tensorflow矩阵操作相关函数

最新推荐文章于 2023-04-21 19:55:04 发布
最新推荐文章于 2023-04-21 19:55:04 发布
阅读量884 收藏 1
点赞数
文章标签： tensorflow 矩阵 python
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/u012580657/article/details/89371629
版权

（一）矩阵生成操作

def ones(shape, dtype=dtypes.float32, name=None)://创建一个形状为shape的矩阵 元素值都为1，默认元素类型float32

def zeros(shape, dtype=dtypes.float32, name=None)://创建一个形状为shape的矩阵 元素值都为0，默认元素类型float32

def ones_like(tensor, dtype=None, name=None, optimize=True)://创建一个和张量tensor形状一致的矩阵 元素值都为1

def zeros_like(tensor, dtype=None, name=None, optimize=True)://创建一个和张量tensor形状一致的矩阵 元素值都为0

def fill(dims, value, name=None): //创建一个形状大小为shape的tensor，其初始值为value，数据类型和value的数据类型保持一致


sess = tf.InteractiveSession()
x1 = tf.ones([2, 3], tf.int32)
print(sess.run(x1))
#[[1 1 1]
 #[1 1 1]]
x2 = tf.zeros([1, 2], tf.float32)
print(sess.run(x2))
#[[0. 0.]]
tensor=[[1, 2, 3], [4, 5, 6]] 
x3 = tf.ones_like(tensor) 
print(sess.run(x3))
#[[1 1 1]
 #[1 1 1]]
x4 = tf.zeros_like(tensor, tf.float32) 
print(sess.run(x4))
#[[0. 0. 0.]
 #[0. 0. 0.]]
x5 = tf.fill([2,2],1.0) 
print(sess.run(x5))
#[[1. 1.]
 #[1. 1.]]

def random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None) //正太分布随机数，生成一个shape形状的矩阵，均值mean,标准差stddev 。

def truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) //截断正态分布随机数，生成一个shape形状的矩阵，均值mean,标准差stddev。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差。该函数对比random_normal，矩阵里面的元素不会离均值太远或者太近。举例，当输入参数mean = 0 ， stddev =1时，使用tf.truncated_normal的输出是不可能出现[-2,2]以外的点的。

def random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None) //均匀分布随机数，生成一个shape形状的矩阵,元素值范围为[minval,maxval]

sess = tf.InteractiveSession()
x1 = tf.random_normal(shape=[1,5],mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)
print(sess.run(x1))
#[[-0.30120787 -0.0505796   1.1938052   0.19710326  0.5720447 ]]
x2 = tf.truncated_normal(shape=[1,5],mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)
print(sess.run(x2))
#[[-0.5444954   0.8262541  -1.6569115   0.44797668 -1.3212199 ]]
x3 = tf.random_uniform(shape=[1,5], minval=1.0,maxval=2.0,dtype=tf.float32,seed=None,name=None)
print(sess.run(x3))
#[[1.1269865 1.9669617 1.6314322 1.1152394 1.7218542]]

（二）矩阵数据转换操作

tf.to_double(x, name=’ToDouble’) //将数据x转为64位浮点类型

tf.to_float(x, name=’ToFloat’) //将数据x转为32位浮点类型

tf.to_int32(x, name=’ToInt32’) //将数据x转为32位整形

tf.to_int64(x, name=’ToInt64’) //将数据x转为64位整形

以上函数可能会再未来版本被弃用。

tf.cast(x, dtype, name=None)//将张量x转为dtype类型

sess = tf.InteractiveSession()
tensor=[[1, 2, 3]] 
x1 = tf.cast(tensor,tf.float32)
print(sess.run(x1))
#[[1. 2. 3.]]
x2 = tf.to_int32(x1)
print(sess.run(x2))
#[[1 2 3]]
x3 = tf.to_float(x2)
print(sess.run(x3))
#[[1. 2. 3.]]

3.矩阵形状变换

tf.shape(input, name=None)//返回数据的shape

tf.size(input, name=None)//返回数据的元素数量

tf.rank(input, name=None)//返回tensor的rank，此rank不同于矩阵的rank，tensor的rank表示一个tensor需要的索引数目来唯一表示任何一个元素，也就是通常所说的 “order”, “degree”或”ndims”。

tf.reshape(tensor, shape, name=None)//改变tensor的形状,如果shape有元素[-1],表示在该维度打平至一维,自动推导。

tf.expand_dims(input, dim, name=None)//插入维度1进入一个tensor中

sess = tf.InteractiveSession()
tensor= [[[1, 1, 1, 1], [2, 2, 2, 2]], [[3, 3, 3, 3], [4, 4, 4, 4]]] 
x1 = tf.shape(tensor)
print(sess.run(x1))
#[2 2 4]
x2 = tf.size(tensor)
print(sess.run(x2))
#16
x3 = tf.rank(tensor)
print(sess.run(x3))
#3
x4 = tf.reshape(tensor, [2, -1])
print(sess.run(x4))
#[[1 1 1 1 2 2 2 2]
 #[3 3 3 3 4 4 4 4]]
print(sess.run(tf.shape(tf.expand_dims(tensor, 0))))
#[1 2 2 4]
print(sess.run(tf.shape(tf.expand_dims(tensor, 2))))
#[2 2 1 4]

4.切片与合并

tf.slice(input_, begin, size, name=None)//对tensor进行切片操作，其中“input_”是你输入的tensor，就是被切的那个。

“begin”是每一个维度的起始位置，“size”相当于问每个维度拿几个元素出来。

sess = tf.InteractiveSession()
tensor = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])
#tensor的shape为[3, 2, 3],begin第一个元素为1 size第一个元素为1 表示切下[[3, 3, 3], [4, 4, 4]]
#begin第二个元素为0 size第二个元素为1 表示切下[3, 3, 3]
#begin第三个元素为0 size第三个元素为3 表示[3, 3, 3]从第0个元素开始 切下3个元素
x1 = tf.slice(tensor, [1, 0, 0], [1, 1, 3])
print(sess.run(x1))
#[[[3 3 3]]]
print(sess.run(tf.shape(x1)))
#[1 1 3]

5.归约计算(Reduction)

tf.reduce_sum(input_tensor, reduction_indices=None, keep_dims=False, name=None)//reduction_indices指定的轴进行求和

tf.reduce_min(input_tensor, reduction_indices=None, keep_dims=False, name=None)//reduction_indices指定的轴进行求最小值

tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)//reduction_indices指定的轴进行求最大值

tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)//reduction_indices指定的轴进行求平均值

sess = tf.InteractiveSession()
tensor = [[1, 2, 3], [4, 5, 6]]
#axis=0 行与行之间的计算 axis=1 列与列之间的计算 axis=None 计算全家维度 #keep_dims = true 保持原有的shape
print(sess.run(tf.reduce_sum(tensor, 0)))
print(sess.run(tf.reduce_sum(tensor, 1)))
print(sess.run(tf.reduce_sum(tensor, 0, keep_dims=True)))
print(sess.run(tf.reduce_sum(tensor, 1, keep_dims=True)))
#[5 7 9]
#[ 6 15]
#[[5 7 9]]
#[[ 6]
 #[15]]
 
print(sess.run(tf.reduce_max(tensor, 0)))
print(sess.run(tf.reduce_max(tensor, 1)))
print(sess.run(tf.reduce_max(tensor)))
#[4 5 6]
#[3 6]
#6
print(sess.run(tf.reduce_mean(tensor, 0)))
print(sess.run(tf.reduce_mean(tensor, 1)))
print(sess.run(tf.reduce_mean(tensor)))
#数据不是float 精度损失
#[2 3 4]
#[2 5]
#3

6.序列比较与索引提取

tf.argmin(input, axis=None, name=None, dimension=None, output_type=dtypes.int64)//返回axis上的最小值的坐标

tf.argmax(input, axis=None, name=None, dimension=None, output_type=dtypes.int64)//返回axis上的最小值的坐标

sess = tf.InteractiveSession()
tensor = [[1, 3, 1], [6, 5, 4]]
print(sess.run(tf.argmax(tensor, axis=0)))
print(sess.run(tf.argmax(tensor, axis=1)))
print(sess.run(tf.argmin(tensor, axis=0)))
print(sess.run(tf.argmin(tensor, axis=1)))
#[1 1 1]
#[1 0]
#[0 0 0]
#[0 2]

7.基本数学函数

（1）算术操作符：+ - * / %

tf.add(x, y, name=None) # 加法(支持 broadcasting)

tf.subtract(x, y, name=None) # 减法

tf.multiply(x, y, name=None) # 乘法

tf.divide(x, y, name=None) # 浮点除法, 返回浮点数(python3 除法)

tf.mod(x, y, name=None) # 取余

sess = tf.InteractiveSession()
tensor1 = tf.constant([[1.5, 3.2, 1.7], [6.3, 5.5, 4.8]])
tensor2 =  tf.constant([[4.9, 7.3, 2.7], [3.1, 4.5, 2.3]])
list1 = [[1.5, 3.2, 1.7], [6.3, 5.5, 4.8]]
list2 = [[4.9, 7.3, 2.7], [3.1, 4.5, 2.3]]
print(type(tensor1))
print(type(list1))
print(sess.run(tf.add(tensor1, tensor2)))
print(sess.run(tensor1+tensor2))
#error 这里只能用tensor 不能用list
#print(sess.run(list1+list2))
print(sess.run(tensor1/tensor2))
print(sess.run(tf.mod(tensor1, tensor2)))

result:

<class 'tensorflow.python.framework.ops.Tensor'>
<class 'list'>
[[ 6.4       10.5        4.4      ]
 [ 9.4       10.         7.1000004]]
[[ 6.4       10.5        4.4      ]
 [ 9.4       10.         7.1000004]]
[[0.30612245 0.43835616 0.6296296 ]
 [2.0322583  1.2222222  2.0869567 ]]
[[1.5        3.2        1.7       ]
 [0.10000038 1.         0.20000029]]

上例代码中可以看到，tensorflow中有些运算数据输入一定是tensor, 而不能是python中的数组。大部分情况下，两者在运算中可通用。

（2）幂指对数操作符：

tf.pow(x, y, name=None) # 幂次方

tf.square(x, name=None) # 平方

tf.sqrt(x, name=None) # 开根号，必须传入浮点数或复数

tf.exp(x, name=None) # 计算 e 的次方

tf.log(x, name=None) # 以 e 为底，必须传入浮点数或复数

sess = tf.InteractiveSession()
tensor1 = tf.constant([[1.5, 3.2, 1.7], [6.3, 5.5, 4.8]])
print(sess.run(tensor1))
print(sess.run(tf.pow(tensor1, 2)))
tensor2 = tf.square(tensor1)
print(sess.run(tensor2))
print(sess.run(tf.sqrt(tensor2)))

（3） 取符号、负、倒数、绝对值、近似、两数中较大/小的

tf.negative(x, name=None) # 取负(y = -x).

tf.sign(x, name=None) # 返回 x 的符号

tf.reciprocal(x, name=None) # 取倒数

tf.abs(x, name=None) # 求绝对值

tf.round(x, name=None) # 四舍五入

tf.ceil(x, name=None) # 向上取整

tf.floor(x, name=None) # 向下取整

tf.rint(x, name=None) # 取最接近的整数

tf.maximum(x, y, name=None) # 返回两tensor中的最大值 (x > y ? x : y)

tf.minimum(x, y, name=None) # 返回两tensor中的最小值 (x < y ? x : y)

sess = tf.InteractiveSession()
tensor1 = tf.constant([[1.5, -3.2, 1.7]])
print(sess.run(tf.negative(tensor1)))
print(sess.run(tf.sign(tensor1)))
print(sess.run(tf.reciprocal(tensor1)))
print(sess.run(tf.abs(tensor1)))
print(sess.run(tf.round(tensor1)))
print(sess.run(tf.ceil(tensor1)))
print(sess.run(tf.floor(tensor1)))

result：

[[-1.5  3.2 -1.7]]
[[ 1. -1.  1.]]
[[ 0.6666667  -0.3125      0.58823526]]
[[1.5 3.2 1.7]]
[[ 2. -3.  2.]]
[[ 2. -3.  2.]]
[[ 1. -4.  1.]]

（4）三角函数和反三角函数

tf.cos(x, name=None)

tf.sin(x, name=None)

tf.tan(x, name=None)

tf.acos(x, name=None)

tf.asin(x, name=None)

tf.atan(x, name=None)

7.矩阵特性运算

def transpose(a, perm=None, name="transpose", conjugate=False) #求转置矩阵，a是矩阵数据，perm指定转置方式，例如[1,0]就是将第一维与第二维调转，实现的是一般二维矩阵的转置。conjugate表示是否为复数共轭矩阵。

import tensorflow as tf

sess = tf.InteractiveSession()
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
#普通二维矩阵转置
print(sess.run(tf.transpose(tensor1,[0,1])))
#保持原样
print(sess.run(tf.transpose(tensor1,[1,0])))

print("------------------------------")
#这是一个2*2*3的三维矩阵
tensor2 =  tf.constant([[[ 1,  2,  3],
                    [ 4,  5,  6]],
                   [[ 7,  8,  9],
                    [10, 11, 12]]])
#保持原样
print(sess.run(tf.transpose(tensor2,[0,1,2])))
#转置为3*2*2的三维矩阵 这个地方要搞清楚转换规则
print(sess.run(tf.transpose(tensor2,[2,1,0]))) 

result:

[[1 2 3]
 [4 5 6]]
[[1 4]
 [2 5]
 [3 6]]
------------------------------
[[[ 1  2  3]
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]]
[[[ 1  7]
  [ 4 10]]

 [[ 2  8]
  [ 5 11]]

 [[ 3  9]
  [ 6 12]]]

tf.matmul(a, b, transpose_a=False, transpose_b=False, a_is_sparse=False, b_is_sparse=False, name=None)#矩阵相乘

a,b为输入矩阵，其数据类型必须一致，不然报错。transpose_，_is_sparse分别代表是否转置和是否为稀疏矩阵。

import tensorflow as tf

sess = tf.InteractiveSession()
tensor1 = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])
tensor2 = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2])

print(sess.run(tf.matmul(tensor1,tensor2)))

result：

[[ 58  64]
 [139 154]]

tf.matrix_inverse(input, adjoint=None, name=None)#方阵的逆矩阵

input输入的矩阵数据类型必须是`float64`, `float32`, `complex64`, `complex128`，整形会报错。如果输入方阵不可逆，也会报错。Input is not invertible。

import tensorflow as tf

sess = tf.InteractiveSession()
tensor1 = tf.constant([1.0, 0, 0, 0, 1, 0, 0, 0, 1], shape=[3, 3])
print(sess.run(tf.matrix_inverse(tensor1)))

result：

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

8.Tensorflow 广播机制举例

m*n矩阵与1*n，m*1或1*1矩阵进行算术操作时，会自动将行向量或列向量矩阵复制扩展为m*n。

sess = tf.InteractiveSession()
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 =  tf.constant([[1, 2, 3]])
tensor3 =  tf.constant([[2],[3]])
tensor4 =  tf.constant([4])
#error
#tensor5 =  tf.constant([1,2])
print(sess.run(tf.add(tensor1, tensor2)))
print(sess.run(tf.add(tensor1, tensor3)))
print(sess.run(tf.add(tensor1, tensor4)))

result:

[[2 4 6]
 [5 7 9]]
[[3 4 5]
 [7 8 9]]
[[ 5  6  7]
 [ 8  9 10]]

u012580657
关注
【TensorFlow】矩阵操作相关
无水wangyang
08-02 437
placehold import tensorflow as tf data1=tf.placeholder(tf.float32) data2=tf.placeholder(tf.float32) dataAdd=tf.add(data1,data2) with tf.Session() as sess: print(sess.run(dataAdd,feed_dict={data1...
TensorFlow教程（四）：矩阵操作
观月执白
03-27 2138
学习TensorFlow中矩阵的操作对于理解计算图中数据的流动来说非常重要。 1、创建矩阵 可以使用numpy数组（或者嵌套列表来创建二维矩阵）；也可以使用创建张量的函数（比如，zeros()，ones()，truncated_normal()等）来指定一个二维形状的矩阵；也可以使用diag()函数从一个一维数组（或者列表）来创建一个对角矩阵。 import tensorflow as t...
TensorFlow矩阵基本操作及其实现
Demi Hao的学习笔记
12-13 1109
具体做法 开始一个交互式会话，以便得到计算结果： tensorflow.eye()用于生成单位矩阵。 用法：tensorflow.eye( num_rows, num_columns, batch_shape, dtype, name) 参数： num_rows:它是int32标量张量，它定义了结果矩阵中存在的行数。 num_columns(可选)：它是int32标量张量，它定义了结果矩阵中存在的列数。默认值为num_rows。 batch_shape(可选)：它是Python整数或一维int32 T
TensorFlow基础知识点（六）/矩阵基本操作
细心程度决定你的成败
03-19 1万+
import tensorflow as tf# 1.1矩阵操作 sess = tf.InteractiveSession() x = tf.ones([2, 3], "float32") print("tf.ones():", sess.run(x))tensor = [[1, 2, 3], [4, 5, 6]] x = tf.ones_like(tensor) print("ones_like给
tensorflow基本操作《03矩阵基础》
Jamesaonier的博客
03-25 184
tensorflow基本操作《03矩阵基础》 代码 ''' # placehold import tensorflow as tf data1=tf.placeholder(tf.float32) data2=tf.placeholder(tf.float32) dataAdd=tf.add(data1,data2) with tf.Session() as sess: print(se...
对Tensorflow中的矩阵运算函数详解
01-20
tf.diag(diagonal,name=None) #生成对角矩阵 import tensorflowas tf; diagonal=[1,1,1,1] with tf.Session() as sess: print(sess.run(tf.diag(diagonal))) #输出的结果为[[1 0 0 0] [0 1 0 0] [0 0 1 0] ...
Tensorflow矩阵运算实例(矩阵相乘,点乘,行/列累加)
12-20
在TensorFlow中，矩阵运算是一种基础且至关重要的操作，尤其在深度学习模型的构建和训练过程中。本实例探讨了在TensorFlow中如何进行二维、三维和四维矩阵的相乘、点乘以及行/列累加操作。 1. **矩阵相乘**： 矩阵...
tensorflow1的基础函数代码
最新发布
07-17
从这些基本的函数里逐步深入理解tensorflow1的特征，比如在TensorFlow 1.x中创建图、定义操作、使用会话执行操作等功能，这些也是tensorflow1的核心。 这个代码文件是学习tensorflow用于神经网络的必会基础代码。 ...
tensorflow2.0—矩阵向量相关操作
Elvis__c的博客
05-06 1236
张量的一些数学操作一 、标量运算1 maximum 与 minimum2 幅值裁剪clip_by_value 与 clip_by_norm 二、 向量运算1 reduce_sum、mean、max、min2 reduce_prob 乘积3 reduce_all 与 reduce_any [逻辑符and or】4 foldr 实现匿名函数5 cum累计6 argmax 与 argmmin 极值索引7 top_k 排序 三、 矩阵运算1 矩阵乘法@、转置、逆、范数、行列式2 矩阵分解1.矩阵正交三角（QR）分
tensorflow: 如何使用矩阵
vagrantabc2017的博客
09-22 1837
Refence:  《Tensorflow machine learning cookbook》 : Working with Matrices Packt.TensorFlow.Machine.Learning.Cookbook.2017 笔记 # -*- coding:utf-8 -*- import tensorflow as tf i
TensorFlow2.0矩阵四则运算
lymake的博客
04-21 362
定义简单的矩阵 constant是定义常量。等价于tensorA*tensorB。等价于tensorA+tensorB。等价于tensorA-tensorB。等于tensorA/tensorB。
关于Tensorflow输入数据的shape
weixin_42670810的博客
07-01 2598
关于Tensorflow输入数据的shape确定 注意： 1.模型数据输入的shape与batch_size无关！ 2.只有"单个"样本的shape有关！ 3.且只与样本的"特征数据"的shape有关，与标签shape无关！ 因为从框架设计上来说，每个人训练的输入batch_size不一定一样，所以模型输入shape就肯定不能带上batch_size。 只当真正训练时，自动每批次求导即可。即，你每次输入1个样本，它就计算1个样本，求一次损失；如果你输入10个，那么它就 计算10个样本，求其均值损失。 ten
Tensorflow Keras 中input_shape引发的维度顺序冲突问题（NCHW与NHWC)
Newbie_J的博客
03-11 3786
Tensorflow Keras 中input_shape引发的维度顺序冲突问题（NCHW与NHWC) 原文链接：Tensorflow Keras 中input_shape引发的维度顺序冲突问题（NCHW与NHWC) 以tf.keras.Sequential构建卷积层为例： tf.keras.layers.Conv2D(10, 3, input_shape=(2, 9, 9),padding='s...
Tensorflow中float32模型强制转为float16半浮点模型
huachao1001的专栏
12-10 4327
i在Tensorflow框架训练完成后，部署模型时希望对模型进行压缩。一种方案是前面文字介绍的方法《【Ubuntu】Tensorflow对训练后的模型做8位（uint8）量化转换》。另一种方法是半浮点量化，今天我们主要介绍如何通过修改Tensorflow的pb文件中的计算节点和常量（const），将float32数据类型的模型大小压缩减半为float16数据类型的模型。
关于kereas、TensorFlow里的input_shape、shape的数据维度损失函数的定义方法
热门推荐
yangdeshun888的博客
05-25 4万+
1、其中其使用input_shape=(12,)，这个指的是输入一维的数据，其例子如下： # as first layer in a Sequential model model = Sequential() model.add(Reshape((3, 4), input_shape=(12,))) # now: model.output_shape == (None, 3, 4) # not...
Tensorflow入门之运算篇
Gosh_feifei_kris的博客
03-16 679
Tensor Flow入门-运算
TensorFlow 2.9的零零碎碎（四）-模型的输入
天边一坨浮云
08-11 2114
TensorFlow 2.9的零零碎碎（四）-模型的输入
机器学习——TensorFlow2
渗透测试
04-20 614
生成一个5x5的矩阵，要求为int类型TensorFlow支持多种数据类型的矩阵，具体包括以下常用的数据类型：tf.float16tf.float32tf.float64tf.int32tf.int64除了上述常用的数据类型外，TensorFlow还支持其他一些数据类型，例如bool、complex64和string等。您可以通过tf.dtypes.DType类中提供的方法来创建、转换和管理数据类型。
一文上手Tensorflow2.0之tf.keras（三）
TensorFlowNews
08-19 2950
系列文章目录： Tensorflow2.0介绍 Tensorflow常见基本概念 从1.x 到2.0的变化 Tensorflow2.0的架构 Tensorflow2.0的安装(CPU和GPU) Tensorflow2.0使用 “tf.data” API “tf.keras”API ...
TensorFlow入门：关键函数详解与应用
3. 矩阵运算：对于线性代数操作，TensorFlow提供如tf.matmul()进行矩阵乘法，tf.matrix_inverse()计算逆矩阵，tf.matrix_determinant()求行列式等。 4. 神经网络函数：对于深度学习模型构建，TensorFlow内置了诸如...
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