MNIST手写数字数据集格式，如何读取MNIST数据集？

最新推荐文章于 2024-01-23 16:34:13 发布
最新推荐文章于 2024-01-23 16:34:13 发布
阅读量4.1k 收藏 12
点赞数
分类专栏： 【算法与数学】
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/rong_toa/article/details/80324454
版权

数据集下载地址：http://yann.lecun.com/exdb/mnist/

TRAINING SET LABEL FILE (train-labels-idx1-ubyte):

[offset] [type]          [value]          [description] 
0000     32 bit integer  0x00000801(2049) magic number (MSB first) 
0004     32 bit integer  60000            number of items 
0008     unsigned byte   ??               label 
0009     unsigned byte   ??               label 
........ 
xxxx     unsigned byte   ??               label
The labels values are 0 to 9.

TRAINING SET IMAGE FILE (train-images-idx3-ubyte):

[offset] [type]          [value]          [description] 
0000     32 bit integer  0x00000803(2051) magic number 
0004     32 bit integer  60000            number of images 
0008     32 bit integer  28               number of rows 
0012     32 bit integer  28               number of columns 
0016     unsigned byte   ??               pixel 
0017     unsigned byte   ??               pixel 
........ 
xxxx     unsigned byte   ??               pixel
Pixels are organized row-wise. Pixel values are 0 to 255. 0 means background (white), 255 means foreground (black).

TEST SET LABEL FILE (t10k-labels-idx1-ubyte):

[offset] [type]          [value]          [description] 
0000     32 bit integer  0x00000801(2049) magic number (MSB first) 
0004     32 bit integer  10000            number of items 
0008     unsigned byte   ??               label 
0009     unsigned byte   ??               label 
........ 
xxxx     unsigned byte   ??               label
The labels values are 0 to 9.

TEST SET IMAGE FILE (t10k-images-idx3-ubyte):

[offset] [type]          [value]          [description] 
0000     32 bit integer  0x00000803(2051) magic number 
0004     32 bit integer  10000            number of images 
0008     32 bit integer  28               number of rows 
0012     32 bit integer  28               number of columns 
0016     unsigned byte   ??               pixel 
0017     unsigned byte   ??               pixel 
........ 
xxxx     unsigned byte   ??               pixel
Pixels are organized row-wise. Pixel values are 0 to 255. 0 means background (white), 255 means foreground (black).

上链接包含四个文件：两个train文件，两个测试文件，分别包含28*28的点阵和labels(也就是0~9)，以训练数据为例，给出images和labels的文件结构：


训练数据中包括60000个28*28的手写图片，测试数据中包含10000个28*28的手写图片。下面给出GitHub上的一段源代码，其中我在代码中给出了完全的注释：

#ifndef __MNIST_H__//定义mnist数据集的头文件宏，就像_omp_
#define __MNIST_H__
/* Copyright (c) 2014 Nuri Park
 * MNIST loader by Nuri Park - https://github.com/projectgalateia/mnist
 */
#ifdef USE_MNIST_LOADER /* Fundamental macro to make the code active 主程序调用该时需对其进行宏定义*/

#ifdef __cplusplus//满足C++编译条件
extern "C" {
#endif
/*
 * Make mnist_load function static.
 * Define when the header is included multiple time.
 */
#ifdef MNIST_STATIC
#define _STATIC static
#else
#define _STATIC 
#endif
/*
 * Make mnist loader to load image data as double type.
 * It divides unsigned char values by 255.0, so the results ranges from 0.0 to 1.0
 */
#ifdef MNIST_DOUBLE
#define MNIST_DATA_TYPE double //如果定义了MNIST_DOUBLE，那么28*28的矩阵中将保存double
#else
#define MNIST_DATA_TYPE unsigned char//否则28*28矩阵中保存的是unsigned char类型
#endif
typedef struct mnist_data {//一个mnist数据集image的结构体
	MNIST_DATA_TYPE data[28][28]; /* 28x28 data for the image */
	unsigned int label; /* label : 0 to 9 */
} mnist_data;
/*
 * If it's header inclusion, make only function prototype visible.
 */
#ifdef MNIST_HDR_ONLY
_STATIC int mnist_load(
	const char *image_filename,
	const char *label_filename,
	mnist_data **data,
	unsigned int *count);
#else

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
/*
 * Load a unsigned int from raw data.
 * MSB first.
 *  也可以使用下面的函数：ReverseInt((int*)tmp)
 */
static unsigned int mnist_bin_to_int(char *v)
{
	int i;
	unsigned int ret = 0;
	for (i = 0; i < 4; ++i) {
		ret <<= 8;
		ret |= (unsigned char)v[i];
	}
	return ret;
}

static int ReverseInt(int *i)  
{  
    unsigned char ch1, ch2, ch3, ch4;  
    ch1 = *i & 255;  
    ch2 = (*i >> 8) & 255;  
    ch3 = (*i >> 16) & 255;  
    ch4 = (*i >> 24) & 255;  
    return((int)ch1 << 24) + ((int)ch2 << 16) + ((int)ch3 << 8) + ch4;  
} 
/*
 * MNIST dataset loader.
 *
 * Returns 0 if successed.
 * Check comments for the return codes.
 */
_STATIC int mnist_load(
	const char *image_filename,
	const char *label_filename,
	mnist_data **data,
	unsigned int *count)
{
	int return_code = 0;
	int i;
	char tmp[4];//一个int

	unsigned int image_cnt, label_cnt;
	unsigned int image_dim[2];//row and col

	FILE *ifp = fopen(image_filename, "rb");//数据集图片 28*28
	FILE *lfp = fopen(label_filename, "rb");//数据集label  0~9

	if (!ifp || !lfp) {//判断文件是否存在，不存在退出
		return_code = -1; /* No such files */
		goto cleanup;
	}
    /*Magic number一般是指硬写到代码里的整数常量，数值是编程者自己指定的，
      其他人不知道数值有什么具体意义，表示不明觉厉，就称作magic number。*/
	fread(tmp, 1, 4, ifp);//从images文件中读取magic number
	if (mnist_bin_to_int(tmp) != 2051) {
		return_code = -2; /* Not a valid image file */
		goto cleanup;
	}
    printf("magic number: %d (%s)\n", mnist_bin_to_int(tmp), tmp);

	fread(tmp, 1, 4, lfp);//从label文件中读取magic number
	if (mnist_bin_to_int(tmp) != 2049) {
		return_code = -3; /* Not a valid label file */
		goto cleanup;
	}
    printf("magic number: %d (%s)\n", mnist_bin_to_int(tmp), tmp);

	fread(tmp, 1, 4, ifp);//从images文件中读取图片个数：28*28
	image_cnt = mnist_bin_to_int(tmp);
    printf("number of images: %d (%s)\n", mnist_bin_to_int(tmp), tmp);
    
	fread(tmp, 1, 4, lfp);//从label文件中读取图片个数：28*28
	label_cnt = mnist_bin_to_int(tmp);
    printf("number of images: %d (%s)\n", mnist_bin_to_int(tmp), tmp);

	if (image_cnt != label_cnt) {//如果images和label的头文件中对应的图片个数不相同，则返回退出
		return_code = -4; /* Element counts of 2 files mismatch */
		goto cleanup;
	}

	for (i = 0; i < 2; ++i) {//读取图片的维度：row 和 col
		fread(tmp, 1, 4, ifp);
		image_dim[i] = mnist_bin_to_int(tmp);
	}
    printf("image dimension: %d * %d\n", image_dim[0], image_dim[1]);

	if (image_dim[0] != 28 || image_dim[1] != 28) {
		return_code = -2; /* Not a valid image file */
		goto cleanup;
	}
    /*返回图片个数60000*/
	*count = image_cnt;
    /*为指针（数组）开辟60000个mnist格式空间*/
	*data = (mnist_data *)malloc(sizeof(mnist_data) * image_cnt);

    /*读取60000个28*28的图片*/
	for (i = 0; i < image_cnt; ++i) {
		int j;
		unsigned char read_data[28 * 28];
		mnist_data *d = &(*data)[i];

		fread(read_data, 1, 28*28, ifp);//读取28*28的图片

#ifdef MNIST_DOUBLE//如果是double型，则进行此操作
        //printf("double.\n");
		for (j = 0; j < 28*28; ++j) {
			d->data[j/28][j%28] = read_data[j] / 255.0;
		}
#else//如果是char型则进行此操作
		memcpy(d->data, read_data, 28*28);//把读取的28*28图片赋值给结构体的data
#endif

		fread(tmp, 1, 1, lfp);//读取对应的label
		d->label = tmp[0];//给结构体的label赋值
	}

cleanup://对应上面的goto
	if (ifp) fclose(ifp);
	if (lfp) fclose(lfp);

	return return_code;
}

#endif /* MNIST_HDR_ONLY */

#ifdef __cplusplus//c++支持
}
#endif

#endif /* USE_MNIST_LOADER */
#endif /* __MNIST_H__ */

详细介绍一下magic number的计算过程：


使用方法为：

#define USE_MNIST_LOADER
#define MNIST_DOUBLE
#include "mnist.h"
#include <stdio.h>

int main(int argc, char **argv)
{
    mnist_data *mnist;
    unsigned int cnt;
    int ret;
    int i, j;

    if (ret = mnist_load("train-images-idx3-ubyte", "train-labels-idx1-ubyte", &mnist, &cnt)) 
    {
        printf("An error occured: %d\n", ret);
    } 
    else 
    {
        printf("image count: %d, %d\n", cnt, sizeof(mnist->data));
        
        if(1)
        for(j=0;j<cnt;j++)
        {
            printf("\n%d\n",mnist[j].label);
            for(i=0;i<28*28;i++)
            {
                if(mnist[j].data[i/28][i%28]==0)
                {
                    printf(" ");
                }
                else 
                {
                    printf("#",mnist[j].data[i/28][i%28]);
                }
                if(!(i%28))
                    printf("\n");
            }
        }
    }
    free(mnist);
    return 0;
}

我的编译环境为：

>gcc --version
gcc (MinGW.org GCC-6.3.0-1) 6.3.0
Copyright (C) 2016 Free Software Foundation, Inc.

屏幕输出为（简单给出几个例子）：

9
            #######
           ########
          #########
          ### #####
         ###  ####
         ###   ###
         #########
          #######
           ######
              ###
             ###
            ####
            ###
           ####
           ###
          ####
          ###
         ####
        ####
        ####
3
     ##########
     ############
      ###########
              ###
              ###
             ###
            ####
           ####
          ####
          #######
          #########
             ######
                ###
                ###
               ###
              ####
              ###
             ###
          ######
          ####
9
           #########
         ###########
        ###### #####
       ######  #####
      #####   #####
      ####   ######
      ####  #######
      ############
      ############
      ####### ###
             ####
             ####
             ###
            ####
            ###
           ####
           ###
         #####
         ####
         ####
8
           #######
            #######
         ##########
       #############
       ############
      ###     #####
      ####    ####
       #####  ###
       #########
          #####
           ####
         #######
         ### ####
        ####  ####
        ####   ###
        ###    ###
        ###    ###
        ###   ####
        #########
         #######


rtoax
关注
  • 0
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MNIST手写数字数据集
01-24
数据集概述 MNIST数据集是由美国国家标准与技术研究所（NIST）发起整理的一个手写数字图片数据集。该数据集包含了大量由不同人手写的0到9的数字图片，每张图片都是28x28像素的灰度图。这些图片被分为训练集和测试集，其中训练集包含了60,000个样本，而测试集则包含了10,000个样本。 数据来源 MNIST数据集的来源是混合了两个不同的数据库：一部分来自于美国人口普查局（Census Bureau）员工的手写数字样本，另一部分则来自于高中生的手写数字样本。这两个来源的数据各占训练集和测试集的一半，确保了数据的多样性和广泛性。 数据预处理 在整理成MNIST数据集之前，这些手写数字图片经过了一系列的预处理步骤。首先，所有的图片都被归一化到相同的尺寸（28x28像素），并且被转换为灰度图，以减少数据处理的复杂性。其次，为了提高模型的泛化能力，数据集中还包含了一些轻微的旋转、平移和缩放等变换，以模拟实际应用中可能出现的各种情况。 应用场景 MNIST数据集是机器学习和深度学习领域的一个经典基准测试数据集，经常被用于训练和测试各种图像处理算法和模型。
MNIST数据集手写数字识别（CNN）
热门推荐
sikh_0529的博客
09-17 2万+
MNIST 包括6万张28x28的训练样本，1万张测试样本，很多教程都会对它”下手”几乎成为一个 “典范”，可以说它就是计算机视觉里面的Hello World。所以我们这里也会使用MNIST来进行实战。前面在介绍卷积神经网络的时候说到过LeNet-5，LeNet-5之所以强大就是因为在当时的环境下将MNIST数据的识别率提高到了99%，这里我们也自己从头搭建一个卷积神经网络，也达到99%的准确率。
基于深度学习的MNIST手写数字数据集识别（准确率99%，附代码）
Ps_hello的博客
11-01 6741
Mnist数据集可以算是学习深度学习最常用到的了。这个数据集包含70000张手写数字图片，分别是60000张训练图片和10000张测试图片，训练集由来自250个不同人手写的数字构成，一般来自高中生，一半来自工作人员，测试集（test set）也是同样比例的手写数字数据，并且保证了测试集和训练集的作者不同。每个图片都是2828个像素点,数据集会把一张图片的数据转成一个2828=784的一维向量存储起来。
MNIST 数据集详析：使用残差网络RESNET识别手写数字（文末送书）
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！
01-23 4578
MNIST手写数字数据库具有60,000个示例的训练集和10,000个示例的测试集，MNIST的图像，每张图片是包含28 像素× 28 像素的灰度图像（1 通道），各个像素的取值在0 到255 之间。每张图片都由一个28 ×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784）。
Python ：MNIST手写数据集识别 + 手写板程序 最详细，直接放心，大胆地抄！跑不通找我，我包教！
qq_37543124的博客
03-03 1万+
利用Python语言编写和调试一个识别手写数字图像的三层深度前馈网络，包括数据预处理，网络模型构建，模型参数初始化和正向推理，反向梯度下降参数寻优，最后模型预测的功能。目的是学会基本的深度网络模型建立、训练和推理过程，理解深度网络的实现原理。
MNIST手写数字数据集和训练代码
03-14
MNIST手写数字数据集是机器学习领域中非常经典的一个数据集，它包含了大量手写数字的图像及其对应的标签。这些图像是由不同人手写而成，因此具有极高的多样性和挑战性。由于其易于获取和处理的特性，MNIST数据集被广泛用于各种机器学习算法的测试和验证，尤其是用于图像识别和分类任务。 在训练模型时，我们通常会使用Python等编程语言，结合深度学习框架如TensorFlow或PyTorch等，来编写训练代码。首先，我们需要加载MNIST数据集，将其划分为训练集和测试集，并进行必要的预处理，如归一化、数据增强等。接着，我们可以定义一个神经网络模型，并设置合适的损失函数和优化器。最后，通过多次迭代训练集，不断调整模型的参数，使其逐渐逼近最优解。在训练过程中，我们还可以使用验证集来监控模型的性能，以便及时调整训练策略。最终，我们可以使用测试集来评估模型的泛化能力，从而得到模型在手写数字识别任务上的性能表现。
03.初识MNIST数据集
miss_the_boat的博客
10-01 877
一、什么是MNIST数据集 MNIST数据集已经是一个极其经典的数据集了，先放上下载链接MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges 图片是以字节的形式进行存储，我需要将其读取到Numpy array中，以便训练与计算。 数据集大概有 60,000 个训练样本和 10,000 个测试样本。 例举数据集一张图片来说 [0 - 1 , 28 ,28 ] ，存储数据...
MNIST数据集学习
weixin_43869980的博客
04-28 6361
目录一、MNIST数据介绍首先，我们使用sklearn的函数来获取MNIST数据集（主要是代码）二、训练一个二分类器三、性能考核使用交叉验证测量精度混淆矩阵精度和召回率精度/召回率权衡ROC曲线 一、MNIST 数据介绍 本章使用MNIST数据集，这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“He...
深度学习之MNIST数据集
m0_52336884的博客
06-29 578
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。​MNIST是一个手写体数字的图片数据集，一共统计了来自250个不同的人手写数字图片。详细信息点击https://blog.csdn.net/tony_vip/article/details/118735261MNIST数据集官网： MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges进入
TensorFlow学习笔记（五）—— MNIST —— 数据下载，读取
天空的博客
09-20 2万+
教程地址：TensorFlow中文社区 MNIST数据下载 源码: tensorflow/g3doc/tutorials/mnist/ 本教程的目标是展示如何下载用于手写数字分类问题所要用到的（经典）MNIST数据集。 教程 文件 本教程需要使用以下文件： 文件 目的 input_data.py 下载用于训练和测试的MNIST数据集的源码 备注： input_da...
TensorFlow入门：mnist数据集解析
zhuyong006的博客
05-04 631
深度学习简单介绍 首先要简单区别几个概念：人工智能，机器学习，深度学习，神经网络。这几个词应该是出现的最为频繁的，但是他们有什么区别呢？ 人工智能：人类通过直觉可以解决的问题，如：自然语言理解，图像识别，语音识别等，计算机很难解决，而人工智能就是要解决这类问题。 机器学习：如果一个任务可以在任务T上，随着经验E的增加，效果P也随之增加，那么就认为这个程序可以从经验中学习。 深度学习：其核心就是自动...
MNIST手写数字数据集+7000张图片.rar
08-17
1、MNIST手写数字数据集，7000张高质量图片数据，图片格式为jpg，分为测试集和训练集。 2、数据集详情展示和更多数据集下载：https://blog.csdn.net/m0_64879847/article/details/132301975
基于Pytorch实现MNIST手写数字数据集识别（源码+数据）.rar
05-06
1、资源内容：基于Pytorch实现MNIST手写数字数据集识别（源码+数据）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
MNIST手写数字数据集（7000张图片）.rar
05-05
2、资源内容：宽幅数字识别和流行手写数字数据集MNIST7000幅图片，欢迎使用 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计和毕业设计。 4、更多数据集合和仿真源码下载列表（自行寻找自己需要的）...
node-v16.12.0-darwin-x64.tar.xz
最新发布
04-23
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
试用Dev Containers的示例项目-Go
04-23
计算机技术是指评价计算机系统的各种知识和技能的总称。它涵盖了计算机硬件、软件、网络和信息安全等方面。计算机技术的发展使我们能够进行高效的数据处理、信息存储和传输。现代计算机技术包括操作系统、数据库管理、编程语言、算法设计等。同时，人工智能、云计算和大数据等新兴技术也在不断推动计算机技术的进步。计算机技术的应用广泛，涵盖了各个领域，如商业、医疗、教育和娱乐等。随着计算机技术的不断革新，我们可以更加高效地实现预期自动化、标准化
NTsky新闻发布v1.0测试版(提供JavaBean).zip
04-23
### 内容概要： 《NTsky新闻发布v1.0测试版》是一款基于 Java 开发的新闻发布系统的测试版本，旨在为新闻机构和媒体提供一个简单易用的新闻发布平台。该系统具有基本的新闻发布和管理功能，包括新闻分类、新闻编辑、新闻发布等核心功能。此外，该版本还提供了 JavaBean，使开发人员能够方便地将系统集成到自己的项目中，快速实现新闻发布的功能。 ### 适用人群： 本测试版本适用于新闻机构、媒体从业者以及Java开发人员。如果你是一家新闻机构或媒体，希望拥有一个简单易用的新闻发布平台，方便快捷地发布和管理新闻，那么这个测试版本将为你提供一个初步的体验。同时，如果你是一名Java开发人员，希望学习和掌握新闻发布系统的开发技术，并且对新闻行业有一定的了解，那么通过这个测试版本，你可以获取到一些JavaBean，并且可以参考系统的设计和实现，为你的项目开发提供参考和借鉴。无论是从业务需求还是技术学习的角度，该测试版本都将为你提供一定的帮助和支持。
JavaScript介绍.zip
04-23
javascript，JavaScript 最初由 Netscape 公司的 Brendan Eich 在 1995 年开发，用于 Netscape Navigator 浏览器。随着时间的推移，JavaScript 成为了网页开发中不可或缺的一部分，并且其应用范围已经远远超出了浏览器，成为了全栈开发的重要工具。
15-21.php
04-23
15-21.php
mnist手写数字数据集
08-25
MNIST手写数字数据集是一个非常有名的手写体数字识别数据集，包含了0到9这十个数字的图像。该数据集由60000张训练图像和10000张测试图像组成，这些图像是由250个不同的人手写而成的。MNIST数据集经常被用作深度学习的入门样例，对于计算机、电子信息工程、数学等专业的大学生课程设计和毕业设计也非常适用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [手写数字数据集MNIST](https://blog.csdn.net/qq_37289115/article/details/109069197)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [MNIST手写数字数据集（7000张图片）.rar](https://download.csdn.net/download/m0_62143653/87755554)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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