_coo等
  • device：所在设备(GPU/CPU)
  • requires_grad：是否需要梯度

2.4 torch.ones_like()
在这里插入图片描述
功能：根据input形状创建全1张量

参数说明：

  • input：创建与input同形状的全1张量
  • dtype：数据类型
  • layout：内存中布局形式

2.5 torch.full()
在这里插入图片描述
功能：根据size创建自定义的数值张量

参数说明：

  • size：张量的形状，如(3,3)、(3,224,224)
  • fill_value：张量的值

2.6 torch.full_like()

功能：根据input形状创建自定义的数值张量

2.7 torch.arange()

在这里插入图片描述
功能：创建等差的1维张量

注意事项：数值区间为[start,end)，即左闭右开

参数说明：

  • start：数列起始值
  • end：数列结束值
  • step：数列公差，即步长，默认为1

2.8 torch.linspace()

在这里插入图片描述
功能：创建均分的1维张量

注意事项：长度为steps，数值区间为[start,end]，即左闭右闭

参数说明：

  • start：数列起始值
  • end：数列结束值
  • steps：数列长度，即均分数

2.9 torch.logspace()
在这里插入图片描述
功能：创建对数均分的1维张量

注意事项：长度为steps，底为base

参数说明：

  • start：数列起始值
  • end：数列结束值
  • steps：数列长度，即均分数
  • base：对数函数的底，默认为10

2.10 torch.eye()
在这里插入图片描述
功能：创建单位对角矩阵(2维张量)

注意事项：默认为方阵

参数说明：

  • n：矩阵行数
  • m：矩阵列数

3 依据概率分布创建

3.1 torch.normal()
在这里插入图片描述
功能：生成正态分布(高斯分布)张量

参数说明：

  • mean：均值
  • std：标准差

四种模式：

  • mean为标量，std为标量：需增加设置size参数(张量的形状)
  • mean为标量，std为张量
  • mean为张量，std为标量
  • mean为张量，std为张量

3.2 torch.randn()
在这里插入图片描述
功能：根据size生成标准正态分布(高斯分布)张量

参数说明：

  • size：张量的形状

3.3 torch.randn_like()

功能：根据input形状生成标准正态分布(高斯分布)张量

3.4 torch.rand()

功能：在区间[0,1)上，根据size生成均匀分布张量

参数说明：

  • size：张量的形状

3.5 torch.rand_like()

功能：在区间[0,1)上，根据input形状生成均匀分布张量

3.6 torch.randint()
在这里插入图片描述
功能：在区间[low,high)上，根据size生成整数均匀分布张量

参数说明：

  • size：张量的形状

3.7 torch.randint_like()

功能：在区间[low,high)上，根据input形状生成整数均匀分布张量

3.8 torch.randperm()
在这里插入图片描述
功能：生成从0到n-1的随机排列张量

参数说明：

  • n：张量的长度

3.9 torch.bernoulli()
在这里插入图片描述
功能：以input为概率，生成伯努利分布(0-1分布/两点分布)张量

参数说明：

  • input：概率值

代码实现：

import numpy as np
import torch

# -------------------------------example 1------------------------------------
# 通过torch.tensor创建张量

flag=True
if flag:
    arr1=np.ones((3,3))
    print("ndarray的数据类型：",arr1.dtype)

    t1=torch.tensor(arr1)
    # t=torch.tensor(arr1,device="cuda") # 使用GPU

    print(t1)

print("\n")
# -------------------------------example 2------------------------------------
# 通过torch.from_numpy创建张量

flag=True
if flag:
    arr2=np.array([[1,2,3],[4,5,6]])
    t2=torch.from_numpy(arr2)
    # print("numpy array：",arr2)
    # print("tensor：",t2)

    # print("\n修改arr")
    # arr2[0,0]=0
    # print("numpy array：",arr2)
    # print("tensor：",t2)

    print("\n修改tensor")
    arr2[0,0]=-1
    print("numpy array：",arr2)
    print("tensor：",t2)

print("\n")
# -------------------------------example 3------------------------------------
# 通过torch.zeros建张量

flag=True
if flag:
    out_t=torch.tensor([1])
    t3=torch.zeros((3,3),out=out_t)

    print("t3：\n",t3)
    print("out_t：\n",out_t)

    print(id(t3),id(out_t),id(t3)==id(out_t))

print("\n")
# -------------------------------example 4------------------------------------
# 通过torch.full创建全1张量

flag=True
if flag:
    t4=torch.full((3,3),fill_value=1)

    print("t4：\n",t4)


print("\n")
# -------------------------------example 5------------------------------------
# 通过torch.arange创建等差数列张量

flag=True
if flag:
    t5=torch.arange(2,10,2)  # 步长为2,左闭右开

    print("t5：\n",t5)

print("\n")
# -------------------------------example 6------------------------------------
# 通过torch.linspace创建均分数列张量

flag=True
if flag:
    t6=torch.linspace(2,10,5)  # 均分为5个数,左闭右闭

    print("t6：\n",t6)


print("\n")
# -------------------------------example 7------------------------------------
# 通过torch.normal创建正态分布张量

flag=True
if flag:

    # 模式1: mean:张量  std:张量
    mean=torch.arange(1,5,dtype=torch.float)
    std=torch.arange(1,5,dtype=torch.float)
    t7=torch.normal(mean,std)

    print("mean:{}\nstd:{}".format(mean,std))
    print("t7：\n",t7)

    print("\n")
    # 模式2: mean:标量  std:标量
    mean=0
    std=1
    t8=torch.normal(mean,std,size=(4,))   # mean和std都是标量时需设置size(张量的形状)

    print("mean:{}\nstd:{}".format(mean,std))
    print("t8：\n",t8)

    print("\n")
    # 模式3: mean:张量  std:标量
    mean=torch.arange(1,5,dtype=torch.float)
    std=1
    t9=torch.normal(mean,std)

    print("mean:{}\nstd:{}".format(mean,std))
    print("t9：\n",t9)

    print("\n")
    # 模式4: mean:标量  std:张量
    mean=0
    std=torch.arange(1,5,dtype=torch.float)
    t10=torch.normal(mean,std)

    print("mean:{}\nstd:{}".format(mean,std))
    print("t10：\n",t10)

2.2.3 张量操作

【PyTorch】1.3 张量操作与线性回归

常见四种操作：

  • 拼接
  • 切分
  • 索引
  • 变换

  1. 拼接

    • torch.cat()
      在这里插入图片描述
      功能：将张量按维度dim进行拼接

      参数说明：

      • tensors：张量序列
      • dim：拼接的维度（dim=0：行维度）

    • torch.stack()
      在这里插入图片描述
      功能：在新创建的维度dim上将张量进行拼接

      注意事项：使用时会增加维度

      参数说明：

      • tensors：张量序列
      • dim：拼接的维度

  2. 切分

    • torch.chunk()

      功能：将张量按维度dim进行平均切分

      返回值：张量列表

      注意事项：若不能整除，最后一份张量小于其他张量

      参数说明：

      • input：切分的张量
      • chunks：切分的份数
      • dim：切分的维度

    • torch.split()
      在这里插入图片描述
      功能：将张量按维度dim进行切分

      返回值：张量列表

      参数说明：

      • tensor：切分的张量
      • split_size_or_sections：为int时，表示每一份的长度；为list时，按list元素切分
      • dim：切分的维度

  3. 索引

    • torch.index_select()
      在这里插入图片描述
      功能：在维度dim上，按index索引数据

      返回值：根据index索引数据拼接的张量

      参数说明：

      • input：索引的张量
      • dim：索引的维度
      • index：索引数据的序号

    • torch.masked_select()
      在这里插入图片描述
      功能：按mask中的True进行索引

      返回值：一维张量

      参数说明：

      • input：索引的张量
      • mask：与input同形状的布尔类型张量

  4. 变换

    • torch.reshape()
      在这里插入图片描述
      功能：变换张量形状

      注意事项：当张量在内存中是连续时，新张量与input共享数据内存

      参数说明：

      • input：变换的张量
      • shape：新张量的形状

    • torch.transpose()
      在这里插入图片描述
      功能：交换张量的两个维度

      参数说明：

      • input：变换的张量
      • dim0：交换的维度
      • dim1：交换的维度

    • torch.t()
      在这里插入图片描述
      功能：2维张量转置，对矩阵而言，等价于torch.transpose(input,0,1)

    • torch.squeeze()
      在这里插入图片描述
      功能：压缩长度为1的维度（轴）

      参数说明：

      • dim：若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除

    • torch.unsqueeze()
      在这里插入图片描述
      功能：依据dim扩展维度（轴）

      参数说明：

      • dim：扩展的维度

2.2.4 数学运算

  1. 加减乘除
  2. 对数、指数、幂函数
  3. 三角函数

  1. 加减乘除
    在这里插入图片描述

    • torch.add()
      在这里插入图片描述
      功能：逐个元素计算input+alpha*other

      参数说明：

      • input：第一个张量
      • alpha：乘项因子
      • other：第二个张量

    • torch.addcmul()
      在这里插入图片描述
      功能：(加法结合乘法)逐个元素计算input+value*tensor1*tensor2

    • torch.addcdiv()

      功能：(加法结合除法)逐个元素计算input+value*tensor1/tensor2

  2. 对数、指数、幂函数
    在这里插入图片描述

  3. 三角函数
    在这里插入图片描述

2.3 计算图

计算图是用来描述运算的有向无环图

【PyTorch】1.4 计算图

计算图有两个主要元素：结点（Node）和边（Edge）

  • 结点表示数据，如向量、矩阵、张量

  • 边表示运算，如加减乘除卷积等

用计算图表示：y=(x+w)*(w+1)
在这里插入图片描述

  1. 叶子结点：用户创建的结点(张量)，如X与W

    is_leaf：指示张量是否为叶子结点(张量)
    在这里插入图片描述

  2. grad_fn：记录创建该张量时所用的方法(函数)
    在这里插入图片描述

2.4 PyTorch动态图机制

根据计算图搭建方式，可将计算图分为动态图和静态图

  • 动态图：运算与搭建同时进行
  • 静态图：先搭建图，后运算

【PyTorch】1.4 动态图机制

2.5 autograd(自动求导)

【PyTorch】1.5 autograd与逻辑回归

  1. torch.autograd.backward()
    在这里插入图片描述
    功能：自动求取梯度

    参数说明：

    • tensors：用于求导的张量，如loss
    • grad_tensors：设置多梯度权重
    • retain_graph：保存计算图，设置为True以便后面再次使用计算图(反向传播)
    • create_graph：创建导数计算图，用于高阶求导

  2. torch.autograd.grad()
    在这里插入图片描述
    功能：自动求取梯度

    参数说明：

    • outputs：用于求导的张量，如loss
    • inputs：需要梯度的张量
    • grad_outputs：设置多梯度权重
    • retain_graph：保存计算图，设置为True以便后面再次使用计算图(反向传播)
    • create_graph：创建导数计算图，一阶求导时需设置create_graph=True用于高阶求导

autograd 注意事项：

  1. 梯度不自动清零，即需使用w.grad.zero_()方法进行梯度清零，以防止梯度一直累加
  2. 依赖于叶子结点的结点，requires_grad默认为True
  3. 叶子结点不可执行inplace(原位/原地操作)，即会改变内存地址
执志@☆飞扬か
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
利用pytorch实现对CIFAR-10数据集的分类
09-18
今天小编就为大家分享一篇利用pytorch实现对CIFAR-10数据集的分类，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch-grad-cam-master.zip
05-29
grad-cam Pytorch实现，类激活图，可视化feature map，热图显示图像分类的分类原因，因为什么分的类。
python+pytorch+安装
SunMoonVocano的博客
11-27 262
安装过程 resnet34测试： import torch import torch.nn as nn from torch.autograd import Variable from torchviz import make_dot from torchvision import models dummy_input = Variable(torch.rand(1, 3, 224, ...
【笔记】create_graph = True ： 用于高阶求导
nyist_yangguang的博客
09-12 650
Autograd
qisheng_com的博客
08-27 594
Autograd Autograd is now a core torch package for automatic differentiation. It uses a tape based system for automatic differentiation. In the forward phase, the autograd tape will remember all the ...
AI实战：不想自己开车，Python帮你搞定自动驾驶
最新发布
xiaolinyui的博客
11-22 790
由于state数据量较小（5辆车*7个特征），可以不考虑使用CNN，直接把二维数据的size[5,7]转成[1,35]即可，模型的输入就是35，输出是离散action数量，共5个。数据生成时会默认归一化，取值范围：[100, 100, 20, 20]，也可以设置ego vehicle以外的车辆属性是地图的绝对坐标还是对ego vehicle的相对坐标。输出V*F的矩阵，V代表需要观测的车辆数量（包括ego vehicle本身），F代表需要统计的特征数量。H的灰度图像，W代表图像宽度，H代表图像高度。
PyTorch(一)：PyTorch基础 (PyTorch安装、Tensor、autograd、torch.nn、模型处理、数据处理)
连理o的博客
06-23 1248
本文参考–PyTorch官方教程中文版链接：http://pytorch123.com/FirstSection/PyTorchIntro/ Pytorch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/package_references/Tensor/ PyTorch英文文档：https://pytorch.org/docs/stable/tensors.html 《深度学习之PyTorch物体检测实战》 第一次接触PyTorch，网上很难找到最新版本的
【笔记】create_graph = True 导致内存泄露的解决办法：将backward的反向求导方法 修改为 torch.autograd.grad
nyist_yangguang的博客
09-12 605
PyTorch-1.10(十二)--torch.autograd基本用法
Hanscal
05-15 1053
Torch.autograd torch.autograd提供实现任意标量值函数自动微分的类和函数。只需要对现有代码进行最小的更改（声明张量，设置使用requires_grad=True关键字计算其梯度）. 到目前为止，pytorch只支持浮点张量类型( half, float, double and bfloat16) 和复数张量类型(cfloat, cdouble)的autograd。 backward 计算给定张量相对于图叶节点的梯度之和。 ...
PyTorch基础教程（四）PyTorch 的计算图和自动求导机制
旗狼
08-13 1091
深度学习工具之PyTorch，通过学习PyTorch可以提高神经网络模型搭建效率，更好的构建出您想要的模型。通过学习本章内容，您可以学习到有关 PyTorch 中计算图和自动求导机制的相关内容
PyTorch的官方手册
zhous_的博客
04-10 683
PyTorch的分布式训练：https://pytorch.org/docs/stable/distributed.html。PyTorch的可视化工具：https://pytorch.org/docs/stable/tensorboard.html。PyTorch的API文档：https://pytorch.org/docs/stable/index.html。PyTorch的ONNX导出：https://pytorch.org/docs/stable/onnx.html。
【1】深度学习之Pytorch——张量（tensor）的尺寸、储存偏移及步长等基本概念
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
02-04 4925
这和我们python里面的numpy差不多的，多维数组如何索引，以及相关的概念，如果拥有线性代数的基础，你可以知道什么叫做矩阵，以及这一系列的相关操作，就可以理解这些概念。最开始的张量我们可以看到它是一个，一个数组里面包含2个数组，而这个单独的2个数组里面又包含3个蛋到户的数，那么现在互换维度就是，原来的一个大数组里面包含3个数组，这三个单独的数组里面又包含2个数。如果不是很理解这个，transpose（，2）和transpose（2,1）都是差不多的，互换维度，这里的互换维度到底是什么意思。
MVSNet-pytorch版 源码 MVSNet-pytorch-master
08-27
MVSNet_pytorch版 源码 MVSNet_pytorch-master MVSNet_pytorch版 源码 MVSNet_pytorch-master MVSNet_pytorch版 源码 MVSNet_pytorch-master MVSNet_pytorch版 源码 MVSNet_pytorch-masterMVSNet_pytorch版 源码 ...
Bert-Pytorch-TextClassification-master
08-07
Bert-Pytorch-TextClassification-master
lstm-crf-pytorch:PyTorch中的LSTM-CRF
05-24
PyTorch中的LSTM-CRF 用于序列标记的双向LSTM-CRF的最小PyTorch（1.7.1）实现。 支持的功能： CUDA的小批量培训嵌入层中的查找，CNN，RNN和/或自我关注分层递归编码（HRE） 条件随机场（CRF）的PyTorch实现CRF损失的...
Ubuntu18.04 安装 显卡驱动 Nvidia Driver CUDA CUDNN 与GPU 版本的Pytorch
wangwang的博客
07-10 1312
Ubuntu18.04 安装 显卡驱动 Nvidia Driver CUDA CUDNN 与GPU 版本的Pytorch 2.1 为何选择PyTorch？ Pytoch 由4个主要的包组成： torch: 类似于Numpy的通用数组库，可将张量类型转换为torch.cuda.TensorFloat,并在GPU上进行计算。 torch.autograd: 用于构建计算图形并自动获取梯度的包 torch.nn: 具有共享层和损失函数的神经网络库 torch.optim: 具有通用优化算法（如SGD、Adam等
pytorch中特殊张量的创建(全零、单位、对角、正态分布、随机采样、arange数列等张量)
qq_43061415的博客
02-27 4843
### 特殊张量的创建方法 **全零、单位、对角、正态分布、随机采样、arange数列等张量** 创建一些特殊取值的张量，用于模拟特殊取值的矩阵，如全0矩阵、对角矩阵等 （1）**torch.zeros()方法**，创建全零张量 ```python （1）#创建全零张量 torch.zeros([2, 3]) 结果为：tensor([[0., 0., 0.], [0., 0., 0.]]) ``` 由于zeros就已经确定了张量元素的取值，因此该函数传入的参数实际上是决定了张量的形状。
pytorch 中retain_graph==True的作用
热门推荐
qq_39861441的博客
01-31 3万+
总的来说进行一次backward之后，各个节点的值会清除，这样进行第二次backward会报错，如果加上retain_graph==True后,可以再来一次backward。 retain_graph参数的作用 官方定义： retain_graph (bool, optional) – If False, the graph used to compute the grad will ...
Pytorch问题：autograd与backward()及相关参数的理解
tanmx219的博客
01-09 1万+
关于backward标量的问题 问题提出 在pytorch的官方教程中，有这么一段（我稍微修改了一些） import torch #x = torch.randn(3, requires_grad=True) x = torch.tensor([-1.0, -0.1, -0.05],requires_grad=True) print(x) y = x * 2 index = 0 while...
pytorch基础代码知识
10-10
PyTorch是一个开源的机器学习框架，主要用于构建深度学习模型。下面是一些PyTorch的基础代码知识： 1. 张量（Tensor）操作： - 创建张量：使用`torch.tensor()`函数可以创建一个张量。 - 张量的属性：可以使用`.shape`属性获取张量的形状，使用`.dtype`属性获取张量的数据类型。 - 张量的运算：可以进行加减乘除等基本运算，也可以使用函数`torch.add()`, `torch.sub()`, `torch.mul()`, `torch.div()`等进行运算。 2. 自动求导（Autograd）： - 自动求导：PyTorch使用自动求导机制来计算梯度。要启用自动求导，只需将`requires_grad=True`设置为张量的参数。 - 梯度计算：通过调用`.backward()`方法可以计算张量的梯度。 - 禁用梯度跟踪：可以使用`torch.no_grad()`上下文管理器来禁用梯度的跟踪。 3. 神经网络模块： - 搭建网络：使用`torch.nn.Module`类可以定义神经网络模块。需要实现两个方法：`__init__()`和`forward()`。 - 参数优化：使用`torch.optim`模块可以定义优化器，如SGD、Adam等。可以通过`optimizer.zero_grad()`清零梯度，`optimizer.step()`更新参数。 4. 数据加载： - 数据集：可以使用`torch.utils.data.Dataset`类来定义自己的数据集。 - 数据加载器：使用`torch.utils.data.DataLoader`类可以创建数据加载器，用于批量加载数据。 5. 训练模型： - 训练循环：通常使用两个嵌套的循环来训练模型，外循环用于迭代训练轮数，内循环用于迭代数据批次。 - 前向传播和反向传播：在内循环中，通过前向传播计算输出，然后计算损失，最后使用反向传播计算梯度并更新参数。

“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