贝叶斯实验报告（三）

已于 2022-05-16 23:36:09 修改
阅读量2.4k 收藏 19
点赞数 3
分类专栏： 贝叶斯 文章标签： 机器学习 python 深度学习
于 2022-05-16 23:34:45 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_53166867/article/details/124810728
版权

一、实验目的

学会使用pymc3构建模型，解决短信数据推断行为以及A-B测试问题。

二、实验内容及步骤（包括问题，代码，结果和结论）

2.1 短信数据推断行为

题目:

在这里插入图片描述

代码：

数据读入和展示：

import pymc3 as pm
import matplotlib.pyplot as plt
import numpy as np

plt.figure(figsize=(12.5, 3.5))
count_data = np.loadtxt("./txtdata.csv")
n_count_data = len(count_data)
plt.bar(np.arange(n_count_data), count_data, color='#348ABD')
plt.xlabel("Time (days)")
plt.ylabel("Text messages received")
plt.title("Did the user's texting habits change over time?")
plt.xlim(0, n_count_data)

在这里插入图片描述

构建模型：

with pm.Model() as model:
    alpha = 1.0 / count_data.mean()
    lambda_1 = pm.Exponential("lambda_1", alpha)
    lambda_2 = pm.Exponential("lambda_2", alpha)
    
    tau = pm.DiscreteUniform("tau", lower=0, upper=n_count_data)
    
    with model:
        idx = np.arange(n_count_data)
        lambda_ = pm.math.switch(tau >= idx, lambda_1, lambda_2)
        #print(tau>=idx)
    with model:
        observation = pm.Poisson("obs", lambda_, observed=count_data)
    with model:
        step = pm.Metropolis()
        trace = pm.sample(10000, tune=5000, step=step)
    
        lambda_1_samples = trace['lambda_1']
        lambda_2_samples = trace['lambda_2']
        tau_samples = trace['tau']
        print(lambda_1_samples)
        print(lambda_2_samples)

结果展示：

绘制三个参数的后验直方图:

plt.figure(figsize=(12.5, 10))

ax = plt.subplot(311)

ax.set_autoscaley_on(False)
plt.hist(lambda_1_samples, histtype='stepfilled', bins=30, alpha=0.85,
        label='posterior of $\lambda_1$', color='#A60628', density=True)

plt.legend(loc='upper left')
plt.title(r"""Posterior distributions of the varibles $\lambda_1,\;\lambda_2,\;\tau$""")
plt.xlim([15, 30])
plt.xlabel("$\lambda_1$ value")

ax = plt.subplot(312)
ax.set_autoscaley_on(False)
plt.hist(lambda_2_samples, histtype='stepfilled', bins=30, alpha=0.85,
        label='posterior of $\lambda_2$', color="#7A68A6", density=True)
plt.legend(loc='upper left')
plt.xlim([15,30])
plt.xlabel("$\lambda_2$ value")

plt.subplot(313)
w = 1.0 / tau_samples.shape[0] * np.ones_like(tau_samples)
plt.hist(tau_samples, bins=n_count_data, alpha=1, label=r"posterior of $\tau$",
        color='#467821', weights=w, rwidth=2)
plt.xticks(np.arange(n_count_data))

plt.legend(loc='upper left')
plt.ylim([0, .75])
plt.xlim([35, len(count_data) - 20])
plt.xlabel(r"$\tau$ (in days)")
plt.ylabel("probability")
plt.show()

在这里插入图片描述

结论：

1.λ1大概为18，λ2大概为23，这两个λ的后验分布有显著差异，表明用户接收短信的行为确实发生了变化。

2.λ的后验分布并不像指数分布，事实上后验分布并不是我们从原始模型中可以辨别的任何分布，用计算机可以很好展示出来。

3.τ是离散变量，后验分布有所不同，50%把握说明用户在44天行为改变。

结果展示：

绘制拟合的结果：

plt.figure(figsize=(12.5, 5))

N = tau_samples.shape[0]
excepted_texts_per_day = np.zeros(n_count_data)
for day in range(0, n_count_data):
    ix = day < tau_samples
    excepted_texts_per_day[day] = (lambda_1_samples[ix].sum()
                                  +lambda_2_samples[~ix].sum()) / N

plt.plot(range(n_count_data), excepted_texts_per_day, lw=4, color='#E24A33',
        label="expected number of text-messages received")
plt.xlim(0, n_count_data)
plt.xlabel("Day")
plt.ylabel("Excepted number of text-messages received")
plt.ylim(0, 60)
plt.bar(np.arange(len(count_data)), count_data, color="#348ABD", alpha=0.65,
       label='observed texts per day')
plt.legend(loc="upper left")

在这里插入图片描述

结论：

观察上图中的结果发现，分析的结果很符合之前的估计，用户的行为确 实发生了改变，而且变化是很突然的，所以可以推测情况产生的原因可能是：短信资费降低，或者逢年过节期间，或者天气提醒短信订阅等等。

2.2 短信数据推断行为(拓展)

题目：

在这里插入图片描述

代码：

构建模型：

with pm.Model() as model:
    alpha = 1.0 / count_data.mean()
    lambda_1 = pm.Exponential("lambda_1", alpha)
    lambda_2 = pm.Exponential("lambda_2", alpha)
    lambda_3 = pm.Exponential("lambda_3", alpha)
    
    tau_1 = pm.DiscreteUniform("tau_1", lower=0, upper=n_count_data)
    tau_2 = pm.DiscreteUniform("tau_2", lower=0, upper=n_count_data)
    with model:
        idx = np.arange(n_count_data)
        #pm.math.switch(tau_2>=idx, lambda_2, lambda_3)
        lambda_ = pm.math.switch(tau_1>=idx, lambda_1, pm.math.switch(tau_2>=idx, lambda_2, lambda_3))
        #print(lambda_)
    with model:
        observation = pm.Poisson("obs", lambda_, observed=count_data)
    with model:
        step = pm.Metropolis()
        trace = pm.sample(10000, tune=5000, step=step)
    
        lambda_1_samples = trace['lambda_1']
        lambda_2_samples = trace['lambda_2']
        lambda_3_samples = trace['lambda_3']
        tau_1_samples = trace['tau_1']
        tau_2_samples = trace['tau_2']
        print(tau_1_samples)
        print(lambda_1_samples.sum())
        print(lambda_2_samples.sum())
        print(lambda_3_samples.sum())

结果展示：

绘制五个参数的后验直方图:

plt.figure(figsize=(12.5, 10))

ax = plt.subplot(511)
ax.set_autoscaley_on(False)
plt.hist(lambda_1_samples, histtype='stepfilled', bins=30, alpha=0.85,
        label='posterior of $\lambda_1$', color='#A60628', density=True)

plt.legend(loc='upper left')
plt.title(r"""Posterior distributions of the varibles $\lambda_1,\;\lambda_2,\;\tau$""")
plt.xlim([15, 30])
plt.xlabel("$\lambda_1$ value")

ax = plt.subplot(512)
ax.set_autoscaley_on(False)
plt.hist(lambda_2_samples, histtype='stepfilled', bins=30, alpha=0.85,
        label='posterior of $\lambda_2$', color="#7A68A6", density=True)
plt.legend(loc='upper left')
plt.xlim([5,20])
plt.xlabel("$\lambda_2$ value")

ax = plt.subplot(513)
ax.set_autoscaley_on(False)
plt.hist(lambda_3_samples, histtype='stepfilled', bins=30, alpha=0.85,
        label='posterior of $\lambda_3$', color='#467821', density=True)

plt.legend(loc='upper left')
plt.xlim([15, 30])
plt.xlabel("$\lambda_3$ value")

plt.subplot(514)
w = 1.0 / tau_1_samples.shape[0] * np.ones_like(tau_1_samples)
plt.hist(tau_1_samples, bins=n_count_data, alpha=1, label=r"posterior of $\tau$_1",
        color='#467821', weights=w, rwidth=2)
plt.xticks(np.arange(n_count_data))
plt.legend(loc='upper left')
plt.ylim([0, .75])
plt.xlim([35, len(count_data) - 20])
plt.xlabel(r"$\tau$_1 (in days)")
plt.ylabel("probability")

plt.subplot(515)
w = 1.0 / tau_2_samples.shape[0] * np.ones_like(tau_2_samples)
plt.hist(tau_2_samples, bins=n_count_data, alpha=1, label=r"posterior of $\tau$_2",
        color='#467821', weights=w, rwidth=2)
plt.xticks(np.arange(n_count_data))
plt.legend(loc='upper left')
plt.ylim([0, .75])
plt.xlim([35, len(count_data) - 20])
plt.xlabel(r"$\tau$_2 (in days)")
plt.ylabel("probability")

plt.show()

在这里插入图片描述

结论：

1.λ1大概为20，λ2大概为10，λ3大概为23,这三个λ的后验分布有显著差异，表明用户接收短信的行为确实发生了变化。

2.λ的后验分布并不像指数分布，事实上后验分布并不是我们从原始模型中可以辨别的任何分布，用计算机可以很好展示出来。

3.τ是离散变量，后验分布有所不同，40%把握说明用户在43天行为改变。

结果展示：

绘制拟合的结果：

plt.figure(figsize=(12.5, 5))

N = tau_1_samples.shape[0]
excepted_texts_per_day = np.zeros(n_count_data)
for day in range(0, n_count_data):
    ix = day<tau_1_samples
    iy = day>tau_2_samples
    iz = day>tau_1_samples
    if ix.sum()/len(ix) == 1:
        excepted_texts_per_day[day] = (lambda_1_samples.sum())/N
    elif iy.sum()/len(iy) == 1:
        excepted_texts_per_day[day] = (lambda_3_samples.sum())/N
    else:
        excepted_texts_per_day[day] = (lambda_2_samples.sum())/N
    
plt.plot(range(n_count_data), excepted_texts_per_day, lw=4, color='#E24A33',
        label="expected number of text-messages received")
plt.xlim(0, n_count_data)
plt.xlabel("Day")
plt.ylabel("Excepted number of text-messages received")
plt.ylim(0, 60)
plt.bar(np.arange(len(count_data)), count_data, color="#348ABD", alpha=0.65,
       label='observed texts per day')
plt.legend(loc="upper left")

在这里插入图片描述

结论：

观察上图中的结果发现，分析的结果很符合之前的估计，用户的行为确 实发生了改变，而且变化是很突然的，所以可以推测情况产生的原因可能是：短信资费降低，或者逢年过节期间，或者天气提醒短信订阅等等。

2.3 A-B测试

题目：

在这里插入图片描述

2.3.1 方法一

先验分布取Beta分布是个好主意（转化率在0到1之间，刚好和Beta分布 值域一致）。而当样本是二项分布时，参数的共轭先验分布族是Beta分布，所以不需要进行MCMC采样。

代码：

导入需要的库：

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats
import pymc3 as pm
from scipy.stats import beta
from IPython.core.pylabtools import figsize

导入需要的数据：

visitors_to_A=1300
visitors_to_B=1300
conversions_from_A=120
conversions_from_B=125
alpha_prior=1
beta_prior=1

得到后验分布，进行采样:

posterior_A=beta(alpha_prior+conversions_from_A,
                beta_prior+visitors_to_A-conversions_from_A)
posterior_B=beta(alpha_prior+conversions_from_B,
                beta_prior+visitors_to_B-conversions_from_B)
samples=2000
samples_posterior_A=posterior_A.rvs(samples)
samples_posterior_B=posterior_B.rvs(samples)

画出后验直方图，估计 p A p_A pA​， p B p_B pB​:

plt.figure(figsize=(12.5,4))
plt.rcParams['savefig.dpi']=300
plt.rcParams['figure.dpi']=300
x=np.linspace(0,1,500)
plt.plot(x,posterior_A.pdf(x),label='posterior of A')
plt.plot(x,posterior_B.pdf(x),label='posterior of B')
plt.xlim(0.05,0.15)
plt.xlabel('value')

在这里插入图片描述

2.3.2 方法二

利用MCMC方法进行采样。

代码：

导入需要的库：

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats
import pymc3 as pm
from scipy.stats import beta
from IPython.core.pylabtools import figsize

产生模拟数据：

p_true=0.05
N=1500
occurrences=stats.bernoulli.rvs(p_true,size=N)
print("What is the observed frequency in Group A?%.4f"%np.mean(occurrences))
print("Does this equal the true frequency?%s"%(np.mean(occurrences)==p_true))

构建模型，导入需要的数据:

with pm.Model() as model:
    p=pm.Uniform('p',lower=0,upper=1)
    obs=pm.Bernoulli('obs',p=p,observed=occurrences)
    step=pm.Metropolis()
    trace=pm.sample(12000,tune=1200,step=step,cores=2)
    burned_trace=trace[1000:]
    pm.traceplot(trace)

检查采样结果 :

 pm.traceplot(trace)

在这里插入图片描述

画出后验分布图:

plt.figure(figsize=(12.5,4))
plt.title("Posterior distribution of $p_A$,the true effectiveness of site A")
plt.vlines(p_true,0,90,linestyles="--",label='true $p_A$(unknown)')
plt.hist(burned_trace['p'],bins=25,histtype='stepfilled',density=True)
plt.legend()
plt.show()

在这里插入图片描述

2.4 A-B测试(拓展)

题目：

在这里插入图片描述

代码：

选取均匀分布为先验分布。

导入需要的库：

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats
import pymc3 as pm
from scipy.stats import beta
from IPython.core.pylabtools import figsize

产生模拟数据:

true_p_A=0.05
true_p_B=0.04
N_A=1500
N_B=750
observations_A=stats.bernoulli.rvs(true_p_A,size=N_A)
observations_B=stats.bernoulli.rvs(true_p_B,size=N_B)

构建模型，导入需要的数据:

with pm.Model() as model:
    p_A=pm.Uniform('p_A',0,1)
    p_B=pm.Uniform('p_B',0,1)
    delta=pm.Deterministic('delta',p_A-p_B)
    obs_A=pm.Bernoulli('obs_A',p_A,observed=observations_A)    
    obs_B=pm.Bernoulli('obs_B',p_B,observed=observations_B)
    step=pm.Metropolis()
    trace=pm.sample(20000,step=step,cores=1)
    burned_trace=trace[1000:]

结果展示：

p_A_samples=burned_trace["p_A"]
p_B_samples=burned_trace["p_B"]
delta_samples=burned_trace["delta"]
plt.figure(figsize=(12.5,4))
plt.figure(1)
ax=plt.subplot(311)
plt.xlim(0,.1)
plt.hist(p_A_samples,histtype='stepfilled',bins=25,alpha=0.85,
        label="posterior of $p_A$",color="#A60628",density=True)
plt.vlines(true_p_A,0,80,linestyle="--",label="true $p_A$(unknown)")
plt.legend(loc="upper right")
plt.title("Poserior distributions of $p_A$,$_B$,and delta unknowns")

ax=plt.subplot(312)
plt.xlim(0,.1)
plt.hist(p_B_samples,histtype='stepfilled',bins=25,alpha=0.85,
        label="posterior of $p_B$",color="#467821",density=True)
plt.vlines(true_p_B,0,80,linestyle="--",label="true $p_B$(unknown)")
plt.legend(loc="upper right")
ax=plt.subplot(313)
plt.hist(delta_samples,histtype='stepfilled',bins=30,alpha=0.85,
        label="posterior of delta",color="#7A68A6",density=True)
plt.vlines(true_p_A-true_p_B,0,60,linestyle="--",label="true delta(unknown)")
plt.vlines(0,0,60,color="black",alpha=0.2)
plt.legend(loc="upper right")

在这里插入图片描述
在这里插入图片描述

plt.figure(2)
plt.xlim(0,.1)
plt.hist(p_A_samples,histtype='stepfilled',bins=30,alpha=0.80,
        label="posterior of $p_A$",color='#A60628',density=True)
plt.hist(p_B_samples,histtype='stepfilled',bins=30,alpha=0.80,
        label="posterior of $p_B$",color='#467821',density=True)
plt.legend(loc='upper right')
plt.xlabel("Value")
plt.ylabel("Density")
plt.title('Posterior distribution of $p_A$ and $p_B$')
plt.ylim(0,80)
plt.show()

在这里插入图片描述

比较 p A p_A pA​, p B p_B pB​大小

print("Probability site A is WRSE than site B:%.3f"%np.mean(delta_samples<0))
print("Probability site A is BETTER than site B:%.3f"%np.mean(delta_samples>0))

在这里插入图片描述

三、实验体会

通过本次实验，我对pymc3的使用更加熟悉，同时也对贝叶斯统计推断理解得更透彻。在实验过程中遇到困难要及时和老师同学们交流，以便实验的顺利进行，希望后续实验能对贝叶斯统计推断掌握得更好。

小小小小蝶
关注
  • 3
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
模式识别》实验报告-贝叶斯分类
10-28
系统描述了贝叶斯分类的原理 以及实验步骤和matlab代码（包含样本数据）。
数据分类实验（贝叶斯算法）
09-02
用c＋＋编写，用朴素贝叶斯算法来实现，可以对大量数据经行分类，方便快捷
贝叶斯分类实验.pdf
01-16
贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。
贝叶斯实验_fellpx8_贝叶斯实验_matlab_
09-29
贝叶斯实验：最小风险测试程序与最小错误测试程序
贝叶斯实验报告.pdf
01-04
贝叶斯实验报告.pdf贝叶斯实验报告.pdf贝叶斯实验报告.pdf贝叶斯实验报告.pdf贝叶斯实验报告.pdf
利用贝叶斯分类器实现手写数字识别（实验报告）
01-27
利用贝叶斯分类器实现手写数字识别，要数据的可以发私信，有测试集和训练集。太大不布出来。
贝叶斯决策的MATLAB代码和实验报告
04-13
最小错误和最小风险两个贝叶斯决策实验，MATLAB代码加实验报告，是我提交课程作业的最终版本。 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。贝叶斯分类器是最小错误率意义上的优化。在风险相同时，最小错误率贝叶斯决策的准确率等于最小风险贝叶斯决策的准确率，即最小错误率贝叶斯决策是最小风险贝叶斯决策的一个特例。本文在matlab平台上对最小错误率贝叶斯决策和最小风险贝叶斯决策进行测试，比较和分析实验结果
河北工业大学数据挖掘实验四 贝叶斯决策分类算法
Ace2NoU的博客
10-22 1538
河北工业大学数据挖掘课程实验四 朴素贝叶斯分类算法
贝叶斯网络的学习与应用实验报告
06-28
贝叶斯网络的学习与应用实验报告,人工智能，数据集是IRIS，使用软件是weka。
贝叶斯估计实验(matlab)
zzj的博客
11-02 4423
由于生活中很多参数如测量误差、产品质量指标等几乎都服从或近似服从正态分布，所以可以用对单变量正态分布中的贝叶斯估计进行分析并编写相应的Matlab程序，分析样本大小对贝叶斯估计误差的影响，进而验证贝叶斯估计的有效性。1、实验一：可以看出贝叶斯的估计值为19.25％，与真实值的误差值较大，这是由于样本数量较少，导致先验信息不够，最终估计值与真实值存在较大的误差。4、以上叙述生成的样本为基础，继续添加服从同样的正态分布的样本数据集，探索贝叶斯估计值和样本大小的关系。}z是取自正态分布N(μ，σ。
贝叶斯分类实验指导书
03-18
贝叶斯分类实验指导书 实验目的 加深对贝叶斯原理的理解 熟悉python的集成开发环境 掌握贝叶斯分类器的实现—西瓜判别
模式识别贝叶斯分类器上机实验报告python c matlab代码全11.pdf
10-18
别贝叶斯分类器上机实验报告python c matlab代码全别贝叶斯分类器上机实验报告python c matlab代码全别贝叶斯分类器上机实验报告python c matlab代码全
燕山大学机器学习实验报告
01-01
燕山大学机器学习实验报告 包含 实验1.1 糖尿病情预测 1 实验1.2 影厅观影人数预测 1 实验2.1 肿瘤分类与预测（朴素贝叶斯） 7 实验2.2 肿瘤分类与预测（SVM） 11 实验3.1 肿瘤预测（决策树） 16 实验3.2 顾客购买服装的分析与预测 21 实验4 不同含量果汁饮料的聚类 25 实验5 肿瘤预测（AdaBoost） 32 实验6 肿瘤预测与分析（神经网络） 37
朴素贝叶斯算法学习笔记1
03-23
朴素贝叶斯算法学习笔记。
贝叶斯统计机器学习ppt
01-25
贝叶斯统计机器学习的ppt课件
贝叶斯实验报告.doc
10-12
贝叶斯实验报告.doc
贝叶斯实验报告.docx
09-28
贝叶斯实验报告.docx
贝叶斯分类器实验报告多代码全
10-18
贝叶斯分类器实验报告多代码全全全贝贝叶斯分类器实验报告多代码全全全贝叶斯分类器实验报告多代码全全全贝叶斯分类器实验报告多代码全全全叶斯分类器实验报告多代码全全全
朴素贝叶斯算法总结
freeline的博客
03-05 3554
朴素贝叶斯；拉普拉斯修正；半朴素贝叶斯；
用java语言：有 1 批垃圾邮件含有“点击， 获得， 更多，信息，购买， 最新，产品，获得，优惠，优惠，信息，点击，链接”等词，1批正常邮件含有关键词“明天，一起，开会，信息，详见，邮件，最新，竞品，信息”，一个新邮件内容为：最新， 产品，优惠，点击， 链接 ，请用贝叶斯过滤判断这封邮件是否为垃圾邮件。 实验报告具体内容包括： 一、实验目的 二、实验内容 三、问题分析 四、算法设计 五、源程序 六、实验结果 七、实验总结
最新发布
03-25
实验报告： 一、实验目的 本次实验旨在掌握贝叶斯过滤算法的实现方法以及其在邮件垃圾分类中的应用。 二、实验内容 使用Java语言，设计实现一个基于贝叶斯过滤算法的邮件垃圾过滤器，对于一批已知的垃圾邮件和正常邮件分别提取出关键词，训练算法得到相应的概率分布。然后根据新邮件中的关键词，使用贝叶斯公式计算其属于垃圾邮件的概率。如果概率小于0.5，则判定该邮件为正常邮件，否则为垃圾邮件。 三、问题分析 邮件垃圾分类是一个非常经典的二分类问题，通常使用朴素贝叶斯分类算法实现。核心思路就是先根据已知的垃圾邮件和正常邮件提取出关键词，然后根据这些关键词计算出在垃圾邮件和正常邮件中的出现概率和条件概率，从而得到模型的概率分布。在新邮件到来时，根据概率分布计算其属于垃圾邮件的概率，从而判定其分类。 四、算法设计 1.数据预处理 先对已有的垃圾邮件和正常邮件进行分词处理，得到每个邮件中出现的关键词，并统计出各个关键词在垃圾邮件和正常邮件中的出现次数，从而计算出在垃圾邮件和正常邮件中的出现概率。 2.贝叶斯分类算法 通过训练数据得到所有出现的关键词在垃圾邮件和正常邮件中的概率，并根据贝叶斯公式计算出新邮件属于垃圾邮件和正常邮件的概率。根据概率大小进行分类。 五、源程序 见附件 六、实验结果 输入邮件为：“最新， 产品，优惠，点击，链接”，根据算法得到分类结果为“垃圾邮件”。 七、实验总结 本次实验实现了一个基于贝叶斯过滤算法的邮件垃圾过滤器，并成功运用于邮件分类，准确率较高。在实现过程中，需要注意数据预处理的正确性和效率，以及贝叶斯分类算法的精度和效率。同时，应注意恶意邮件可能采用各种方法进行欺骗和伪装，需要多方面的数据处理和算法改进来提高准确度。

“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 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