13-TensorFlow RNN与LMST和GRU

于 2022-04-30 16:28:57 发布
阅读量471 收藏 6
点赞数
分类专栏： TensorFlow入门 文章标签： rnn tensorflow gru
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_41865229/article/details/124514367
版权

RNN 面临的较大问题是无法解决长跨度依赖问题，即后面节点相对于跨度很大的前面时间节点的信息感知能力太弱.如下图左上角的句子中 sky 可以由较短跨度的词预测出来(云朵联想到天空)，而右下角句子中的 French 与较长跨度之前的 France 有关系(法国联想到法语)，即长跨度依赖，比较难预测。
在这里插入图片描述

1.LMST

在这里插入图片描述

为了解决长期依赖问题，长短记忆网络（Long Short Term Memory,LSTM）应运而生。之所以 LSTM 能解决 RNN 的长期依赖问题，是因为 LSTM 使用门（gate）机制对信息的流通和损失进行控制。
在这里插入图片描述
在这里插入图片描述

2.GRU

门控循环单元(Gated Recurrent Unit，GRU)是 LSTM 的一种变体，将 LSTM 中遗忘门与输入门合二为一为更新门，模型比 LSTM 模型更简单。
在这里插入图片描述
在这里插入图片描述

3.预测股票

这里我们分别用LMST和GRU来预测股票走势

1.数据源

数据下载:https://download.csdn.net/download/qq_41865229/85244420
在这里插入图片描述

在这里插入图片描述

2.基于LMST

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Dropout, Dense, LSTM
import matplotlib.pyplot as plt
import os
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
import math

maotai = pd.read_csv('./SH600519.csv')  # 读取股票文件

training_set = maotai.iloc[0:2426 - 300, 2:3].values  # 前(2426-300=2126)天的开盘价作为训练集,表格从0开始计数，2:3 是提取[2:3)列，前闭后开,故提取出C列开盘价
test_set = maotai.iloc[2426 - 300:, 2:3].values  # 后300天的开盘价作为测试集

# 归一化
sc = MinMaxScaler(feature_range=(0, 1))  # 定义归一化：归一化到(0，1)之间
training_set_scaled = sc.fit_transform(training_set)  # 求得训练集的最大值，最小值这些训练集固有的属性，并在训练集上进行归一化
test_set = sc.transform(test_set)  # 利用训练集的属性对测试集进行归一化

x_train = []
y_train = []

x_test = []
y_test = []

# 测试集：csv表格中前2426-300=2126天数据
# 利用for循环，遍历整个训练集，提取训练集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建2426-300-60=2066组数据。
for i in range(60, len(training_set_scaled)):
    x_train.append(training_set_scaled[i - 60:i, 0])
    y_train.append(training_set_scaled[i, 0])
# 对训练集进行打乱
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)
# 将训练集由list格式变为array格式
x_train, y_train = np.array(x_train), np.array(y_train)

# 使x_train符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]。
# 此处整个数据集送入，送入样本数为x_train.shape[0]即2066组数据；输入60个开盘价，预测出第61天的开盘价，循环核时间展开步数为60; 每个时间步送入的特征是某一天的开盘价，只有1个数据，故每个时间步输入特征个数为1
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
# 测试集：csv表格中后300天数据
# 利用for循环，遍历整个测试集，提取测试集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建300-60=240组数据。
for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60:i, 0])
    y_test.append(test_set[i, 0])
# 测试集变array并reshape为符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]
x_test, y_test = np.array(x_test), np.array(y_test)
x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))

model = tf.keras.Sequential([
    LSTM(80, return_sequences=True),
    Dropout(0.2),
    LSTM(100),
    Dropout(0.2),
    Dense(1)
])

model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
              loss='mean_squared_error')  # 损失函数用均方误差
# 该应用只观测loss数值，不观测准确率，所以删去metrics选项，一会在每个epoch迭代显示时只显示loss值

# checkpoint_save_path = "./checkpoint/LSTM_stock.ckpt"
#
# if os.path.exists(checkpoint_save_path + '.index'):
#     print('-------------load the model-----------------')
#     model.load_weights(checkpoint_save_path)
#
# cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
#                                                  save_weights_only=True,
#                                                  save_best_only=True,
#                                                  monitor='val_loss')

# history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1,
#                     callbacks=[cp_callback])
history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1)
model.summary()

file = open('./weights.txt', 'w')  # 参数提取
for v in model.trainable_variables:
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()

loss = history.history['loss']
val_loss = history.history['val_loss']

plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

################## predict ######################
# 测试集输入模型进行预测
predicted_stock_price = model.predict(x_test)
# 对预测数据还原---从（0，1）反归一化到原始范围
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
# 对真实数据还原---从（0，1）反归一化到原始范围
real_stock_price = sc.inverse_transform(test_set[60:])
# 画出真实数据和预测数据的对比曲线
plt.plot(real_stock_price, color='red', label='MaoTai Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted MaoTai Stock Price')
plt.title('MaoTai Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('MaoTai Stock Price')
plt.legend()
plt.show()

##########evaluate##############
# calculate MSE 均方误差 ---> E[(预测值-真实值)^2] (预测值减真实值求平方后求均值)
mse = mean_squared_error(predicted_stock_price, real_stock_price)
# calculate RMSE 均方根误差--->sqrt[MSE]    (对均方误差开方)
rmse = math.sqrt(mean_squared_error(predicted_stock_price, real_stock_price))
# calculate MAE 平均绝对误差----->E[|预测值-真实值|](预测值减真实值求绝对值后求均值）
mae = mean_absolute_error(predicted_stock_price, real_stock_price)
print('均方误差: %.6f' % mse)
print('均方根误差: %.6f' % rmse)
print('平均绝对误差: %.6f' % mae)

运行结果
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3.基于GRU

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Dropout, Dense, GRU
import matplotlib.pyplot as plt
import os
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
import math

maotai = pd.read_csv('./SH600519.csv')  # 读取股票文件

training_set = maotai.iloc[0:2426 - 300, 2:3].values  # 前(2426-300=2126)天的开盘价作为训练集,表格从0开始计数，2:3 是提取[2:3)列，前闭后开,故提取出C列开盘价
test_set = maotai.iloc[2426 - 300:, 2:3].values  # 后300天的开盘价作为测试集

# 归一化
sc = MinMaxScaler(feature_range=(0, 1))  # 定义归一化：归一化到(0，1)之间
training_set_scaled = sc.fit_transform(training_set)  # 求得训练集的最大值，最小值这些训练集固有的属性，并在训练集上进行归一化
test_set = sc.transform(test_set)  # 利用训练集的属性对测试集进行归一化

x_train = []
y_train = []

x_test = []
y_test = []

# 测试集：csv表格中前2426-300=2126天数据
# 利用for循环，遍历整个训练集，提取训练集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建2426-300-60=2066组数据。
for i in range(60, len(training_set_scaled)):
    x_train.append(training_set_scaled[i - 60:i, 0])
    y_train.append(training_set_scaled[i, 0])
# 对训练集进行打乱
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)
# 将训练集由list格式变为array格式
x_train, y_train = np.array(x_train), np.array(y_train)

# 使x_train符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]。
# 此处整个数据集送入，送入样本数为x_train.shape[0]即2066组数据；输入60个开盘价，预测出第61天的开盘价，循环核时间展开步数为60; 每个时间步送入的特征是某一天的开盘价，只有1个数据，故每个时间步输入特征个数为1
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
# 测试集：csv表格中后300天数据
# 利用for循环，遍历整个测试集，提取测试集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建300-60=240组数据。
for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60:i, 0])
    y_test.append(test_set[i, 0])
# 测试集变array并reshape为符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]
x_test, y_test = np.array(x_test), np.array(y_test)
x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))

model = tf.keras.Sequential([
    GRU(80, return_sequences=True),
    Dropout(0.2),
    GRU(100),
    Dropout(0.2),
    Dense(1)
])

model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
              loss='mean_squared_error')  # 损失函数用均方误差
# 该应用只观测loss数值，不观测准确率，所以删去metrics选项，一会在每个epoch迭代显示时只显示loss值

# checkpoint_save_path = "./checkpoint/stock.ckpt"
#
# if os.path.exists(checkpoint_save_path + '.index'):
#     print('-------------load the model-----------------')
#     model.load_weights(checkpoint_save_path)
#
# cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
#                                                  save_weights_only=True,
#                                                  save_best_only=True,
#                                                  monitor='val_loss')

# history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1,
#                     callbacks=[cp_callback])

history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1)

model.summary()

# file = open('./weights.txt', 'w')  # 参数提取
# for v in model.trainable_variables:
#     file.write(str(v.name) + '\n')
#     file.write(str(v.shape) + '\n')
#     file.write(str(v.numpy()) + '\n')
# file.close()

loss = history.history['loss']
val_loss = history.history['val_loss']

plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

################## predict ######################
# 测试集输入模型进行预测
predicted_stock_price = model.predict(x_test)
# 对预测数据还原---从（0，1）反归一化到原始范围
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
# 对真实数据还原---从（0，1）反归一化到原始范围
real_stock_price = sc.inverse_transform(test_set[60:])
# 画出真实数据和预测数据的对比曲线
plt.plot(real_stock_price, color='red', label='MaoTai Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted MaoTai Stock Price')
plt.title('MaoTai Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('MaoTai Stock Price')
plt.legend()
plt.show()

##########evaluate##############
# calculate MSE 均方误差 ---> E[(预测值-真实值)^2] (预测值减真实值求平方后求均值)
mse = mean_squared_error(predicted_stock_price, real_stock_price)
# calculate RMSE 均方根误差--->sqrt[MSE]    (对均方误差开方)
rmse = math.sqrt(mean_squared_error(predicted_stock_price, real_stock_price))
# calculate MAE 平均绝对误差----->E[|预测值-真实值|](预测值减真实值求绝对值后求均值）
mae = mean_absolute_error(predicted_stock_price, real_stock_price)
print('均方误差: %.6f' % mse)
print('均方根误差: %.6f' % rmse)
print('平均绝对误差: %.6f' % mae)

运行结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

鸣鼓ming
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pixel-rnn-tensorflow：进行中
02-06
TensorFlow中的PixelCNN和PixelRNN TensorFlow实现。 该实现包含： 像素神经网络遮罩卷积（A，B） 像素神经网络LSTM行（进行中） 对角BiLSTM（歪斜，歪斜） 残余连接多尺度PixelRNN（进行中） 数据集MNIST cifar10...
深度学习-网络结构（deep learning-Network Structure）
weixin_43277904的博客
09-18 520
#深度学习 Fully Connected Layer 全连接层 Recurrent Structure 注意的是h和h‘的维度要一样，才能将前后连接起来。 RNN可DEEP 双向RNN 金字塔型RNN 一般形式的RNN LMST GRU 基因演算法在RNN上应用 ...
On Convolutional LSTM Modeling for Joint Wake-Word Detection and Text Dependent Speaker Verification
weixin_44223902的博客
11-20 95
On Convolutional LSTM Modeling for Joint Wake-Word Detection and Text Dependent Speaker Verification 作者：Rajath Kumar1, Vaishnavi Yeruva2, Sriram Ganapathy2 解决的问题 将个性化关键字检测和依赖文本的的说话人识别使用卷积长短时记忆网络模型结合在一个系统中，初始的卷积特征映射由LMST循环网络进一步处理 数据集 使用WSJ和 LibriSpeech co
python类怎么实例化rnn层_RNN及其简单Python代码示例
weixin_39740346的博客
12-22 201
1 概述递归神经网络是时间递归神经网络(recurrent neural network)和结构递归神经网络(recursive neural network)的总称。RNN一般指代时间递归神经网络。RNN早先被提到的可以追溯到1989年Axel Cleeremans的论文。详情查看：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1....
股价翻番 人生赢家，python爬取基金 筛选股票
xpt211314的博客
01-04 1728
前言： 听说你想要变富？那就沉住气慢慢来吧，没听过这句名言么：“穷人总是不想慢慢的变富”。都想着一夜暴富，中个彩票啥的，可哪有那么幸运呢？总不能像我一样中了78万的彩票，然后自己偷偷的花吧。 想要慢慢的变富有，只要理好财就可以了；小钱靠攒，大钱靠赚！之前我也曾苦于思索如何让自己实现财富自由，所以才有了学习理财的想法，说到理财就不得不说一些理财产品，比如黄金、期货、股票、基金等，先普及一下这些小...
无线传感网必知必会
weixin_45590051的博客
12-10 3637
一．填空题： 传感器网络三大基本要素：传感器、感知对象、用户/观测者。 传感器节点的基本功能模块包括 数据采集模块 、数据处理和控制模块 、通信模块 、供电模块 四个，其中 通信模块 能量消耗最大。 传感器节点通信模块的工作模式有 发送 、 接收 、空闲 、睡眠。 无线传感器网络拓扑控制主要通过 功率调节 和 睡眠调节机制 两种方式实现。 传感器网络中的平面路由协议主要有 洪泛路由协议（floodding） 、 闲聊协议（Gossiping） 、 SPIN 协议 等。 传感
用Tushare获取A股所有股票历史数据
malishizu222的博客
04-13 3421
前面章节已经介绍了如何用Tushare调用A股个股的数据，但是在我们量化投资过程中，经常会需要用到全量数据（即所有A股的历史数据）。废话不多说，直接上代码。 以上就是获取历史上所有A股的历史数据的代码，代码运行后效果如下： 终端显示： 生成存储文件： 安装上述操作，我们便可获得所有A股历史数据。 ...............
tensorflow2.x第六篇
Oliverzoo的博客
05-10 1239
rnn，LSTM,GRU股票预测
从零开始用Python实现股票量化交易之小白笔记（5）
洛城的博客
01-28 5506
如上一篇笔记所述，这篇笔记用于记录如何遍历保存日线（前复权）数据。 按以下步骤实现： 1、使用mysql取得所有股票代码和上市日期，返回值是一个二维数组； 2、开始遍历股票，使用for in； 3、查找具体股票在stock_daily_qfq表中最大的交易日期； 4、开启while循环，将日期转化为数值；一年一年地获取日线数据并保存； 5、当开始时间大于当前日期时，结束while循环，...
python 计算当月天数_如何用Python算出股票是上涨天数多还是下跌天数多?
weixin_29745063的博客
01-10 1383
话不多说先上代码：#请使用前复权的日K线数据import os#上涨天数upCount = 0#下跌天数downCount = 0#打开日志文件fs = open(r'C:\Py\result.txt','a+')#循环遍历所有的日K线文件for root, dirs, files in os.walk(r'C:\Py\day'): for file in files: #写日志...
使用LSTM预测股票数据
qq_44783689的博客
11-28 4811
数据集：股票数据集. 数据集来源：:https://www.kaggle.com/dsadads/databases 1 加载数据集 import numpy as np import pandas as pd import datetime stock = pd.read_csv('dataset/SH600519.csv') stock_data = pd.read_csv('dataset/SH600519.csv') stock_data.set_index(['date'], inplace
Tensorflow-RNN-Tutorial:Tensorflow RNN教程
05-10
Tensorflow RNN教程 -一。 在这里，我们将看一下dynamic_rnn，当您在Tensorflow中开始研究RNN模型时会学到。 dynamic_rnn是一个基本的RNN模型API，在学习Seq2Seq（编码器-解码器）模型之前，您需要了解该API。 0. ...
word-rnn-tensorflow：使用TensorFlow在Python中用于单词级语言模型的多层递归神经网络（LSTM，RNN）
02-06
单词张量流 使用TensorFlow在Python中使用词层语言模型的多层递归神经网络（LSTM，RNN）。 大多数重用的代码来自 ，其灵感来自Andrej Karpathy的 。要求基本用法要在tinyshakespeare语料库上使用默认参数进行训练，...
文本生成模板-RNN-Tensorflow
05-04
可用于文本生成，如诗词，歌词生成等 RNN模型 Tensorflow
基于TF的LSTM实现文本分类，基于tensorflow实现：RNN->GRU训练和测试以及预测代码
最新发布
09-28
本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和测试函数是： run_rnn.py 预测函数是： predict_rnn.py # 说明 本文主要是基于tensorflow实现：RNN->GRU训练和测试以及预测代码 训练和...
Tensorflow LMST预测股票
sky_die的专栏
06-14 818
这个是我一直想做的。 其实去年我就开始学习了，可惜意志力不坚定。学理论总是学不完。 TS的demo，我其实都跑了蛮多遍了，官方文档也是。 但是总是做到自己去预测那一步。然后最近，我改变了策略。 开始看那种偏向于实战性的视频。 强烈推荐 北大的ts笔记 棒呆了。完美符合我的预期。 本来是我是去啃youtube的版本的。不过这个，真的是棒呆了。 基础理论虽然很多不懂，但是大致的思路出来了。 --------我是有趣的分割线-------------------------------------- 其实TS做预
12523
hanguabiao0595的博客
09-26 9501
http://www.2i48.niadp.top http://www.t7q1.oadxh.top http://www.27qo.lbcos.top http://www.uqmo.ldpfy.top http://www.ral2.vctkh.top http://www.2jdk.appga.top http://www.bvts.qvgep.top http://www.
循环神经网络-字母预测4
xiaozhanfeng的博客
05-12 181
import os import numpy as np import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.keras.layers import Dense,SimpleRNN,Embedding input_word="abcdefghijklmnopqrstuvwxyz" w_to_id={"a":0,"b":1,"c":2,"d":3,"e":4,"f":5,"g":6,"h":7,"i":8,"j":9
小米笔试-股票最大收益(动态规划)
lizhao007
04-06 4977
题目： 风口之下，猪都能飞。当今中国股市牛市，真可谓“错过等七年”。 给你一个回顾历史的机会，已知一支股票连续n天的价格走势，以长度为n的整数数组表示，数组中第i个元素（prices[i]）代表该股票第i天的股价。 假设你一开始没有股票，但有至多两次买入1股而后卖出1股的机会，并且买入前一定要先保证手上没有股票。若两次交易机会都放弃，收益为0。 设计算法，计算你能获得的最大收益。 输入数值范围：2
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
7. GRU (Gated Recurrent Unit): 一种类似于LSTM的循环神经网络，具有更简化的结构，适用于时间序列数据的建模和预测。 8. RNN (Recurrent Neural Network): 适用于处理序列数据的神经网络模型，能够捕捉时间序列的...

“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