吴恩达机器学习笔记-梯度下降+线性回归+正规方程+逻辑回归+正则化（带matlab程序）

最新推荐文章于 2022-10-16 14:39:14 发布
最新推荐文章于 2022-10-16 14:39:14 发布
阅读量763 收藏 13
点赞数 3
分类专栏： 机器学习
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_43056684/article/details/88076223
版权

线性回归模型

在这里插入图片描述二元函数线性回归

在这里插入图片描述
多元函数线性回归
在这里插入图片描述

梯度下降公式

在这里插入图片描述

注意：如果多个变量的话要最后统一赋值（左边对右边错）
在这里插入图片描述

代码

void C拟合直线View::OnLinearRegression()
{
	// TODO: 在此添加命令处理程序代码

	st0 = 0; st1 = 0;//初始化seita
	float af = 0.00001;//设置学习率

	float st0_old = st0+1, st1_old = st1+1;
	double V_sum_sum = 0, V_sum_sum_old = 20000000;
	double  V_sum_0 = 0, V_sum_1 = 0;
	while (fabs(st0_old - st0)>0.0001||fabs(st1_old - st1)>0.0001)//判断条件 st0 st1变化不超过一个数
//	while (fabs(V_sum_sum_old - V_sum_sum)>100)
	{
		V_sum_0 = 0;
		V_sum_1 = 0;
		V_sum_sum = 0;
		V_sum_sum_old = V_sum_sum;
		for (int i = 0; i < count; i++)
		{
			V_sum_0 += st0 + st1*mPoint[i].x - mPoint[i].y;
			V_sum_1 += (st0 + st1*mPoint[i].x - mPoint[i].y)*mPoint[i].x;
			V_sum_sum += (st0 + st1*mPoint[i].x - mPoint[i].y)*(st0 + st1*mPoint[i].x - mPoint[i].y);
		}

		st0_old = st0 ; st1_old = st1;
		st0 = st0 - af*100*V_sum_0 / count;
		st1 = st1 - af*V_sum_1 / count;

	}
	b = st0;//a,b是输出直线的两个参数y=a*x+b
	a = st1;


}

运行结果
在这里插入图片描述

正规方程

核心是求出令代价函数每个偏导为0的参数
在这里插入图片描述
公式：
在这里插入图片描述在这里插入图片描述

正规方程与梯度下降法的优缺点

梯度下降法正规方程
需要选择学习率α不需要选择学习率α
需要多次迭代不需要多次迭代，一次就能计算出来
特征量很多的时候也能运行很好 （十万个特征量）特征量很多时（XTX)-1 计算量过多（计算时间是特征量的3次方）十万级别为大概分界

matlab程序

p=[1,3;2,5;3,9;30,10;60,30;80,47;50,18]%输入点
n=3 %拟合的线公式最高次数 y=st(1)+st(2)*x^1+st(3)*x^2+...+st(n+1)*x^n
x= []
y=[]
for ii=1:size(p,1)
    xx=[1]
    for iii=1:n-1
        xx=[xx,p(ii,1).^iii]
    end
    x=[x;xx]
    y=[y;p(ii,2)]
end

%{
x=[
    1,p(1,1),p(1,1).^2,p(1,1).^3;
    1,p(2,1),p(2,1).^2,p(2,1).^3;
    1,p(3,1),p(3,1).^2,p(3,1).^3;
    1,p(4,1),p(4,1).^2,p(4,1).^3;
    ]

y=[p(1,2);p(2,2);p(3,2);p(4,2);]
%}


st=(((x')*x)^-1)*(x')*y %正规方程公式

i=[0:100]
j=[0]
 for iii=1:n
       j=j+st(iii).*(i.^(iii-1))
 end
%j=st(1)+st(2).*i+st(3).*(i.^2)%+st(4).*(i.^3)
plot(p(:,1),p(:,2),'o')
hold on
plot(i,j)

结果
在这里插入图片描述

逻辑回归

本质是将线性回归的结果通过logistic函数转换到0-1之间，同时，logistic函数还能使得代价函数成为一个凸函数，从而可以使用梯度下降公式，寻找最低点

代价函数与cost

在这里插入图片描述

Cost函数

在这里插入图片描述在这里插入图片描述
简化后的代价函数
在这里插入图片描述
一对多分类时

在这里插入图片描述

matlab代码

其中添加了学习率的pd控制并限幅，有一定的效果

pt_1=[1,1;3,3;2,4;4,5;7,-1;4,9;6,4]%输入正点
pt_0=[1,4;6,8;7,8;9,5;0,-1;6,-3;8,-2;9,0;4,11]%输入负点

plot(pt_0(:,1),pt_0(:,2),'or',pt_1(:,1),pt_1(:,2),'+b')%画出点
hold on

%分别计算正负点的个数
n_1=size(pt_1,1)
n_0=size(pt_0,1)

%分别为正点和负点的矩阵后面添加1的标志
pt_1=[pt_1 ,ones(n_1,1)]
pt_0=[pt_0 ,zeros(n_0,1)]

%将所有点放到一个矩阵中，并计算所有点的个数
pt=[pt_1;pt_0]
m=size(pt,1)


n=8  %设置要拟合的曲线公式的最高次数 a+b*x+c*y+d*x^2+e*x*y+f*y^2 此时，n为2

%定义xy矩阵，存放所有特征变量值和标定的结果
x=[]
y=[]

% 计算xy矩阵
% 格式 x为：
% [   1      , 1      , 1      , 1     ,...1     ;
%     x1     , x2     , x3     , x4     ,...,xm;
%     y1     , y2     , y3     , y4     ,...,ym;
%     x1^2   , x2^2   , x3^2   , x4^2   ,...,ym^2;
%     x1*y1...
%     y1^2...
%     .
%     .
%     y1^n...                                      ]
%     
% y为：
% [    y1,y2,y3...ym    ]
for ii=1:m
    
    xx=[]
    for j=0:n
        for iii=0:j
            xx=[xx;(pt(ii,1).^iii).*(pt(ii,2).^(j-iii))]
        end      
    end
%   xx=[1;pt(ii,1);pt(ii,2);pt(ii,1).^2;pt(ii,1).*pt(ii,2);pt(ii,2).^2;pt(ii,1).^3;(pt(ii,1).^2).*pt(ii,2);pt(ii,1).*(pt(ii,2).^2);pt(ii,2).^3]
     
    x=[x,xx]
    y=[y,pt(ii,3)]
end


%定义学习率 af=[0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01];
af_1=ones((n+2)*(n+1)/2,1)*0.0001
af=af_1

%初始化特征值st=[0;0;0;0;0;0;0;0;0;0;0;0;0;0;0];
st=ones((n+2)*(n+1)/2,1)*0
st_old=st+1%上一个特征值，为了判断梯度下降结束条件和引入学习率pd控制需要

sum=[0]%公式中间变量
s_1=-ones(1,n_1)%存储所有正点在当前特征值st下的值，为了判断是否分类成功用
s_0=ones(1,n_0)%同上



%while(max(s_0(:))>-4|min(s_1(:))<4|max(st_old-st)>0.00001|max(st-st_old)>0.00001)%分类成功且st变化小于某个数
while(max(s_0(:))>-1000|min(s_1(:))<1000)%是否分类成功
%while(max(st_old-st)>0.00001|max(st-st_old)>0.00001)%st变化小于某个数

   st_old=st;
   for ii=1:46600%每次迭代计算多次
       
       %梯度下降公式，
       sum=((1+ exp(-st'*x)).^(-1)-y)*x'/m;
       st=st-sum'.*af;
   end
   
   %计算正负点带入当前特征值st后的结果，如果一个所有值大于0，一个所有值小于0，则分类成功
   s_1=[ones(1,n_1)];%;pt_1(:,1)';pt_1(:,2)';(pt_1(:,1)').^2;(pt_1(:,1)').*(pt_1(:,2)');(pt_1(:,2)').^2;(pt_1(:,1)').^3;(pt_1(:,1)').^2.*(pt_1(:,2)');(pt_1(:,1)').*(pt_1(:,2)').^2;(pt_1(:,2)').^3];
   s_0=[ones(1,n_0)];%;pt_0(:,1)';pt_0(:,2)';(pt_0(:,1)').^2;(pt_0(:,1)').*(pt_0(:,2)');(pt_0(:,2)').^2;(pt_0(:,1)').^3;(pt_0(:,1)').^2.*(pt_0(:,2)');(pt_0(:,1)').*(pt_0(:,2)').^2;(pt_0(:,2)').^3];
   for j=1:n
        for iii=0:j
            s_1=[s_1;(pt_1(:,1)'.^iii).*(pt_1(:,2)'.^(j-iii))];
            s_0=[s_0;(pt_0(:,1)'.^iii).*(pt_0(:,2)'.^(j-iii))];
        end      
   end
   s_1=st'*s_1
   s_0=st'*s_0 
   st
    
   af=af_1+abs(st-st_old)*0.04;%引入学习率af的pd控制
   af=af.*(af<af_1*5)+2*af_1.*(af>=af_1*5);%学习率af限幅，大于af初始值的多少倍的话就是给这个值
end



%ellipsefig1(st(4),st(6),st(5),st(2),st(3),st(1));

%绘制图像，本来是二元多次函数的曲线图像，但是没找到合适的函数，
%通过采用绘制二元多次函数在一点范围内的三维图，设置z轴范围比如-1到1之间显示，从俯视图可以勉强看到曲线的形状
[x, y] = meshgrid(-10:0.05:20); % 步长可以适当地增大， 
a=2
z=st(1)
for j=1:n
    for iii=0:j
         z=z+ st(a)*(x.^(iii)).*(y.^(j-iii));
         a=a+1
    end
end
%z = 3*x.^2+3*y.^2+3*x.*y+1-3*x-3*y;
%mesh(x, y, z)
surf(x, y, z)%显示三维图像
axis([-10 20 -10 20 -0.001 0.001])%限制z轴
view([-0.1,89.9])%设置观察角度，稍微倾斜一下曲线比较清晰

图像

在这里插入图片描述

线性回归的正则化

目的是解决过拟合问题，通过减少特征个数或者令某些特征量非常小，

通过下图方法可以使得指定特征值变的非常小
在这里插入图片描述

代价函数如下
在这里插入图片描述

梯度函数如下
在这里插入图片描述正则化的正规方程如下

在这里插入图片描述在这里插入图片描述
代码

p=[1,3;11,9;25,9;39,10;50,20;60,37;70,40;80,57]%;90,60]%输入点
n=7  %拟合的线公式最高次数 y=st(1)+st(2)*x^1+st(3)*x^2+...+st(n+1)*x^n
x= []
y=[]
for ii=1:size(p,1)
    xx=[1];
    for iii=1:n-1
        xx=[xx,p(ii,1).^iii];
    end
    x=[x;xx];
    y=[y;p(ii,2)];
end

%{
x=[
    1,p(1,1),p(1,1).^2,p(1,1).^3;
    1,p(2,1),p(2,1).^2,p(2,1).^3;
    1,p(3,1),p(3,1).^2,p(3,1).^3;
    1,p(4,1),p(4,1).^2,p(4,1).^3;
    ]

y=[p(1,2);p(2,2);p(3,2);p(4,2);]
%}


lbd=1000000;%正则化的系数 
e=eye(n,n);%计算单位矩阵
e(1,1)=0;



st=(((x')*x)^-1)*(x')*y %正规方程公式
st_z=(((x')*x+lbd*e)^-1)*(x')*y %正则化后的正规方程公式


i=[0:100];
j=[0];
 for iii=1:n
       j=j+st(iii).*(i.^(iii-1));
 end
%j=st(1)+st(2).*i+st(3).*(i.^2)%+st(4).*(i.^3)
plot(p(:,1),p(:,2),'ok')
hold on
plot(i,j,'r')

i=[0:100];
j=[0];
 for iii=1:n
       j=j+st_z(iii).*(i.^(iii-1));
 end
 plot(i,j,'b')
 
 axis([0,100,0,100])

运行结果对比

红色未正则化，蓝色正则化
在这里插入图片描述

逻辑回归的正则化

代价函数
在这里插入图片描述梯度下降函数
在这里插入图片描述
程序

pt_1=[1,1;3,3;2,4;4,6;7,1;4,0;7,2]%输入正点
pt_0=[1,7;6,8;7,8;9,5;0,-1;6,-3;8,-2;9,0;4,11]%输入负点

plot(pt_0(:,1),pt_0(:,2),'or',pt_1(:,1),pt_1(:,2),'+b')%画出点
hold on

%分别计算正负点的个数
n_1=size(pt_1,1)
n_0=size(pt_0,1)

%分别为正点和负点的矩阵后面添加1的标志
pt_1=[pt_1 ,ones(n_1,1)]
pt_0=[pt_0 ,zeros(n_0,1)]

%将所有点放到一个矩阵中，并计算所有点的个数
pt=[pt_1;pt_0]
m=size(pt,1)


n=6  %设置要拟合的曲线公式的最高次数 a+b*x+c*y+d*x^2+e*x*y+f*y^2 此时，n为2

%定义xy矩阵，存放所有特征变量值和标定的结果
x=[]
y=[]

% 计算xy矩阵
% 格式 x为：
% [   1      , 1      , 1      , 1     ,...1     ;
%     x1     , x2     , x3     , x4     ,...,xm;
%     y1     , y2     , y3     , y4     ,...,ym;
%     x1^2   , x2^2   , x3^2   , x4^2   ,...,ym^2;
%     x1*y1...
%     y1^2...
%     .
%     .
%     y1^n...                                      ]
%     
% y为：
% [    y1,y2,y3...ym    ]
for ii=1:m
    
    xx=[]
    for j=0:n
        for iii=0:j
            xx=[xx;(pt(ii,1).^iii).*(pt(ii,2).^(j-iii))]
        end      
    end
%   xx=[1;pt(ii,1);pt(ii,2);pt(ii,1).^2;pt(ii,1).*pt(ii,2);pt(ii,2).^2;pt(ii,1).^3;(pt(ii,1).^2).*pt(ii,2);pt(ii,1).*(pt(ii,2).^2);pt(ii,2).^3]
     
    x=[x,xx]
    y=[y,pt(ii,3)]
end


%定义学习率 af=[0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01;0.01];
af_1=ones((n+2)*(n+1)/2,1)*0.00003
af=af_1

%初始化特征值st=[0;0;0;0;0;0;0;0;0;0;0;0;0;0;0];
st=ones((n+2)*(n+1)/2,1)*0.0
st_old=st+1%上一个特征值，为了判断梯度下降结束条件和引入学习率pd控制需要

sum=[0]%公式中间变量
s_1=-ones(1,n_1)%存储所有正点在当前特征值st下的值，为了判断是否分类成功用
s_0=ones(1,n_0)%同上

e=ones((n+2)*(n+1)/2,1)
e(1:6,1)=0
lbd=15
%while(max(s_0(:))>-4|min(s_1(:))<4|max(st_old-st)>0.00001|max(st-st_old)>0.00001)%分类成功且st变化小于某个数
%while(max(s_0(:))>-0.1|min(s_1(:))<0.1)%是否分类成功
while(max(st_old-st)>0.001|max(st-st_old)>0.001)%st变化小于某个数

   st_old=st;
   for ii=1:46000%每次迭代计算多次
       
       %梯度下降公式，
       sum=((1+ exp(-st'*x)).^(-1)-y)*x'/m;
       %st=st-sum'.*af;%未正则化
       
       st=st.*(ones((n+2)*(n+1)/2,1)-lbd*e.*af)-sum'.*af;%正则化
   end
   
   %计算正负点带入当前特征值st后的结果，如果一个所有值大于0，一个所有值小于0，则分类成功
   s_1=[ones(1,n_1)];%;pt_1(:,1)';pt_1(:,2)';(pt_1(:,1)').^2;(pt_1(:,1)').*(pt_1(:,2)');(pt_1(:,2)').^2;(pt_1(:,1)').^3;(pt_1(:,1)').^2.*(pt_1(:,2)');(pt_1(:,1)').*(pt_1(:,2)').^2;(pt_1(:,2)').^3];
   s_0=[ones(1,n_0)];%;pt_0(:,1)';pt_0(:,2)';(pt_0(:,1)').^2;(pt_0(:,1)').*(pt_0(:,2)');(pt_0(:,2)').^2;(pt_0(:,1)').^3;(pt_0(:,1)').^2.*(pt_0(:,2)');(pt_0(:,1)').*(pt_0(:,2)').^2;(pt_0(:,2)').^3];
   for j=1:n
        for iii=0:j
            s_1=[s_1;(pt_1(:,1)'.^iii).*(pt_1(:,2)'.^(j-iii))];
            s_0=[s_0;(pt_0(:,1)'.^iii).*(pt_0(:,2)'.^(j-iii))];
        end      
   end
   s_1=st'*s_1
   s_0=st'*s_0 
   st
    
   af=af_1+abs(st-st_old)*0.1;%引入学习率af的pd控制
   af=af.*(af<af_1*10)+2*af_1.*(af>=af_1*10);%学习率af限幅，大于af初始值的多少倍的话就是给这个值
end



%ellipsefig1(st(4),st(6),st(5),st(2),st(3),st(1));

%绘制图像，本来是二元多次函数的曲线图像，但是没找到合适的函数，
%通过采用绘制二元多次函数在一点范围内的三维图，设置z轴范围比如-1到1之间显示，从俯视图可以勉强看到曲线的形状
[x, y] = meshgrid(-10:0.05:20); % 步长可以适当地增大， 
a=2
z=st(1)
for j=1:n
    for iii=0:j
         z=z+ st(a)*(x.^(iii)).*(y.^(j-iii));
         a=a+1;
    end
end
%z = 3*x.^2+3*y.^2+3*x.*y+1-3*x-3*y;
%mesh(x, y, z)
surf(x, y, z)%显示三维图像
axis([-10 20 -10 20 -0.001 0.001])%限制z轴
view([-0.1,89.9])%设置观察角度，稍微倾斜一下曲线比较清晰

结果对比

加了正则化后的图像
在这里插入图片描述未加正则化

在这里插入图片描述

熙铭在学习
关注
  • 3
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
每天五分钟机器学习：梯度下降求解正则化的逻辑回归模型的最优解
huanfeng_AI的博客
10-16 312
本节课程我们将学习如何使用梯度下降算法求解正则化的逻辑回归模型的最优解。
机器学习中用梯度下降法实现线性回归的MATLAB源代码.rar
04-02
吴恩达机器学习用梯度下降法实现线性回归的MATLAB源代码
基于matlab的梯度下降法实现线性回归
06-04
AI,ML,gradient descent,paper,matlab
带正则化的回归最小二乘算法：回归的基本最小二乘算法（正规方程）-matlab开发
05-29
可用于曲线拟合
机器学习——逻辑回归、正则化
胡图图不糊涂的博客
07-07 614
假设函数： 决策边界取决于θ参数的选取，而与样本无关损失函数： 梯度下降： 可以发现：逻辑回归问题的梯度下降和线性回归的梯度下降公式相同机器学习中经常会在损失函数中加入正则项，称之为正则化（Regularize）。它是为了防止模型过拟合，它的原理是在损失函数上加上某些规则（限制），使参数尽可能地小，从而减少求出过拟合解的可能性 本文只用于个人学习与记录，侵权立删...
吴恩达机器学习课程CODE1：线性回归算法（应用平方误差与梯度下降）
12-22
1.线性回归问题课程笔记 1）简单介绍 线性回归问题需要有一个真实的直线来对给定x求出y，但现在我们不知道这条直线，需要根据训练集去拟合一条无限逼近这条真实直线的直线，以用于预测。 如图根据训练集，力求得到一...
吴恩达机器学习-ex2-逻辑回归（ex2data1和ex2data2)
最新发布
04-13
在本课程中，我们将深入探讨吴恩达教授的机器学习课程中的第二课——逻辑回归（Logistic Regression）。逻辑回归是一种广泛应用于分类问题的统计模型，它不仅简单而且实用，是理解机器学习入门的一个重要概念。 ...
基于Matlab和Python分别实现吴恩达机器学习课程作业（源码+数据+说明文档）.rar
03-26
1、资源内容：基于Matlab和Python分别实现coursera吴恩达机器学习课程作业（源码+数据+说明文档）.rar 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本...
吴恩达机器学习课后练习-ex2
01-20
【吴恩达机器学习课后练习-ex2】是关于机器学习的一个实践环节，主要涉及到的是逻辑回归模型的构建和优化。在这个练习中，你需要使用MATLAB或者Octave环境，配合提供的脚本来完成一系列任务。 首先，你需要理解逻辑...
(转载)【机器学习算法系列之二】浅析Logistic Regression
ligang_csdn的博客
12-23 2035
(原文：https://chenrudan.github.io/blog/2016/01/09/logisticregression.html) 发表于 2016-01-09 | 分类于 project experience | 9条评论 |  872 本文是受rickjin老师的启发，谈谈关于logistic regression的一些内容，虽然已经有珠玉在前，但还是做一
逐步线性回归的matlab程序
05-04
能够解决逐步线性回归的matlab程序。能够输出回归方程（回归方程系数），输出引入的自变量，能够检验回归效果。进行了显著性检验，包括总离差平方和、回归平方和、残差平方和。
正规方程回归算法Python实现
10-07
正规方程回归算法Python实现 原始数据 假设关系为 y=3+x+2z ==== y=a+bx+cz 。。。 canshu=(bianliang.T*bianliang).I*bianliang.T*y #.T转置，.I逆矩阵,*矩阵相乘
MATLAB 梯度下降法（完整版），支持任意维度，手动输入
08-15
MATLAB 梯度下降法（完整版），支持任意维度，手动输入
LinearRegression:Matlab中的线性回归示例（ML课程斯坦福）
05-07
线性回归 Matlab中的线性回归示例（斯坦福大学的机器学习课程） 该存储库中的脚本包含以下ML课程示例： 单变量线性回归 使用梯度下降的多元线性回归 使用正态方程的多元线性回归
吴恩达机器学习ex5-matlab版学习总结笔记-正则化线性回归和偏差方差
m0_46673077的博客
08-05 1193
作业任务项一：正则化线性回归 代码如下： load('E:\研究生\机器学习\吴恩达机器学习python作业代码\code\ex5-bias vs variance\ex5data1.mat') plot(X,y,'rx','markersize',10,'linewidth',1.5); xlabel('Change in water level (x)'); ylabel('Water flowing out of the dam (y)'); 原始数据如图1所示： 图1 原始数据图像
线性回归模型采用梯度下降算法求最优解
syyyy712的博客
10-13 5562
线性回归模型采用梯度下降算法求得最优解
每天五分钟机器学习：用两种方法求出正则化的线性回归模型最优解
huanfeng_AI的博客
10-16 985
针对于线性回归算法求解最优解，我们学习了两种算法：一种是，另外一种是。本节课程我们还是使用这两种算法来求解带有正则化项的线性回归最优解。
机器学习（第三周）逻辑回归&正则化
liyanchang567的博客
06-10 449
1、二元分类要尝试分类，一种方法是使用线性回归，并将所有大于0.5的预测值映射为1，将小于0.5的所有预测值映射为0二元分类问题，其中y只能取两个值0和1Sigmoid Function（逻辑回归函数）hθ(x)=g(θTx)z=θTxg(z)=11+e−z因为只能取两个值0和1hθ(x)=P(y=1|x;θ)=1−P(y=0|x;θ)P(y=0|x;θ)+P(y=1|x;θ)=1hθ(x)=P(...
机器学习基础 - [第四章：正则化]（4）逻辑回归的正则化
Olivaf的博客
06-08 312
1、正则化的逻辑回归 （1）未正则化的逻辑回归的代价函数： J(θ)=−1m∑i=1m[y(i)log(hθ(x(i))+(1−y(i))log(1−hθ(x(i)))]J(\theta)=-\frac{1}{m}\sum_{i=1}^{m}[y^{(i)}log(h_{\theta}(x^{(i)})+(1-y^{(i)})log(1-h_{\theta}(x^{(i)}))]J(θ)=−m1​...
吴恩达机器学习课程笔记：从线性回归到归一化
"这是一份详细的Andrew Ng吴恩达机器学习课程笔记，涵盖了从机器学习基础到高级主题的全面内容，包括单变量和多变量线性回归、多项式回归、逻辑回归以及归一化（正则化）等关键概念。笔记由Ryan Cheung整理，适合...

“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