深度神经网络（DNN）之使用GoogleNet进行图像分类

最新推荐文章于 2022-07-13 15:21:27 发布
最新推荐文章于 2022-07-13 15:21:27 发布
阅读量1.5k 收藏 5
点赞数 2
分类专栏： 人工智能 OpenCV 文章标签： 深度学习 opencv
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_44870829/article/details/108391226
版权

使用GoogleNet进行图像分类

前提环境

本文所用环境VS2017+OpenCV4.4+win10

模型下载

在贾老师的github上有模型的完整文件
https://github.com/gloomyfish1998/opencv_tutorial/
本文将其下载到D:\OpenCV\project\下
在这里插入图片描述

本文所用模型

打开下列文件路径
D:\OpenCV\project\opencv_tutorial-master\data\models\googlenet
在这里插入图片描述
可以看到三个文件（在程序中都会用到）

  • bvlc_googlenet.caffemodel这是个caffe模型，在OpenCV中支持离线加载，不依赖caffe，这是模型的权重文件
  • bvlc_googlenet.prototxt这是模型的描述文件
  • classification_classes_ILSVRC2012.txt是一个标签文件，使用editplus打开可以看到1000个分类标签

图像分类模型介绍

• Inception模型 来自Google - Going Deeper with Convolutions, CVPR 2015
在这里插入图片描述
在这里插入图片描述
• 输入：[NxCxHxW], 通道顺序:RGB or BGR
• 输出：softmax层 – prob，Nx1000
• 基于ImageNet数据集

部分操作

引入头文件

#include <opencv2/opencv.hpp>		//opencv头文件
#include <opencv2/dnn.hpp>			//包含dnn模块的头文件
#include <iostream>			//输入输出流
#include <fstream>				//文件流进行txt文件读取

using namespace cv;			//OpenCV的空间
using namespace cv::dnn;			//包含dnn的命名空间
using namespace std;		//输出输出流的空间

用于加载模型的函数

（1）在OpenCV中加载模型要通过readNetWork函数
（2）readNet函数有三个参数，参数1加载网络（caffe、TensorFlow等）,参数2，3为权重路径和描述文件
（3）或者readNetFromCaffe（TensorFlow、darknet、ONNX等）,意思为读进来的必须是caffe模型，此外还支持TensorFlow等模型，只有两个参数
（4）还有readNetFromModelOptimizer从dnn模型优化器中读取模型优化后的模型

Net net = readNetFromCaffe(protxt, bin_model);	//此处只能加载caffe的

计算后台设置

（OpenCVdnn模块支持设置不同的计算后台和在不同的设备上进行）

  • 设置计算后台
  •   net.setPreferableBackend(DNN_BACKEND_OPENCV);				//setPreferableBackend实际计算后台，default默认是DNN_BACKEND_OPENCV作为计算后台，使用此就行（也有加速后台）
  • 设置计算设备
	net.setPreferableTarget(DNN_TARGET_CPU);	//设置在什么设备上进行计算（opencl（需要有interl图形卡）、FPGA、CPU）

当上面两个设置之后，他在执行网络进行推算时就会执行此计算后台进行计算（不同的计算后台有不同的效果，速度也有差别）

具体操作步骤

1.加载模型（读取网络信息）

部分代码如下：

	string bin_model = "D:/OpenCV/project/opencv_tutorial-master/data/models/googlenet/bvlc_googlenet.caffemodel";		//定义模型权重文件的加载路径
	string protxt = "D:/OpenCV/project/opencv_tutorial-master/data/models/googlenet/bvlc_googlenet.prototxt";			//定义模型描述文件的加载路径
	//Imagenet支持1000个分类，分类类别在classification_classes_ILSVRC2012.txt可以看到，一直到1000
	
	//有了模型的权重和描述文件就可以加载模型了
	//在OpenCV中加载模型要通过readNetWork，
	//readNet函数有三个参数，参数1加载网络（caffe、TensorFlow等）,参数2，权重路径，参数3，描述文件
	//或者readNetFromCaffe（TensorFlow、darknet、ONNX等）,意思为读进来的必须是caffe模型，此外还支持TensorFlow等模型，只有两个参数
	//还有readNetFromModelOptimizer从dnn模型优化器中读取模型优化后的模型
	Net net = readNetFromCaffe(protxt, bin_model);

	//设置计算后台（OpenCVdnn模块支持设置不同的计算后台和在不同的设备上进行）
	net.setPreferableBackend(DNN_BACKEND_OPENCV);				//setPreferableBackend实际计算后台，default默认是DNN_BACKEND_OPENCV作为计算后台，使用此就行（也有加速后台ENGINE）
	net.setPreferableTarget(DNN_TARGET_CPU);						//设置在什么设备上进行计算（opencl（需要有interl图形卡）、FPGA、CPU）
	//当上面两个设置之后，他在执行网络进行推算时就会执行此计算后台进行计算（不同的计算后台有不同的效果，速度也有差别）

	//获取各层信息
	vector<string> layer_names = net.getLayerNames();		//此时我们就可以获取所有层的名称了，有了这些可以将其ID取出
	for (int i = 0; i < layer_names.size(); i++) {
		int id = net.getLayerId(layer_names[i]);			//通过name获取其id
		auto layer = net.getLayer(id);						//通过id获取layer
		printf("layer id:%d,type:%s,name:%s\n", id, layer->type.c_str(), layer->name.c_str());	//将每一层的id，类型，姓名打印出来（可以明白此网络有哪些结构信息了）
		//printf("name2:%s\n", layer_names[i].c_str());
	}

输出网络的每层信息如下
在这里插入图片描述
在这里插入图片描述
可以看到共有142层网络信息，其中有Convolution卷积层，relu激活函数，pooling池化层等信息，我们可以清晰的了解此网络结构

2.构建输入

参考链接：https://www.pianshen.com/article/9895277588/

使用模型实现预测的时候，需要读取图像作为输入，网络模型支持的输入数据是四维的输入，所以要把读取到的Mat对象转换为四维张量，OpenCV的提供的API为如下：

Mat blobFromImage(
	InputArray 	image,			//输入图像
	double 	scalefactor = 1.0,		//默认是1.0表示0-255范围的
	const Size & 	size = Size(),		//网络接受的数据大小
	const Scalar & 	mean = Scalar(),	//表示训练时数据集的均值
	bool 	swapRB = false,				//是否互换Red与Blur通道（有些网络需要的输入通道类型为RGB类型，而OpenCV读取的是BGR类型）
	bool 	crop = false,				//crop是剪切
	int 	ddepth = CV_32F 			//ddepth是数据类型。
)
  • 构建输入可以参考OpenCV自带的配置文件，根据此文件进行构建输入
    D:\OpenCV\opencv-4.4.0-vc14_vc15\opencv\sources\samples\dnn\models.yml
    打开文件可以看到，上方链接为模型的下载链接，下方参数为构建输入，进行图像预处理时的参数
    在这里插入图片描述
  • 在描述文件中也有构建输入时的部分信息
    在这里插入图片描述

以下为构建输入的部分代码

	Mat src = imread("G:/OpenCV/opencv笔记所用图片/plane.jpg");	//plane
	if (src.empty()) {
		cout << "could not load image.." << endl;
		getchar();
		return -1;
	}
	imshow("src", src);

	因为googlenet的通道类型是RGB通道的，而OpenCVread读取的是BGR通道的，要进行通道转换(实际在后面的blobFromImage就能进行通道转换，此处无需转换)
	//Mat rgb;	
	//cvtColor(src, rgb, COLOR_BGR2RGB);

	//构建输入
	//使用blobFromImage函数对单张图像进行预处理，使其符合网络的输入
	//对于网络来说原始输入层的时候都有指定的输入大小
	int w = 224;
	int h = 224;
	Mat inputBlob = blobFromImage(src, 1.0, Size(w, h),Scalar(104, 117, 123), false,false);	//我们要将图像resize成224*224的才是我们神经网络可以接受的宽高
	//参数1：输入图像，参数2：默认1.0表示0-255范围的，参数3：设置输出的大小，参数4：均值对所有数据中心化预处理,参数5：是否进行通道转换,参数6：，参数7：默认深度为浮点型

3.输入网络并推测得到输出

	//设置输入
	//前面已经将图像预处理完成，就可以执行分类了
	//现在要将其输入到创建的网络中
	net.setInput(inputBlob);

	//进行推断得到输出
	//让网络执行得到output,调用forward可以得到一个结果
	//此处不给参数，得到的是最后一层的结果，也可以输入层数得到任何一层的输出结果
	Mat probMat = net.forward();	//通过前面的输出层看最后一层，可以知道输出100个分类，每个分类的得分是多少
									//softmax层出来的总和为1，找到max值对应的index就知道对应的分类了，在classification_classes_ILSVRC2012.txt可以知道具体名称
	//上方得到的probMat是1000*1*1（有imagewatch得到）

4.解析输出结果

在上面使用forward函数得到的输出结果都保存在probMat 变量中，里面是1000*1的1通道的Mat数组，1000对应1000个分类标签，每个值都是在0-1之间，值越大表示当前处于位置的类别的可能性就越大。

首先读取标签文件,此标签文件中的类名需要按一定顺序得到，令其与索引index一一对应，在后面的打印分类得到的类名时会用到。
定义一个读取文件的函数readLabels()

vector<string> readLabels() {
	string label_map_txt = "D:/OpenCV/project/opencv_tutorial-master/data/models/googlenet/classification_classes_ILSVRC2012.txt";
	vector<string> classNames;
	ifstream fp(label_map_txt);
	if (!fp.is_open()) {
		printf("could not find the file \n");
		exit(-1);
	}
	std::string name;
	while (!fp.eof()) {		//当没有结束时就一直读取
		getline(fp, name);	//每次读取一行
		if (name.length()) {
			classNames.push_back(name);
		}
	}
	fp.close();		//关闭文件输入流
	return classNames;
}

main函数中的部分代码

	//要解析输出（forward得到的）
	//读取标签文件
	vector<string> names = readLabels();		//使用自定义函数读取特定文件中的类名到names中，在后面输出对应名称时会用到

	//对数据进行序列化（变成1行n列的，可以在后面进行方便的知道是哪个index了）
	Mat prob = probMat.reshape(1, 1);		//reshape函数可以进行序列化，（输出为1通道1行的数据，参数1:1个通道，参数2:1行）将输出结果变成1行n列的，但前面probMat本身就是1000*1*1
											//实际结果probMat和prob相同
											//当其他网络probMat需要序列化的时候，reshape就可以了

	//此时找到最大的那个
	Point classNum;
	double classProb;
	minMaxLoc(prob, NULL, &classProb, NULL, &classNum);//此时只获取最大值及最大值位置，最小值不管他
	int index = classNum.x;		//此时得到的是最大值的列坐标。就是其类的索引值，就可以知道其类名了
	printf("\n current index=%d,possible:%2f,name=%s\n",index,classProb,names[index].c_str());	// current index=812,possible:0.999675,用editplus打开classification_classes_ILSVRC2012.txt，找到第813行（因为812+1）就是结果
	//这样自己在classification_classes_ILSVRC2012.txt找答案挺麻烦的，我们使用程序打开此文件，得到类名即可

	//此时可以将名称打印到图片上去
	putText(src, names[index].c_str(), Point(50, 50), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 255), 2, 8);
	imshow("result", src);

输出结果如下图
在这里插入图片描述

完整代码

#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>			//包含dnn模块的头文件
#include <iostream>
#include <fstream>				//文件流进行txt文件读取

using namespace cv;
using namespace cv::dnn;			//包含dnn的命名空间
using namespace std;

vector<string> readLabels();		//将类名的txt文件读取到容器中

int main() {

	string bin_model = "D:/OpenCV/project/opencv_tutorial-master/data/models/googlenet/bvlc_googlenet.caffemodel";		//定义模型权重文件的加载路径
	string protxt = "D:/OpenCV/project/opencv_tutorial-master/data/models/googlenet/bvlc_googlenet.prototxt";			//定义模型描述文件的加载路径
	//Imagenet支持1000个分类，分类类别在classification_classes_ILSVRC2012.txt可以看到，一直到1000


	//有了模型的权重和描述文件就可以加载模型了
	//在OpenCV中加载模型要通过readNetWork，
	//readNet函数有三个参数，参数1加载网络（caffe、TensorFlow等）,参数2、3，权重路径和描述文件，不同网络参数2、3的位置可能互换
	//或者readNetFromCaffe（TensorFlow、darknet、ONNX等）,意思为读进来的必须是caffe模型，此外还支持TensorFlow等模型，只有两个参数
	//还有readNetFromModelOptimizer从dnn模型优化器中读取模型优化后的模型
	Net net = readNetFromCaffe(protxt, bin_model);

	//设置计算后台（OpenCVdnn模块支持设置不同的计算后台和在不同的设备上进行）
	net.setPreferableBackend(DNN_BACKEND_OPENCV);				//setPreferableBackend实际计算后台，default默认是DNN_BACKEND_OPENCV作为计算后台，使用此就行（也有加速后台ENGINE）
	net.setPreferableTarget(DNN_TARGET_CPU);						//设置在什么设备上进行计算（opencl（需要有interl图形卡）、FPGA、CPU）
	//当上面两个设置之后，他在执行网络进行推算时就会执行此计算后台进行计算（不同的计算后台有不同的效果，速度也有差别）

	//获取各层信息
	vector<string> layer_names = net.getLayerNames();		//此时我们就可以获取所有层的名称了，有了这些可以将其ID取出
	for (int i = 0; i < layer_names.size(); i++) {
		int id = net.getLayerId(layer_names[i]);			//通过name获取其id
		auto layer = net.getLayer(id);						//通过id获取layer
		printf("layer id:%d,type:%s,name:%s\n", id, layer->type.c_str(), layer->name.c_str());	//将每一层的id，类型，姓名打印出来（可以明白此网络有哪些结构信息了）
	}
	
	Mat src = imread("G:/OpenCV/opencv笔记所用图片/plane.jpg");	//plane
	if (src.empty()) {
		cout << "could not load image.." << endl;
		getchar();
		return -1;
	}
	imshow("src", src);

	有些通道类型是RGB通道的，而OpenCVread读取的是BGR通道的，要进行通道转换(实际在后面的blobFromImage就能进行通道转换，此处无需转换)
	//Mat rgb;	
	//cvtColor(src, rgb, COLOR_BGR2RGB);

	//构建输入
	//使用blobFromImage函数对单张图像进行预处理，使其符合网络的输入
	//对于网络来说原始输入层的时候都有指定的输入大小
	int w = 224;
	int h = 224;
	Mat inputBlob = blobFromImage(src, 1.0, Size(w, h),Scalar(104, 117, 123), false,false);	//我们要将图像resize成224*224的才是我们神经网络可以接受的宽高
	//参数1：输入图像，参数2：默认1.0表示0-255范围的，参数3：设置输出的大小，参数4：均值对所有数据中心化预处理,参数5：是否进行通道转换（此处根据model.yml文件进行设置）,参数6：剪切，参数7：默认深度为浮点型

	//上方得到的inputBlob是4维的（在变量窗口看dim），所以在imagewatch中无法查看

	//设置输入
	//前面已经将图像预处理完成，就可以执行分类了
	//现在要将其输入到创建的网络中
	net.setInput(inputBlob);

	//进行推断得到输出
	//让网络执行得到output,调用forward可以得到一个结果
	//此处不给参数，得到的是最后一层的结果，也可以输入层数得到任何一层的输出结果
	Mat probMat = net.forward();	//通过前面的输出层看最后一层，可以知道输出100个分类，每个分类的得分是多少
									//softmax层出来的总和为1，找到max值对应的index就知道对应的分类了，在classification_classes_ILSVRC2012.txt可以知道具体名称
	//上方得到的probMat是1000*1*1（有imagewatch得到）

//此处通过forward()推测得到的probMat是2维的，所以在imagewatch中可以直观的查看（有些网络得到的是4维的无法查看）

	//要解析输出（forward得到的）
	//读取标签文件
	vector<string> names = readLabels();		//使用自定义函数读取特定文件中的类名到names中，在后面输出对应名称时会用到

	//对数据进行序列化（变成1行n列的，可以在后面进行方便的知道是哪个index了）
	Mat prob = probMat.reshape(1, 1);		//reshape函数可以进行序列化，（输出为1通道1行的数据，参数1:1个通道，参数2:1行）将输出结果变成1行n列的，但前面probMat本身就是1000*1*1
											//实际结果probMat和prob相同
											//当其他网络probMat需要序列化的时候，reshape就可以了

	//此时找到最大的那个
	Point classNum;
	double classProb;
	minMaxLoc(prob, NULL, &classProb, NULL, &classNum);//此时只获取最大值及最大值位置，最小值不管他
	int index = classNum.x;		//此时得到的是最大值的列坐标。就是其类的索引值，就可以知道其类名了
	printf("\n current index=%d,possible:%2f,name=%s\n",index,classProb,names[index].c_str());	// current index=812,possible:0.999675,用editplus打开classification_classes_ILSVRC2012.txt，找到第813行（因为812+1）就是结果
	//这样自己在classification_classes_ILSVRC2012.txt找答案挺麻烦的，我们使用程序打开此文件，得到类名即可

	//此时可以将名称打印到图片上去
	putText(src, names[index].c_str(), Point(50, 50), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 255), 2, 8);
	imshow("result", src);

	waitKey(0);
	return 0;
}


vector<string> readLabels() {
	string label_map_txt = "D:/OpenCV/project/opencv_tutorial-master/data/models/googlenet/classification_classes_ILSVRC2012.txt";
	vector<string> classNames;
	ifstream fp(label_map_txt);
	if (!fp.is_open()) {
		printf("could not find the file \n");
		exit(-1);
	}
	std::string name;
	while (!fp.eof()) {		//当没有结束时就一直读取
		getline(fp, name);	//每次读取一行
		if (name.length()) {
			classNames.push_back(name);
		}
	}
	fp.close();		//关闭文件输入流
	return classNames;
}
吾名招财
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
深度神经网络（DNN），AI领域最具突破性的技术
Remon的专栏
06-22 945
由于 DNN 在语音识别 和图像识别上的突破性应用，使用 DNN 的应用量有了爆炸性的增长。这些 DNN 被部署到了从自动驾驶汽车 、癌症检测到复杂游戏等各种应用中。在这许多领域中，DNN 能够超越人类的准确率。而 DNN 的出众表现源于它能使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。
(七)OpenCV深度神经网络(DNN)模块_01_使用GoogleNet模型实现图像分类
01-20
OpenCV的深度神经网络（DNN）模块是一个强大的工具，用于在计算机视觉任务中应用预训练的深度学习模型。在本示例中，我们将重点讨论如何使用OpenCV的DNN模块和GoogleNet模型来实现图像分类。 GoogleNet，也称为...
利用深度神经网络进行基本图像分类
12-23
利用深度神经网络进行基本图像分类 此代码在colab已经经过测试并且可以查看TensorBoard：地址 环境：Tensorflow-2.1.0、Python3.6、google colab In[1]: import ssl ssl._create_default_https_context = ssl._create_unverified_context # 不知道为什么在本地的jupyter notebook上无法导入fashion_mnist数据集(本地需要，google colab不需要) In[2]: import matplotlib as mpl import matplot
OpenCV3.3深度学习模块(DNN)应用-图像分类
maweifei的博客
10-02 3103
OpenCV3.3深度学习模块(DNN)应用-图像分类 原创 2017-09-17 gloomyfish OpenCV学堂 DNN模块介绍 在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，当前DNN模块最早来自Tiny-dnn，可以加载预先训练好的Caffe模型数据，OpenCV做了近一步扩展支持所有主流的深度学习框架训练生成与导出模型数
使用cv2.dnn实现GoogleNet图像分类
Keep_Trying_Go的博客
07-13 929
使用cv2.dnn实现GoogleNet图像分类
对图像分类的重新思考，神经网络似乎遵循一种令人困惑的简单策略来对图像进行分类...
AI公园
05-24 913
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Wieland Brendel编译：ronghuaiyang导读一直以来，对于深度神经网络图像分类，我们认...
OpenCv dnn module －实时图像分类
weixin_30412167的博客
01-16 122
配置环境：OpenCv3.4, vs2013（x64）,Win7。用OpenCv dnn module 实时检测摄像头，视频和图像的分类示例原代码为：https://docs.opencv.org/3.4.0/da/d9d/tutorial_dnn_yolo.html，https://github.com/pjreddie/darknet/tree/master/data，可以下载分类文...
高级人工智能：深度神经网络DNN.pptx
09-19
"高级人工智能：深度神经网络DNN" 深度神经网络（DNN）是人工智能领域中一个非常重要的分支，近年来得到了蓬勃发展。下面我们将从深度神经网络的发展历史、动机、常用模型、技术架构和应用领域等方面进行系统的剖析...
10大经典深度神经网络论文合辑
06-09
深度神经网络（Deep Neural Networks，DNNs）是人工智能领域中的关键组成部分，特别是在计算机视觉、自然语言处理和图像生成等领域有着广泛的应用。本合辑包含了10篇具有里程碑意义的深度学习论文，它们推动了神经...
深度卷积神经网络工具箱Matconv的使用
08-20
深度卷积神经网络（Deep Convolutional Neural Networks, DCNNs）是机器学习领域中用于图像处理和识别的重要工具，其强大的特征学习能力和卓越的性能在计算机视觉任务中备受推崇。Matconv是一个基于MATLAB的深度学习...
基于深度神经网络的人体动作识别方法.pdf
09-25
文章指出，传统的识别方法在处理复杂动作时往往表现不佳，而深度神经网络（DNN）的引入则为这个问题提供了新的解决方案。 文章的核心是利用深度神经网络，特别是改进版的GoogLeNet模型，进行人体动作识别。GoogLe...
深度神经网络二分类
11-05
吴恩达网易云公开课《深度学习》week4--deep_nn_model二分类
googlenet运行实例.rar_googLeNet的应用_googlenet运行实例_matconvnet_图像分类_神经网
07-15
利用googlenet实现图像分类，是googlenet的一个应用实例，只要在网上下载googlenet模型，将其放到对应文件夹中即可运行。绝对保证可以运行
基于深度学习的图像分类和分割网络总结
07-16
在此记下AlexNet等八个经典网络的架构、创新点等，以供参考。
googlenet网络模型
06-12
在深度学习神经网络模型中，可以在caffe框架中利用goolenet网络模型进行快速识别
完美可运行Google net
09-09
深度学习 图像处理 可运行 Google net卷积神经网络CNN代码解析，深度学习 图像处理 可运行 Google net卷积神经网络CNN代码解析，对MATLAB-deep learning master工具箱的例子进行了说明。
关于DNN（CNN）在图像分类中的一些学习资料
以笔为剑的唐吉坷德
07-09 1406
深度学习、图像分类入门，从VGG16卷积神经网络开始 http://blog.csdn.net/errors_in_life/article/details/65950699 tflearn实vgg16模型 http://www.mamicode.com/info-detail-1425243.html（VGG16的实现？） tflearn实现vgg15的github https://gith
dnn文本分类
weixin_34319817的博客
08-06 611
简介 文本分类任务根据给定一条文本的内容，判断该文本所属的类别，是自然语言处理领域的一项重要的基础任务。具体的，本任务是对文本quey进行分类，任务流程如下： 收集用户query数据。 清洗，标记。 模型设计。 模型学习效果评估。 运行 训练： sh ＋x train.sh 预测： python infer.py 输入／输出 输入样本： label text（分词...
DNN分类模型
weixin_44736049的博客
03-23 1288
也是相当于ANN。要注意keras.layers.Dense()第一个参数unit为隐藏层单元数量（亦可解释为要输出的隐藏层单元数量） 原文
记忆增强深度神经网络：提升半监督图像分类
本文主要探讨了带记忆的深度神经网络在半监督学习中的应用，特别是在解决稀疏标记和大量未标记数据的多类分类问题时。半监督学习的核心目标是通过利用未标注数据提升模型性能，尤其是在标记数据稀缺的情况下，如图像...
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

打赏作者

吾名招财

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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