手写数据集MNIST（2）——Spyder + Anaconda

已于 2023-08-09 15:17:32 修改
阅读量7.2k 收藏 11
点赞数
分类专栏： 计算机视觉 文章标签： python 深度学习 数据挖掘
于 2020-12-21 21:35:27 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_43783708/article/details/111499773
版权

文章目录

版本工具

Anaconda Navigator : 1.9.12
Spyder : 4.1.4
Python : 3.8

下载数据集

从keras内置直接载入

通过keras内置数据集的包直接载入即可：

#numpy 支持多维数组与矩阵运算
#pandas 基于numpy 为解决数据分析的创建
import random 
import numpy as np
import pandas as pd
#import tensorflow as tf
from tensorflow.python.keras.utils.np_utils import to_categorical
import tensorflow.keras as keras
from matplotlib import pyplot as plt 

#(x,y)测试集,(x_t,y_t)训练集
#(x_train_image,x_train_lable)=(6000,6000)
#(x_test_image,x_test_lable)=(1000,1000)

(x,y),(x_t,y_t) = keras.datasets.mnist.load_data()

# =============================================================================
# print("训练集：x=%s,y=%s"%(x.shape,y.shape))
# print("测试集：x_t=%s,y_t=%s"%(x_t.shape,y_t.shape))
# 
# =============================================================================

查看数据集基本性质

基本操作，仅仅只是查看数据集的属性，此处定义了一个随机数和绘图函数

#输出随机pos开始的连续图像
# =============================================================================
# pos =random.randint(1,59990)
# def plot_image_labels(images,labels,idx,num=5):
#     fig=plt.gcf()
# 
#     fig.set_size_inches(12,14)
# 
#     if num>5:
#         num=5
#     for i in range(0,num):
#         ax=plt.subplot(1,5,1+i)
#         ax.imshow(x[idx],cmap='binary')
#         title='label='+str(y[idx])
#         ax.set_title(title,fontsize=10)
#         ax.set_xticks([])
#         ax.set_yticks([])
#         idx+=1
#         plt.show()
# #训练集随机5张连续图像
# #测试集随机5张连续图像
# plot_image_labels(x,y,pos)
# plot_image_labels(x_t,y_t,pos)
# =============================================================================

在这里插入图片描述

预处理

降维、归一

#将二维图像转换为一维并归一化
x_train_image=x.reshape(60000,784).astype('float')
x_test_image=x_t.reshape(10000,784).astype('float')
x_train_image=x_train_image/255.0
x_test_image=x_test_image/255.0
print("原训练集大小:",x.shape)
print("现训练集大小:",x_train_image.shape)
print("原训练集样例：",x[0])
print("原训练集样例：",x_train_image[0])

在这里插入图片描述

标签独热编码

#将标签转化为独热编码向量组
y_trainOnehot =to_categorical(y)
y_testOnehot =to_categorical(y_t)
print("原训练标签大小",y.shape)
print("现训练标签大小",y_trainOnehot.shape)
print("原训练标签：",y[:10])
print("现训练标签：",y_trainOnehot[:10])

在这里插入图片描述
前半部分代码如下：
代码部分注释掉 请自己消化理解后分块取消注释即可实现

# -*- coding: utf-8 -*-
"""
Spyder Editor

"""
#numpy 支持多维数组与矩阵运算
#pandas 基于numpy 为解决数据分析的创建
import random 
import numpy as np
import pandas as pd
#import tensorflow as tf
from tensorflow.python.keras.utils.np_utils import to_categorical
import tensorflow.keras as keras
from matplotlib import pyplot as plt 

#(x,y)测试集,(x_t,y_t)训练集
#(x_train_image,x_train_lable)=(6000,6000)
#(x_test_image,x_test_lable)=(1000,1000)

(x,y),(x_t,y_t) = keras.datasets.mnist.load_data()

# =============================================================================
# print("训练集：x=%s,y=%s"%(x.shape,y.shape))
# print("测试集：x_t=%s,y_t=%s"%(x_t.shape,y_t.shape))
# 
# =============================================================================
#输出随机pos开始的连续图像
# =============================================================================
# pos =random.randint(1,59990)
# def plot_image_labels(images,labels,idx,num=5):
#     fig=plt.gcf()
# 
#     fig.set_size_inches(12,14)
# 
#     if num>5:
#         num=5
#     for i in range(0,num):
#         ax=plt.subplot(1,5,1+i)
#         ax.imshow(x[idx],cmap='binary')
#         title='label='+str(y[idx])
#         ax.set_title(title,fontsize=10)
#         ax.set_xticks([])
#         ax.set_yticks([])
#         idx+=1
#         plt.show()
# #训练集随机5张连续图像
# #测试集随机5张连续图像
# plot_image_labels(x,y,pos)
# plot_image_labels(x_t,y_t,pos)
# =============================================================================

#将二维图像转换为一维并归一化
x_train_image=x.reshape(60000,784).astype('float')
x_test_image=x_t.reshape(10000,784).astype('float')
x_train_image=x_train_image/255.0
x_test_image=x_test_image/255.0
print("原训练集大小:",x.shape)
print("现训练集大小:",x_train_image.shape)
print("原训练集样例：",x[0])
print("原训练集样例：",x_train_image[0])

#将标签转化为独热编码向量组
y_trainOnehot =to_categorical(y)
y_testOnehot =to_categorical(y_t)
print("原训练标签大小",y.shape)
print("现训练标签大小",y_trainOnehot.shape)
print("原训练标签：",y[:10])
print("现训练标签：",y_trainOnehot[:10])

数据集增强

通过对原数据的图像的像素点进行上下左右移动来扩大数据集

支持文件：因为需要对本地下载好的数据集进行操作，所以还需要自行下载mnist.pkl.gz文件夹
下载地址： https://pan.baidu.com/s/1o96x05xUUTs8c-8i1_YKFw
提取码: 4h9m

下载后，将文件放置在你的增强数据集python文件的同级目录，便于查找
在这里插入图片描述
后半部分代码如下

# -*- coding: utf-8 -*-
"""
Created on Mon Dec 21 20:01:03 2020
"""


from __future__ import print_function
 
import pickle
import gzip
import os.path
import random
 
import numpy as np
 
print("Expanding the MNIST training set")
 
if os.path.exists("../data/mnist_expanded.pkl.gz"): 
    print("The expanded training set already exists.  Exiting.")
else:
    f = gzip.open("./mnist.pkl.gz", 'rb')
    training_data, validation_data, test_data = pickle.load(f,encoding="bytes")
    f.close()
    expanded_training_pairs = []
    j = 0
    for x, y in zip(training_data[0], training_data[1]):
        expanded_training_pairs.append((x, y))
        image = np.reshape(x, (-1, 28))
        j += 1
        if j % 1000 == 0: print("Expanding image number", j)
 
        for d, axis, index_position, index in [
                (1,  0, "first", 0),
                (-1, 0, "first", 27),
                (1,  1, "last",  0),
                (-1, 1, "last",  27)]:
            new_img = np.roll(image, d, axis)
            if index_position == "first": 
                new_img[index, :] = np.zeros(28)
            else: 
                new_img[:, index] = np.zeros(28)
            expanded_training_pairs.append((np.reshape(new_img, 784), y))
    random.shuffle(expanded_training_pairs)
    expanded_training_data = [list(d) for d in zip(*expanded_training_pairs)]
    print("Saving expanded data. This may take a few minutes.")
    f = gzip.open("./mnist_expanded.pkl.gz", "w")   
    pickle.dump((expanded_training_data, validation_data, test_data), f)
    f.close()

效果如下：
在这里插入图片描述

图片取样

通过tensorflow模块下载数据集后，取前20张图片并保存在MNIST_data/raw/ 文件夹下

# -*- coding: utf-8 -*-
"""
Created on Mon Dec 21 19:39:31 2020

"""
from PIL import Image
from tensorflow.examples.tutorials.mnist import input_data
import os

#读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
save_dir = 'MNIST_data/raw/'
if os.path.exists(save_dir) is False:
    os.makedirs(save_dir)
 
# 保存前20张图片
for i in range(20):
    # 请注意，mnist.train.images[i, :]就表示第i张图片（序号从0开始）
    image_array = mnist.train.images[i, :]
    # TensorFlow中的MNIST图片是一个784维的向量，我们重新把它还原为28x28维的图像。
    image_array = image_array.reshape(28, 28)
    # 保存文件的格式为 mnist_train_0.jpg, mnist_train_1.jpg, ... ,mnist_train_19.jpg
    filename = save_dir + 'mnist_train_%d.jpg' % i
    # 将image_array保存为图片
    # 先用scipy.misc.toimage转换为图像，再调用save直接保存。
   
    Image.fromarray((image_array*255).astype('uint8'), mode='L').convert('RGB').save(filename)
    #scipy.misc.toimage(image_array, cmin=0.0, cmax=1.0).save(filename)
 
print('Please check: %s ' % save_dir)

取样效果如下
在这里插入图片描述

图片处理原理

利用PIL下的Image/ImageEnhance处理

# -*- coding: utf-8 -*-
"""
Created on Mon Dec 21 21:59:17 2020

"""

from PIL import Image
from PIL import ImageEnhance


# =============================================================================
# enhancer =ImageEnhance.Sharpness()
# for i in range(8):
#     factor =i/4.0
#     enhancer.enhance(factor).show("Sharpness %f"% factor)
#     
# =============================================================================
   
#图片路径前面添加r，避免python与正则表达式语法的冲突！


#原始图像
image = Image.open(r'C:\Users\dell\.spyder-py3\MNIST_data\raw\mnist_train_0.jpg',mode="r")
image.show()

#亮度增强
enh_bri = ImageEnhance.Brightness(image)
brightness = 1.5
image_brightened = enh_bri.enhance(brightness)
image_brightened.show()

#色度增强
enh_col = ImageEnhance.Color(image)
color = 1.5
image_colored = enh_col.enhance(color)
image_colored.show()
 
#对比度增强
enh_con = ImageEnhance.Contrast(image)
contrast = 1.5
image_contrasted = enh_con.enhance(contrast)
image_contrasted.show()
 
#锐度增强
enh_sha = ImageEnhance.Sharpness(image)
sharpness = 3.0
image_sharped = enh_sha.enhance(sharpness)
image_sharped.show()

图像亮度增强

定义存储路径字符串即可，其余部分都类似于前面存储图片部分

    srcloc = r"C:\Users\dell\.spyder-py3\MNIST_data\raw\mnist_train_"+str(i)+".jpg"

# -*- coding: utf-8 -*-
"""
Created on Mon Dec 21 22:28:49 2020

"""

from PIL import Image
from PIL import ImageEnhance
from tensorflow.examples.tutorials.mnist import input_data
import os
import numpy as np

#读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
save_dir = 'MNIST_data/brightness/'

if os.path.exists(save_dir) is False:
    os.makedirs(save_dir)
 
# 保存前20张图片
for i in range(20):
    srcloc = r"C:\Users\dell\.spyder-py3\MNIST_data\birghtness\mnist_train_"+str(i)+".jpg"
    image_array =Image.open(srcloc,mode="r")
    #增强亮度
    enh_bri = ImageEnhance.Brightness(image_array)
    brightness = 1.5
    image_brightened = enh_bri.enhance(brightness)
    a = np.asarray(image_brightened)
    # 保存文件的格式为 mnist_trainbrightness_0.jpg, mnist_trainbrightness_1.jpg, ... ,mnist_trainbrightness_19.jpg
    filename = save_dir + 'mnist_trainbrightness_%d.jpg' % i
    # 将image_array保存为图片
    # 先用scipy.misc.toimage转换为图像，再调用save直接保存。
    Image.fromarray(a).save(filename)
 
print('Please check: %s ' % save_dir)

亮度增强效果
在这里插入图片描述

图像色度增强

# -*- coding: utf-8 -*-
"""
Created on Mon Dec 21 23:22:42 2020
"""

from PIL import Image
from PIL import ImageEnhance
from tensorflow.examples.tutorials.mnist import input_data
import os
import numpy as np

#读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
save_dir = 'MNIST_data/color/'

if os.path.exists(save_dir) is False:
    os.makedirs(save_dir)
 
# 保存前20张图片
for i in range(20):
    srcloc = r"C:\Users\dell\.spyder-py3\MNIST_data\raw\mnist_train_"+str(i)+".jpg"
    image_array =Image.open(srcloc,mode="r")
    #色度增强
    enh_col = ImageEnhance.Color(image_array)
    color = 1.5
    image_colored = enh_col.enhance(color)
    a = np.asarray(image_colored)
   
    filename = save_dir + 'mnist_traincolor_%d.jpg' % i
    # 将image_array保存为图片
    # 先用scipy.misc.toimage转换为图像，再调用save直接保存。
    Image.fromarray(a).save(filename)
 
print('Please check: %s ' % save_dir)

色度增强效果
在这里插入图片描述

图像对比度增强


# -*- coding: utf-8 -*-
"""
Created on Mon Dec 21 23:22:42 2020

"""

from PIL import Image
from PIL import ImageEnhance
from tensorflow.examples.tutorials.mnist import input_data
import os
import numpy as np

#读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
save_dir = 'MNIST_data/contrast/'

if os.path.exists(save_dir) is False:
    os.makedirs(save_dir)
 
# 保存前20张图片
for i in range(20):
    srcloc = r"C:\Users\dell\.spyder-py3\MNIST_data\raw\mnist_train_"+str(i)+".jpg"
    image_array =Image.open(srcloc,mode="r")
   #对比度增强
    enh_con = ImageEnhance.Contrast(image_array)
    contrast = 1.5
    image_contrasted = enh_con.enhance(contrast)

    a = np.asarray(image_contrasted)
   
    filename = save_dir + 'mnist_traincontrast_%d.jpg' % i
    # 将image_array保存为图片
    # 先用scipy.misc.toimage转换为图像，再调用save直接保存。
    Image.fromarray(a).save(filename)
 
print('Please check: %s ' % save_dir)

对比度增强效果
在这里插入图片描述

图像锐度增强

# -*- coding: utf-8 -*-
"""
Created on Tue Dec 22 00:11:08 2020

"""

from PIL import Image
from PIL import ImageEnhance
from tensorflow.examples.tutorials.mnist import input_data
import os
import numpy as np

#读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
save_dir = 'MNIST_data/sharpness/'

if os.path.exists(save_dir) is False:
    os.makedirs(save_dir)
 
# 保存前20张图片
for i in range(20):
    srcloc = r"C:\Users\dell\.spyder-py3\MNIST_data\raw\mnist_train_"+str(i)+".jpg"
    image_array =Image.open(srcloc,mode="r")
    #锐度增强
    enh_sha = ImageEnhance.Sharpness(image_array)
    sharpness = 3.0
    image_sharped = enh_sha.enhance(sharpness)
    a = np.asarray(image_sharped)
   
    filename = save_dir + 'mnist_trainsharpness_%d.jpg' % i
    # 将image_array保存为图片
    # 先用scipy.misc.toimage转换为图像，再调用save直接保存。
    Image.fromarray(a).save(filename)
 
print('Please check: %s ' % save_dir)

锐度增强效果
在这里插入图片描述

踩坑点：很多函数及包由于版本不同，存在包名及函数名不同的问题,不兼容，需要更改！！！

参考文献

一个处女座的程序猿：https://blog.csdn.net/qq_41185868/article/details/79094752
DemonHunter211：
https://blog.csdn.net/kwame211/article/details/85999357

Valois
关注
专栏目录
Tensorflow实现基于CNN的MNIST的手写数字识别遇到的坑（spyder3）
G果的博客
07-27 869
1.tensorflow2.1的版本问题 module 'tensorflow' has no attribute 'placeholder' 运行报错：tensorflow没有placeholder函数 解决方法： import tensorflow as tf 替换成 import tensorflow.campat.v1 as tf tf.disable_v2_behavior() 参考链接：https://blog.csdn.net/houhuipeng/article/details/9516
Windows + CUDA + Anaconda + TensorFlow + PyCharm
热门推荐
Houchaoqun_XMU的博客
03-24 1万+
【深度学习-tensorflow】CUDA + Anaconda + tensorflow + PyCharm 研究生期间的第一学年，机器学习和深度学习的氛围很浓，包括各种学术报告，各种讲座，还有老师课上的经验之谈。这学期的《机器学习》课程中，王老师提到了【深度学习】的重要性，并告诉我们，“如果不懂得深度学习，那么将来工作都不好找了”（应该是因为我们是计算机系的硕士学生，想让我们找到更好的工作）...
关于Pytorch的MNIST数据集的预处理详解
12-23
关于Pytorch的MNIST数据集的预处理详解 MNIST的准确率达到99.7% 用于MNIST的卷积神经网络（CNN）的实现，具有各种技术，例如数据增强，丢失，伪随机化等。 操作系统：ubuntu18.04 显卡：GTX1080ti python版本：2.7（3.7） 网络架构 具有4层的CNN具有以下架构。 输入层：784个节点（MNIST图像大小） 第一卷积层：5x5x32 第一个最大池层 第二卷积层：5x5x64 第二个最大池层 第三个完全连接层：1024个节点 输出层：10个节点（MNIST的类数) 用于改善CNN性能的工具 采用以下技术来改善CNN的性能。 1. Data au
spyder+tesorflow+mnist
纸巾盒的博客
02-25 1288
网上有很多代码，但实际上还是tensorflow的官网上的代码最好用了，小小的纪念一下我的第一个神经网络，嘻嘻 import tensorflow.examples.tutorials.mnist.input_data as input_data mnist = input_data.read_data_sets('MNIST_data', one_hot=True) import tensor
Anaconda3——多层感知机MLP实现MNIST数据集手写字体识别
最新发布
浩栋的博客
07-20 643
【代码】Anaconda3——多层感知机MLP实现MNIST数据集手写字体识别。
N-MNIST数据集用于ANN2SNN时的预处理过程
weixin_44796852的博客
10-13 1488
N-MNIST数据集用于ANN-SNN时的预处理过程
MNIST数据集的导入与预处理
兴趣使然的创作者
10-20 8238
在做KNN+LDA对MNIST数据集分类时遇到了不少坑，本篇文章主要是记录一下解决这些坑的方案，完整的代码和实验报告等作业结束提交后再进行上传。 MNIST数据集 MNIST数据集简介 MNIST数据集，是一组由美国高中生和人口调查局员工手写的70000个数字的图片。每张图像都用其代表的数字标记。这个数据集被广为使用，因此也被称作是机器学习领域的“Hello World”。 MNIST数据集的获取 MNIST数据集网上流传的大体上有两类，不过两者有些不同，第一种是每幅图片大小是2828的，第二种是每幅图.
Mnist手写体训练（卷积神经网络）
weixin_42653918的博客
06-03 6365
一、环境配置： 一、下载安装Anaconda 1、在百度搜索中输入Anaconda,然后选择下图中的Downloads-Anaconda,进入下载页,或者直接输入网址(https://www.anaconda.com/download/) 2、选择需要的Anaconda版本,我下载的是Windows 64位版本： 直接选择Downlode下载： 3、开始安装，双击下载完的安装包，点击next： ...
使用NumPy读取MNIST数据的实现代码示例
09-18
在处理机器学习或者深度学习中的图像数据时，经常需要用到一个非常著名的手写数字数据集——MNIST。MNIST是一个包含了60,000个训练样本和10,000个测试样本的数据集，每个样本是一张28*28像素的灰度图。为了方便学习...
Win10+Tensorflow1.7.0+Python3.6+Spyder配置
04-12
* 使用TensorFlow的MNIST示例数据集 * 定义输入图像数据占位符和标签占位符 * 定义softmax模型和交叉熵评估代价函数 * 使用梯度下降算法优化模型参数 * 计算正确率和代价函数值 六、深度学习概念 * 深度学习：是一...
mnist数据集及数据处理方法
02-12
mnist数据集（60000训练数据，10000测试数据）。另附Python(Anaconda环境下)个人提取代码，包括标签的编码变换，以及随机抽取训练数据等。
Fashion—Mnist数据集
03-05
Fashion-Mnist数据集，未处理的数据，包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。文件内容：训练数据图片train-images-idx3-ubyte，训练数据标签train-labels-idx1-ubyte，测试数据图片t10k-images-idx3-ubyte，测试数据标签t10k-labels-idx1-ubyte。
win10+anaconda3+python3 mnist训练代码
02-03
win10+anaconda3+python3 mnist训练代码，解压后后运行src文件夹mniistdemo.py文件
万物皆用MNIST---MNIST数据集及创建自己的手写数字数据集
l love CV
03-27 9538
刚刚接触到人工智能的我们，必定会遇到一个非常非常非常熟悉的朋友------MNIST 这是一套流行的手写数字图片，常常被用来测试我们的思想和算法。这个数据集称为手写数字的MNIST数据库，从研究员Yann LeCun 的网站，可以得到这个数据集。 本文并不再介绍MNIST具体是什么，旨在分享记住MNIST的获取方式
Anaconda——导入csv数据集
2301_76513721的博客
02-15 2496
csv数据集导入
手写数字数据集——MINST的读取及预处理
whxhy666的博客
11-08 3124
首先要打开pkl文件，需要用到py包_pickle，这里的open要用rb，因为是要以二进制的方式读取文件。将图像从行向量（1*784）转换成列向量（784*1），并将图像对应的数字也转换成numpy类型的列向量（10*1），数字对应的索引置1，其余位置则为0。其中训练集分为两部分，第一维存储的是图像对应的50000个1*784的向量，第二维存储的50000个是图像对应的数字标签。它已经把手写识别的图片（28*28）转化成了一个向量（1，784），向量中的每一维分别代表原始图像中对应像素点的灰度值。
加载MNIST数据集
weixin_33595571的博客
12-06 501
# -*- coding: utf-8 -*- """ Created on Thu Dec 6 00:53:44 2018 需要翻墙 #QQ群：476842922（欢迎加群讨论学习 @author: Administrator """ import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_d...
【机器学习】分类任务以mnist为例，数据集准备及预处理
种一棵树最好的时间是十年前，其次是现在
09-04 1127
【代码】【机器学习】分类任务以mnist为例，数据集准备及预处理。
（Windows）anaconda安装Labelme并标注自己的数据集+数据集文件准备
weixin_46106424的博客
01-31 3723
主要参考文章： Windows下使用anaconda安装Labelme并标注自己的数据集_wangzhwsme的博客-CSDN博客_anaconda安装labelmehttps://blog.csdn.net/u012746060/article/details/81871733 一、安装环境 windows10，anaconda3，python3.7 二、安装过程 1. 打开anaconda prompt conda create --name=labelme python=3.7 acti
基于CNN的手写数据集MNIST训练教程
标题“CNN_MNIST.zip_MNIST 数据集_cnn 手写_手写数据集训练”明确指出，我们将处理MNIST数据集，并使用CNN进行手写数字的识别训练。这个过程通常涉及几个关键步骤： 1. 数据预处理：对MNIST数据集进行归一化和大小...
评论 4
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