目标检测——卷积神经网路基础知识

最新推荐文章于 2023-09-07 17:50:26 发布
最新推荐文章于 2023-09-07 17:50:26 发布
阅读量1.2k 收藏 9
点赞数 3
分类专栏： 目标检测 文章标签： 目标检测 深度学习 计算机视觉
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_45720073/article/details/126178513
版权

目标检测——卷积神经网路基础知识

卷积神经网络

LeCun的LeNet（1998）网络结构

在这里插入图片描述

卷积神经网络发展历史

在这里插入图片描述

卷积神经网络可以做什么

① 图像分类
② 图像分割
③ 图像描述
④ 图像风格迁移（把其他风格应用到本图像中）

全连接层

介绍

全连接层
全连接层有很多神经元共同链接
三个激励x1 x2 x3 然后把激励乘以对应权重w1 w2 w3 然后求和，加上偏置，最后加上激励函数得到最终输出
公式：y=f（x1w1+x2w2+x3w3-1）

BP神经网络

在这里插入图片描述
BP神经网络包括两部分：信号的向前传播和误差的反向传播

  • 反向传播过程：经过前向传播后会得到输出结果，把这个结果和真实值进行对比，会有一个误差，我们通过计算上一层每个节点的偏导数就可以计算每个节点的误差梯度，我们把误差应用到误差梯度上，就得到了反向传播的过程

通过BP神经网络做车牌数字识别

输入层的处理与介绍

1、拿到照片，首先把他灰度化，每个像素就只剩下一个分量，然后进行二值化处理，会的到一个黑白图像
在这里插入图片描述
2、用5行3列的滑动窗口在黑白图像进行滑动，滑动的同时统计这个滑动窗口对应白色像素占整个窗口的比例
在滑动带最右端发现只剩下两列的时候（不是3列）可以进行padding（补0，补上一列0）处理，把52变成53，也可以进行提前预知，在最后一次滑动时，改为52的滑动窗口
通过这个方法遍历整个图像，会得到一个55的矩阵
在这里插入图片描述
3、把55的矩阵，按行展开拼接成一个行向量（125），这个行向量就是输入神经网络的输入层

输出层的处理与介绍

1、有了输入层后看输出层
one-hot编码（独热编码）对标签进行编码的常用方式
的热编码的作用：每行代码都有唯一的编码方式，不会重复
one-hot

训练

有了输入和输出之后，就可以对神经网络进行训练了。
在实际训练过程中，可以将输入层的输入节点数设为25，将输出层的输出节点数设为10，中间的隐藏层按实际情况进行设置

卷积层

卷积层的基础内容

卷积层是卷积神经网路中独特的网络结构
在这里插入图片描述

  • 卷积：一个滑动窗口在特征图上进行滑动，并计算（将卷积核上的值与特征图上的值对应相乘，再进行相加，就得到最后矩阵中的一个值，每滑动一步计算一个值，最终得到卷积结果）

  • 卷积的目的：为了进行图像的特征提取

  • 卷积的特性
    ①拥有局部感知机制：以滑动窗口的形式在特征图上进行滑动计算，所以具有局部感知能力
    ②**权值共享：**滑动过程中，卷积核的值不会发生变化，所以又具有权值共享的特性

  • 权值共享的优势（对比BP神经网络）
    在这里插入图片描述
    这里的参数指的是神经元的权重
    权值的共享使得卷积神经网络的参数个数大幅度减少
    比如对于1280720的图片，假设第一个隐层hidden layer 1 的神经元个数为1000,1000个神经元和图片进行全连接的话就是12807201000=921600000
    对于卷积神经网络，假设layer1 用1000个5    5的卷积核，因此所需要的参数个数就是551000=25000

  • 卷积的过程
    在这里插入图片描述
    实际应用过程中往往是对多维的特征矩阵（彩色图像由RGB三个通道组成的）进行卷积操作

卷积核的深度要和输入特征矩阵一致（这里的深度指的是channel，即通道数），都是三维（RGB三维）的，三维的卷积核对三维的输入特征进行对应（维度相对应）卷积，对应相加得到卷积矩阵，再用卷积核2进行对应卷积，得到输出的特征矩阵

总结

  • 1、卷积核的cahnnel（深度、维度）与输入特征层的channel（深度，维度）相同（都是三通道）
  • 2、输出的特征矩阵channel（深度、维度）与卷积核的个数相同（通过卷积核1和卷积核2最终得到一个两通道的输出特征矩阵）

思考

  • 1、如果加上偏移量bias该如何计算？
    只需要将最终卷积得到的输出特征矩阵的每个元素和偏移量进行相加即可
    比如在这里插入图片描述
    加上偏移量1，就得到23,22
    在这里插入图片描述
    加上偏移量1后得到22,32
    - 2、加上激活函数该如何计算？
    常用的激活函数在这里插入图片描述

    为什么要使用激活函数？
    ①在线性的计算过程中引入非线性因素，使其具备解决非线性问题的能力，就要通过非线性函数达到相应的目的
    ②Relu激活函数实际上是将负值全部过滤掉，只保留了正值不变，在实际应用中使用较多
    ③在反向传播误差的过程中，如果使用sigmoid激活函数，导数的求解非常麻烦
    ④如果使用Relu激活函数，权重如果进入失活状态后无法被再次激活，所以在训练的过程中，建议不要一开始就使用特别大的学习率进行学习，否则很容易导致大量神经元失活
    3、如果在卷积的过程中出现越界的情况该如何处理？
    在这里插入图片描述
    在这里插入图片描述

  • 处理方法：可以使用padding的方式在图像的周围直接补零进行处理，补零后就能够正常地进行卷积，而不会出现越界的情况了

padding的像素p：一般实际应用过程中是两边同时补零，即左右上下进行对称的：补零操作
上图中只补了一边，所以只用加上一个p就够了
N = （ 4 - 3 + 1 ）/ 2 + 1 = 2 ，所以最后得到一个2*2的特征矩阵

池化层

池化层的目的：对特征图进行稀疏处理，减少数据运算量

在这里插入图片描述

  • maxpooling下采样：寻找池化核对应范围内的最大值来进行最大下采样操作（找最大值）

在这里插入图片描述

  • averagepooling下采样层：寻找池化核对应范围内的平均值来进行平均下采样操作（取平均值）

池化层的特点

  • 1、没有训练参数，只是在原始的特征图上进行求最大值或者平均值的操作
  • 2、它只会改变特征矩阵的宽度（w）和高度（h），并不会改变深度（channel）
  • 3、一般池化核的大小（poolsize）和步长（stride）相同，可以将特征图进行一定比例的缩小，计算更加方便（这只是一般情况下，但并不绝对）

误差的计算

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

Cross Entropy Loss交叉熵损失

在这里插入图片描述
sigmoid 和 softmax的区别：
如果是猫狗分类（二分类问题）满足概率分布，两个概率加起来的和为1
如果是多分类问题（不止一个类:人类和男人）不满足概率分布，所以用sigmoid

误差的反向传播

右边是已经求出的值：loss O1 y1
通过链式求导法则面对W11（2）求偏导
在这里插入图片描述
求解过程：
在这里插入图片描述
右边：每一个的偏导数
左边：对W11（2）求的偏导
在这里插入图片描述

权重的更新

更新权重的计算

在这里插入图片描述
通过下边公式进行权重更新
在这里插入图片描述

batch分批次训练

通过权重更新，不断找到全局最优点，但是因为数据量太大，所以我们引入了batch分批次训练，找最优点
-通过分批次训练（batch）进入全局最优点（损失梯度指向当前最优的方向）
在这里插入图片描述

优化器optimazer

因为batch训练找到的是局部最优点，训练最后可能不是全局最优点，所以引入了优化器optimazer
优化器optimazer的目的：使网络更快的收敛

optimazer的种类：

  1. SGD优化器
  2. SGD+Momentum
  3. Adagrad
  4. RMSProp
  5. Adam

1、SGD优化器

Wt+1：更新后的参数
Wt：更新前的参数
α：学习率
g（Wt）：所求的损失梯度
缺点：

  • 受样本噪声的影响：有些样本的标注是错的，所以求出来的梯度有问题
  • 可能会陷入局部最优解
    在这里插入图片描述

2、SGD+Momentum

多了一个动量部分 η * Vt-1
动量系数η：一般取0.9
可以参考左下方的方向向量图
在这里插入图片描述

3、Adagrad（自适应学习率）

主要是在学习率上边进行的改进
St就相当于对损失梯度平方求和，所以就会导致Wt公式中分母越来越大，从而导致学习率越来越小

缺点：学习率下降的太快，可能还没收敛，训练就停止了

在这里插入图片描述

4、RMSProp（自适应学习率）

多添加了俩系数，用来控制学习率的衰减速度
在这里插入图片描述

5、Adam（自适应学习率）

mt：一阶动量
vt：二阶动量
然后对一阶动量、二阶动量进行调整，从而得到最终表达式
β1、β2：都是超参数
在这里插入图片描述

注：可以在网上搜优化器的更新动图，了解一下

总结

卷积神经网络的流程：
1、输入参数
处理图片：转为黑白图，根据白色占比，确定对应矩阵
因为需要和隐藏层进行全连接，而输入参数的图片太大，所以要对输入的矩阵与卷积核进行卷积处理，以及池化操作，减少样本量
2、BP反向传播
通过向前传播，训练输出的值和真实值得到的误差，再一层层反向传播，修正训练的权重，提高模型准确率
3、batch
数据量太大，所以分批次操作，就是batch，但是batch会引发一个问题：达到局部最优解而不是全局最优解
因此引入了优化器
4、优化器
通过优化器不断修正学习率，让模型更快拟合，达到全局最优解

壹万1w
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
实战：神经网络多任务之图像识别与实例分割——直播回放
06-17
本课程旨在帮助同学们掌握深度学习基础知识点，对复杂的卷积神经网络模型进行通俗解读，逐步迈向深度学习两大核心模型-使用当下主流深度学习框架进行实战任务，实例演示《神经网络多任务——图像识别与实例分割》，课程风格通俗易懂，接地气的方法带你走进深度学习的世界。
零基础入门深度学习(系列) 中文PDF完整版
04-25
无论即将到来的是大数据时代还是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代，作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的技术，会不会感觉马上就out了？现在救命稻草来了，《零基础入门深度学习》系列文章旨在讲帮助爱编程的你从零基础达到入门级水平。零基础意味着你不需要太多的数学知识，只要会写程序就行了，没错，这是专门为程序员写的文章。虽然文中会有很多公式你也许看不懂，但同时也会有更多的代码，程序员的你一定能看懂的 目录： 零基础入门深度学习(1) - 感知器 零基础入门深度学习(2) - 线性单元和梯度下降 零基础入门深度学习(3) - 神经网络和反向传播算法 零基础入门深度学习(4) - 卷积神经网络 零基础入门深度学习(5) - 循环神经网络 零基础入门深度学习(6) - 长短时记忆网络(LSTM) 零基础入门深度学习(7) - 递归神经网络
深度学习——卷积神经网络
01-20
卷积神经网络 文章目录卷积神经网络一、卷积神经网络基础1.基础知识2.卷积层的简洁实现3.池化二、LeNet三、常见的一些卷积神经网络1.AlexNet2.VGG3.NiN4.GoogLeNet   一、卷积神经网络基础 1.基础知识 二维互相关(cross-correlation)运算：输入一个二维数组和核数组（卷积核或过滤器），卷积核在输入数组上滑动，在每个位置上与输入子数组按元素相乘并求和，取得一个输出的二维数组。如图中所示：19=0×0+1×1+3×2+4×3，25=1×0+2×1+4×2+5×3，…… 二维卷积层：将输入和卷积核做互相关运算，再加上一个偏差得到输出。此外，将核数组上
基于卷积神经网络(CNN)和CIFAR10数据集的图像智能分类 Web 应用
最新发布
03-08
基于卷积神经网络(CNN)和CIFAR10数据集的图像智能分类 Web 应用 Intelligent Image Classification Web Applcation based on Convolutional Neural Networks and the CI….zip 适合学习/练手、毕业设计、课程设计、期末/期中/大作业、工程实训、相关项目/竞赛学习等。 项目具有较高的学习借鉴价值，也可直接拿来修改复现。可以在这些基础上学习借鉴进行修改和扩展，实现其它功能。 可放心下载学习借鉴，你会有所收获。 —— 对于学习和实践，选择合适的项目和资源确实是一种有效的方式。 在进行毕业设计、课程设计或大作业时，选择具备学习借鉴价值的项目可以帮助你理解和应用所学知识，同时也可以通过修改和扩展来实现其他功能。 通过参与实际项目，你可以应用所学的理论知识，深入了解软件开发或其他领域的实践流程和技术要求。 可放心下载学习借鉴，你会有所收获。 # 注意 1. 本资源仅用于开源学习和技术交流。不可商用等，一切后果由使用者承担。 2. 部分字体以及插图等来自网络，若是侵权请联系删除。
人工智能应用基础：卷积神经网络.pptx
05-16
神经网络与深度学习 卷积神经网络 目 录 CONTENTS 《人工智能应用基础》 01 卷积神经网络基础 《人工智能应用基础》 《人工智能应用基础》 全称：Convolutional Neural Network，CNN 一种前馈神经网络 基于生物学上感受野(Receptive Field) 的机制 一个神经元的感受野是指特定区域 特点 《人工智能应用基础》 局部连接 权重共享 优势 易于优化 降低复杂度 避免过拟合 适用于图片处理 良好的鲁棒性 运算效率高 《人工智能应用基础》 02 卷积 《人工智能应用基础》 《人工智能应用基础》 常用在信号处理中，用于计算信号的延迟累积。 每个时刻t产生一个信号xt，信息的衰减率为wk ，在k−1个时间步长后，信息为原来的wk 倍 假设w1 = 1,w2 = 1/2,w3 = 1/4 信号yt 为当前时刻和以前时刻延迟信息的叠加 公式1： 《人工智能应用基础》 一维卷积 滤波器：[ −1, 0, 1 ] [1 0 -1] 《人工智能应用基础》 [1 0 -1] 窄卷积： 信号两端不补0 宽卷积： 信号两端补0 一维卷积——零填充 《人工智能应用基
吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记（4-3）-- 目标检测
大树先生的博客
11-22 1万+
卷积神经网络 --- 目标检测
“卷积神经网络目标检测：原理、分析与应用场景一览“
qq_28245087的博客
06-12 2273
使用卷积神经网络进行目标检测是一种有效的方法，它可以自动提取图像特征，处理不同大小和形状的目标对象，并且可以通过反向传播算法进行训练，逐渐提高模型的准确性。在实际应用中，需要根据具体的场景和需求选择适当的卷积神经网络模型和分类器，并且需要对数据集进行充分的处理和预处理，以提高模型的准确性和泛化能力。
【yolov3详解】一文让你读懂yolov3目标检测原理
热门推荐
小样yx的博客
11-17 7万+
yolov3目标检测原理目录前言详细过程yolov3检测流程原理（重点）第一步：从特征获取预测结果第二步：预测结果的解码第三步：对预测出的边界框得分排序与非极大抑制筛选 前言 本文是自己在b站视频讲解学习，并且查阅理解许多文章后，做的通俗理解与总结，欢迎评论交流。 yolov3检测分两步： 1、确定检测对象位置 2、对检测对象分类（是什么东西） 即在识别图片是什么的基础上，还需定位识别对象的位置，并框出。 我们首先上一幅图宏观理解下 图中的红框是通过在yolov3检测最后得出的边界框（bounding b
神经网络、目标检测学习
qq_44708206的博客
10-13 1186
神经网络，目标检测学习
目标检测（七）一篇文章5分钟搞懂卷积神经网络——基于tensorflow2.0训练Alexnet网络实践
qq_40959462的博客
10-22 1282
CIFAR-10是由Hinton的学生Alex Krizhevsky和Ilya Sutskever整理的一个用于识别普适物体的小型数据集。一共包含10个类别的RGB彩色图片：飞机、车、鸟类、猫、鹿、狗、蛙类、马、船和卡车。图片的尺寸为32×32 ，数据集中一共有50000张训练图片和10000 张测试图片。CIFAR-10的图片样例如图所示。CIFAR-10是3通道的彩色RGB图像，而MNIST是灰度图像。CIFAR-10的图片尺寸为32×32， 而MNIST的图片尺寸为28×28，比MNIST稍大。
从0开始学习卷积神经网络与Yolo系列目标检测算法
vanilla_an的博客
07-31 5074
卷积神经网络初了解——吴恩达《卷积神经网络》笔记卷积神经网络1.1 计算机视觉1.2 边缘检测Padding与stride是两个参数，不过多介绍1.3 三维卷积1.4 单层神经网络目标检测Yolo算法Yolov1Yolov2Yolov3Yolov3 网络主体结构改进 卷积神经网络初了解——吴恩达《卷积神经网络》笔记 卷积神经网络 1.1 计算机视觉 计算机视觉的应用可以是图片分类、目标检测、风格迁移等等，但很多时候，在应用计算机视觉时数据的输入量非常的大，比如1000×1000×3（R,G,B 3个c
基于CNN目标检测方法（RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN，YOLO，SSD）行人检测，目标追踪，卷积神经网络
是否龍磊磊真的一无所有的博客
06-10 3万+
一、研究意义 卷积神经网络（CNN）由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构，该结构使得卷积神经网络可以端到端的训练，并应用于文档识别。LeNet-5结构是CNN最经典的网络结构，而后发展的卷积神经网络结构都是由此版本衍生而来。 在过去六年中，由于深度学习和卷积网络的发展和进步，基于图...
神经网络学习笔记7——目标检测，语义分割和实例分割中的RCNN、Fast RCNN、Faster RCNN、FCN和Mask RCNN
qq_45848817的博客
11-26 3984
计算机视觉中关于图像识别有四大类任务： （1）分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 （2）定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。 （3）检测-Detection：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。 （4）分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
m0_46406029的博客
12-17 8259
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
yolov4训练自己的数据 灰度图像_【AI实战】手把手教你深度学习文字识别（文字检测篇：基于MSER, CTPN, SegLink, EAST等方法）...
weixin_39629947的博客
12-19 1238
文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。文字检测的场景主要分为两种，一种是简单场景，另一种是复杂场景。其中，简单场景的文字检测较为简单，例如像书本扫描、屏幕截图、或者清晰度高、规整的照片等；而复杂场景，主要是指自然场景，情况比较复杂，例如像街边的广告牌、产品包装盒、设...
目标检测|YOLOv2原理与实现(附YOLOv3)
何进的博客
06-05 8501
转发：https://zhuanlan.zhihu.com/p/35325884前言在前面的一篇文章中，我们详细介绍了YOLOv1的原理以及实现过程。这篇文章接着介绍YOLOv2的原理以及实现，YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中，作者首先在Y...
目标检测笔记(十三): 使用YOLOv5-7.0版本对图像进行目标检测完整版（从自定义数据集到测试验证的完整流程））
源的博客
09-07 4469
目标检测（Object Detection）是计算机视觉领域的一个重要研究方向，其主要任务是从图像或视频中识别并定位出感兴趣的目标对象。目标检测技术在许多实际应用中具有广泛的用途，如自动驾驶、视频监控、医学影像分析等。基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法：这些方法主要依赖于手工设计的特征提取器和分类器。常用的特征提取器包括SIFT、SURF、HOG等，而分类器则可以是支持向量机（SVM）、随机森林（Random Forest）、K-近邻（KNN）等。
目标检测算法汇总：RCNN系列、YOLO系列、SSD系列
soohoo
04-21 5595
常见的目标检测算法1、传统的目标检测方法2、候选区域/窗+分类3、回归 目前，常见的目标检测（object detection）算法分为3类： 1、传统的目标检测方法：特征提取+分类器 2、候选区域/窗+分类：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN 3、回归：YOLO系列、SSD系列 1、传统的目标检测方法 2、候选区域/窗+分类 2.1 3、回归 参考： 1、一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD .
深度学习常用优化算法：SGD、Nesterov、Adagrad、AdaDelta、Adam
绿色羽毛
09-03 1万+
优化算法的功能，是通过改善训练方式，来最小化(或最大化)损失函数E(x)。模型内部有些参数，是用来计算测试集中目标值Y的真实值和预测值的偏差程度的，基于这些参数，就形成了损失函数E(x)。比如说，权重(W)和偏差(b)就是这样的内部参数，一般用于计算输出值，在训练神经网络模型时起到主要作用。在有效地训练模型并产生准确结果时，模型的内部参数起到了非常重要的作用。这也是为什么我们应该用各种优化策略和算法，来更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值。
深度学习——卷积神经网络算法原理与应用 pdf
11-18
《深度学习——卷积神经网络算法原理与应用pdf》是一本介绍深度学习中卷积神经网络算法原理和应用的书籍。深度学习是人工智能领域的一个热门研究方向，它通过模拟人类大脑的神经网络结构，实现对大量数据的识别和处理能力。 卷积神经网络是深度学习中最重要的算法之一，它特别适用于图像、音频等二维数据的处理。卷积神经网络通过多层卷积层和池化层构建，其中卷积层通过卷积运算提取图像中的特征，而池化层则将特征图降采样，减少参数和计算量。卷积神经网络还包括激活函数、全连接层等组件，用于实现非线性映射和最终的输出。 在《深度学习——卷积神经网络算法原理与应用pdf》中，作者详细介绍了卷积神经网络的基本原理和工作原理，并通过实例演示了卷积神经网络在图像识别、目标检测、语音处理等领域的应用。此外，书中还对卷积神经网络的训练方法、优化算法、网络结构设计等进行了深入的讨论。 这本书对于想要学习深度学习中卷积神经网络算法的人非常有价值。它既介绍了卷积神经网络的理论知识，又提供了实际应用案例，帮助读者更好地理解和运用卷积神经网络。无论是对于研究者还是从业人员，这本书都是一本不可或缺的参考资料。

“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 1
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

壹万1w

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