caffe的classification封装dll

最新推荐文章于 2018-08-23 16:45:06 发布
最新推荐文章于 2018-08-23 16:45:06 发布
阅读量2.1k 收藏 4
点赞数
分类专栏： # caffe笔记 文章标签： caffe封装 C++
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/u013524303/article/details/81502881
版权

为了能在自己的项目中调用caffe框架，所以需要将caffe封装成dll。并将封装好的内容拷贝出来，直接放到项目中，项目移植之后同样能工作的起来。遇到了很多坑，没有随手记录的习惯，碰到的一些问题和解决方案不记得了，现在把整个过程记录一下。总之各种坑需要趴！

开始按照https://blog.csdn.net/sinat_30071459/article/details/51823390的方法进行编译的，最终虽然dll编译成功，但是调用的时候却没办法用，一些看不懂的bug，打算重新来过。
遇到release时只生成dll，没有lib的情况。搜了很多也没有找到解决方法。
主要过程就是按照博主z梦飞的神操作进行编译的。

首先建立一个空项目选择dll，省去了之后编译时各种配置的问题。
这里写图片描述
新建工程之后就是库目录和包含目录的添加，按照z梦飞的配置会提示有些目录和lib没有加载成功，需要继续添加，这里贴出最后的配置结果。

//include
E:\caffe-master\include;E:\NugetPackages\gflags.2.1.2.1\build\native\include;E:\NugetPackages\glog.0.3.3.0\build\native\include;E:\NugetPackages\protobuf-v120.2.6.1\build\native\include;E:\NugetPackages\OpenCV.2.4.10\build\native\include;E:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\include;E:\NugetPackages\boost.1.59.0.0\lib\native\include;
//库目录
//release
E:\caffe-master\Build\x64\Release;E:\NugetPackages\OpenCV.2.4.10\build\native\lib\x64\v120\Release;E:\NugetPackages\gflags.2.1.2.1\build\native\x64\v120\dynamic\Lib;E:\NugetPackages\glog.0.3.3.0\build\native\lib\x64\v120\Release\dynamic;E:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\lib\x64;E:\NugetPackages\protobuf-v120.2.6.1\build\native\lib\x64\v120\Release;E:\NugetPackages\LevelDB-vc120.1.2.0.0\build\native\lib\x64\v120\Release;E:\NugetPackages\hdf5-v120-complete.1.8.15.2\lib\native\lib\x64;E:\NugetPackages\boost_date_time-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_filesystem-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_system-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_thread-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_chrono-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\lmdb-v120-clean.0.9.14.0\lib\native\lib\x64;
//debug
E:\caffe-master\Build\x64\Debug;E:\NugetPackages\OpenCV.2.4.10\build\native\lib\x64\v120\Debug;E:\NugetPackages\gflags.2.1.2.1\build\native\x64\v120\dynamic\Lib;E:\NugetPackages\glog.0.3.3.0\build\native\lib\x64\v120\Debug\dynamic;E:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\lib\x64;E:\NugetPackages\protobuf-v120.2.6.1\build\native\lib\x64\v120\Debug;E:\NugetPackages\LevelDB-vc120.1.2.0.0\build\native\lib\x64\v120\Debug;E:\NugetPackages\hdf5-v120-complete.1.8.15.2\lib\native\lib\x64;E:\NugetPackages\boost_date_time-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_filesystem-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_system-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_thread-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\boost_chrono-vc120.1.59.0.0\lib\native\address-model-64\lib;E:\NugetPackages\lmdb-v120-clean.0.9.14.0\lib\native\lib\x64;
//依赖项的添加
//release
libglog.lib
libcaffe.lib
gflags.lib
gflags_nothreads.lib
hdf5.lib
hdf5_hl.lib
libprotobuf.lib
libopenblas.dll.a
Shlwapi.lib
LevelDb.lib
lmdb.lib
opencv_core2410.lib
opencv_highgui2410.lib
opencv_imgproc2410.lib
opencv_video2410.lib
opencv_objdetect2410.lib

//debug
libglog.lib
libcaffe.lib
gflagsd.lib
gflags_nothreadsd.lib
hdf5.lib
hdf5_hl.lib
libprotobuf.lib
libopenblas.dll.a
Shlwapi.lib
LevelDb.lib
lmdbD.lib
opencv_core2410d.lib
opencv_highgui2410d.lib
opencv_imgproc2410d.lib
opencv_video2410d.lib
opencv_objdetect2410d.lib

其中opencv使用的是我自己配置的opencv，，其次再添加路径时要根据自己的实际路径添加。

在编译过程中需要在预编译定义中添加
_SCL_SECURE_NO_WARNINGS
否则会出现警告错误。
在新建的项目中添加一个layer.h，用于声明需要用到的caffe中各种layer。

#ifndef LAYER_H
#define LAYER_H

#include "caffe/common.hpp"
#include "caffe/layers/input_layer.hpp"
#include "caffe/layers/inner_product_layer.hpp"
#include "caffe/layers/dropout_layer.hpp"
#include "caffe/layers/conv_layer.hpp"
#include "caffe/layers/relu_layer.hpp"

#include "caffe/layers/pooling_layer.hpp"
#include "caffe/layers/lrn_layer.hpp"
#include "caffe/layers/softmax_layer.hpp"


namespace caffe
{

    extern INSTANTIATE_CLASS(InputLayer);
    extern INSTANTIATE_CLASS(InnerProductLayer);
    extern INSTANTIATE_CLASS(DropoutLayer);
    extern INSTANTIATE_CLASS(ConvolutionLayer);
    REGISTER_LAYER_CLASS(Convolution);
    extern INSTANTIATE_CLASS(ReLULayer);
    REGISTER_LAYER_CLASS(ReLU);
    extern INSTANTIATE_CLASS(PoolingLayer);
    REGISTER_LAYER_CLASS(Pooling);
    extern INSTANTIATE_CLASS(LRNLayer);
    REGISTER_LAYER_CLASS(LRN);
    extern INSTANTIATE_CLASS(SoftmaxLayer);
    REGISTER_LAYER_CLASS(Softmax);

}

#endif

新建一个myCaffeCliassi类，用于分类任务，代码来源于caffe的classification项目。
因为本文只是使用CPU版的，所以添加了CUP_ONLY的宏定义。

//myCaffeCliassi.h

#ifndef MYCLASS_H_
#define MYCLASS_H_

#define CPU_ONLY 1

#include <caffe/caffe.hpp>
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/imgproc/imgproc.hpp>  
#include <algorithm>  
#include <iosfwd>  
#include <memory>  
#include <string>  
#include <utility>  
#include <vector>  


using namespace caffe;  // NOLINT(build/namespaces)  
using std::string;

/* Pair (label, confidence) representing a prediction. */
typedef std::pair<string, float> Prediction;

class  _declspec(dllexport)  Classifier {
public:
    Classifier(const string& model_file,
        const string& trained_file,
        const string& mean_file,
        const string& label_file);

    std::vector<Prediction> Classify(const cv::Mat& img, int N = 5);

    ~Classifier();

private:
    void SetMean(const string& mean_file);

    std::vector<float> Predict(const cv::Mat& img);

    void WrapInputLayer(std::vector<cv::Mat>* input_channels);

    void Preprocess(const cv::Mat& img,
        std::vector<cv::Mat>* input_channels);

private:
    shared_ptr<Net<float> > net_;
    cv::Size input_geometry_;
    int num_channels_;
    cv::Mat mean_;
    std::vector<string> labels_;
};
#endif
//myCaffeCliassi.cpp
#include "myCaffeCliassi.h"
#include "layer.h"

Classifier::Classifier(const string& model_file,
    const string& trained_file,
    const string& mean_file,
    const string& label_file) {
    #ifdef CPU_ONLY
        Caffe::set_mode(Caffe::CPU);
    #else
        Caffe::set_mode(Caffe::GPU);
    #endif
    //Caffe::set_mode(Caffe::GPU);
    /* Load the network. */
    net_.reset(new Net<float>(model_file, TEST));
    net_->CopyTrainedLayersFrom(trained_file);

    CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";
    CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";

    Blob<float>* input_layer = net_->input_blobs()[0];
    num_channels_ = input_layer->channels();
    CHECK(num_channels_ == 3 || num_channels_ == 1)
        << "Input layer should have 1 or 3 channels.";
    input_geometry_ = cv::Size(input_layer->width(), input_layer->height());

    /* Load the binaryproto mean file. */
    SetMean(mean_file);

    /* Load labels. */
    std::ifstream labels(label_file.c_str());
    CHECK(labels) << "Unable to open labels file " << label_file;
    string line;
    while (std::getline(labels, line))
        labels_.push_back(string(line));

    Blob<float>* output_layer = net_->output_blobs()[0];
    CHECK_EQ(labels_.size(), output_layer->channels())
        << "Number of labels is different from the output layer dimension.";
}
static bool PairCompare(const std::pair<float, int>& lhs,
    const std::pair<float, int>& rhs) {
    return lhs.first > rhs.first;     
}

/* Return the indices of the top N values of vector v. */
static std::vector<int> Argmax(const std::vector<float>& v, int N) {
    std::vector<std::pair<float, int> > pairs;
    for (size_t i = 0; i < v.size(); ++i)
        pairs.push_back(std::make_pair(v[i], static_cast<int>(i)));
    std::partial_sort(pairs.begin(), pairs.begin() + N, pairs.end(), PairCompare);

    std::vector<int> result;
    for (int i = 0; i < N; ++i)
        result.push_back(pairs[i].second);
    return result;
}
/* Return the top N predictions. */
std::vector<Prediction> Classifier::Classify(const cv::Mat& img, int N) {
    std::vector<float> output = Predict(img);

    N = std::min<int>(labels_.size(), N);
    std::vector<int> maxN = Argmax(output, N);
    std::vector<Prediction> predictions;
    for (int i = 0; i < N; ++i) {
        int idx = maxN[i];
        predictions.push_back(std::make_pair(labels_[idx], output[idx]));
    }
    return predictions;
}
/* Load the mean file in binaryproto format. */
void Classifier::SetMean(const string& mean_file) {
    BlobProto blob_proto;
    ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);
    /* Convert from BlobProto to Blob<float> */
    Blob<float> mean_blob;
    mean_blob.FromProto(blob_proto);
    CHECK_EQ(mean_blob.channels(), num_channels_)
        << "Number of channels of mean file doesn't match input layer.";
    /* The format of the mean file is planar 32-bit float BGR or grayscale. */
    std::vector<cv::Mat> channels;
    float* data = mean_blob.mutable_cpu_data();
    for (int i = 0; i < num_channels_; ++i) {
        /* Extract an individual channel. */
        cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);
        channels.push_back(channel);
        data += mean_blob.height() * mean_blob.width();
    }
    /* Merge the separate channels into a single image. */
    cv::Mat mean;
    cv::merge(channels, mean);
    /* Compute the global mean pixel value and create a mean image
    * filled with this value. */
    cv::Scalar channel_mean = cv::mean(mean);
    mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);
}
std::vector<float> Classifier::Predict(const cv::Mat& img) {
    Blob<float>* input_layer = net_->input_blobs()[0];
    input_layer->Reshape(1, num_channels_,
        input_geometry_.height, input_geometry_.width);
    /* Forward dimension change to all layers. */
    net_->Reshape();

    std::vector<cv::Mat> input_channels;
    WrapInputLayer(&input_channels);

    Preprocess(img, &input_channels);

    net_->Forward();

    /* Copy the output layer to a std::vector */
    Blob<float>* output_layer = net_->output_blobs()[0];
    const float* begin = output_layer->cpu_data();
    const float* end = begin + output_layer->channels();
    return std::vector<float>(begin, end);
}

/* Wrap the input layer of the network in separate cv::Mat objects
* (one per channel). This way we save one memcpy operation and we
* don't need to rely on cudaMemcpy2D. The last preprocessing
* operation will write the separate channels directly to the input
* layer. */
void Classifier::WrapInputLayer(std::vector<cv::Mat>* input_channels) {
    Blob<float>* input_layer = net_->input_blobs()[0];

    int width = input_layer->width();
    int height = input_layer->height();
    float* input_data = input_layer->mutable_cpu_data();
    for (int i = 0; i < input_layer->channels(); ++i) {
        cv::Mat channel(height, width, CV_32FC1, input_data);
        input_channels->push_back(channel);
        input_data += width * height;
    }
}

void Classifier::Preprocess(const cv::Mat& img,
    std::vector<cv::Mat>* input_channels) {
    /* Convert the input image to the input image format of the network. */
    cv::Mat sample;
    if (img.channels() == 3 && num_channels_ == 1)
        cv::cvtColor(img, sample, cv::COLOR_BGR2GRAY);
    else if (img.channels() == 4 && num_channels_ == 1)
        cv::cvtColor(img, sample, cv::COLOR_BGRA2GRAY);
    else if (img.channels() == 4 && num_channels_ == 3)
        cv::cvtColor(img, sample, cv::COLOR_BGRA2BGR);
    else if (img.channels() == 1 && num_channels_ == 3)
        cv::cvtColor(img, sample, cv::COLOR_GRAY2BGR);
    else
        sample = img;

    cv::Mat sample_resized;
    if (sample.size() != input_geometry_)
        cv::resize(sample, sample_resized, input_geometry_);
    else
        sample_resized = sample;

    cv::Mat sample_float;
    if (num_channels_ == 3)
        sample_resized.convertTo(sample_float, CV_32FC3);
    else
        sample_resized.convertTo(sample_float, CV_32FC1);

    cv::Mat sample_normalized;
    cv::subtract(sample_float, mean_, sample_normalized);

    /* This operation will write the separate BGR planes directly to the
    * input layer of the network because it is wrapped by the cv::Mat
    * objects in input_channels. */
    cv::split(sample_normalized, *input_channels);

    CHECK(reinterpret_cast<float*>(input_channels->at(0).data)
        == net_->input_blobs()[0]->cpu_data())
        << "Input channels are not wrapping the input layer of the network.";
}
Classifier::~Classifier()
{}

此时进行编译，可以得到dll和lib文件。将这些文件以及myCaffeCliassi.h拷出来备用。

为了使用的方便，新建三个文件夹include，lib，bin；
include：把caffe、opencv等等，之前所有包含目录中所有路径下的.h文件都拷贝进来，最重要的是myCaffeCliassi.h要拷贝进来。
lib：放的是所有用到的lib文件，也包括刚刚编译成功的myCaffeCliassi.lib。但是需要注意的是在所有需要区分debug和release版本的myCaffeCliassi.lib需要区分开来，我是在lib文件夹中新建了debug和release文件夹，分别放需要区分的lib文件。
bin：bin文件夹需要放的是dll文件，同样注意debug和release版本的区别。我是直接将不同的dll放到对应的子文件内。
这里写图片描述
然后新建一个工程，将include、lib、bin三个文件夹拷到项目的根目录下，进行如图配置：
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
当然还有_SCL_SECURE_NO_WARNINGS添加到预编译定义中。

然后写一个测试文件.

#include "myCaffeCliassi.h"
#include <opencv2/opencv.hpp>
#include <iostream>
int main(){
    string model_file = "E:/VS2013Space/hello_caffe/deploy.prototxt";
    string trained_file = "E:/VS2013Space/hello_caffe/bvlc_reference_caffenet.caffemodel";
    string mean_file = "E:/VS2013Space/hello_caffe/imagenet_mean.binaryproto";
    string label_file = "E:/VS2013Space/hello_caffe/synset_words.txt";

    Classifier myclassifer(model_file, trained_file, mean_file, label_file);
    string file = "E:/VS2013Space/hello_caffe/cat.jpg";
    cv::Mat img = cv::imread(file);
    std::vector<Prediction> predictions = myclassifer.Classify(img);
    ///* Print the top N predictions. */
    for (size_t i = 0; i < predictions.size(); ++i) {
        Prediction p = predictions[i];
        std::cout << std::fixed << std::setprecision(4) << p.second << " - \""
            << p.first << "\"" << std::endl;
    }
    system("PAUSE");
    return 0;
}

不管如何，总算得到如图结果，值得大赦天下一下了。
这里写图片描述
经过这一顿神操作之后，代码随便放到其他的环境下也能运行的起来了。
过程中遇到很多坑，另起一片博客记录 https://blog.csdn.net/u013524303/article/details/81503756，但有些一时想不起来，等想起来的时候在补充吧。

Reference
https://blog.csdn.net/sinat_30071459/article/details/51823390
https://blog.csdn.net/zff1988927/article/details/56839753

弹与征鸿
关注
专栏目录
解决classification_dll.dll无法找的问题
01-08
将下载的dll压缩包中的dll全部放到C盘的windows目录下就可以了 压缩包包含五个dll，只要全部放到windows目录下就好了 为解决以下异常： 运行时出错! 错误信息：无法找到指定DLL库文件“classification_dll.dll”中的输出命令“createTaskPoolByData”
Caffe-classification
liugan528的博客
07-28 907
常用的东西还是记下来，省的每次用的时候都要从头捋一遍。 本文是对用caffe做classification的inference流程的梳理。 首先介绍做classification的类 /* Pair (label, confidence) representing a prediction. */ /* 保存predict的结果：标签 + 概率得分 */ typedef std::pair&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;
Caffe之Classification
StepLeave的博客
07-07 1030
caffe 分类
caffe源码中的classification.cpp解析
CSDN_dzh的博客
08-23 325
在caffe源码中有一个example文件夹，在example目录下有一个cpp_classification的文件夹，打开它，有一个名为classification的cpp文件，这就是caffe提供给我们的调用分类网络进行前向计算，得到分类结果的接口 1、首先观察Classifier类的构造函数 其主要作用是对操作网络进行前传得到分类结果的类对象进行初始化和一些check 比如检验是否只输...
关于caffe做分类的classification.cpp
csyanbin的专栏
03-13 9348
相关文件： classification.cpp ：原始的图像分类文件，默认位于位于caffe_root/examples/cpp_classification/classification.cpp。 extract_feature.cpp：自己改写过的文件，可以同时输出预测结果和根据层的名字提取特征。 extract_feature2.cpp: 自己改写过的文件，可以一个bat
caffe学习：通过研读classification.cpp了解如何使用caffe模型
持久决心的博客
10-28 9931
在学习caffe的过程中，安装caffe训练和测试手写字体识别例子成功时以为caffe不过如此；再用编译好的classification.bin分类小猫的图片时，发现自己能做的又非常的少。每次分类我都要提供这些文件？我能随便给一张图片吗？我能更加随心所欲的用这个模型吗？模型的输出应该怎么看？这些问题都可以通过研读classification.cpp得到一定的启发。所以我决定参照classificat
windows caffe的第三方库dll
03-21
在Windows环境下搭建Caffe深度学习框架时，常常会遇到与第三方库DLL相关的依赖问题。Caffe是一个用C++编写的高效、灵活的深度学习库，它广泛应用于图像识别、图像分类、物体检测等领域。在Windows系统中运行Caffe，...
caffe框架C++接口classification的官方model以及相关参数文件
04-17
在本文中，我们将深入探讨Caffe框架的C++接口，特别是关于classification任务的实现，以及相关的模型和参数文件。Caffe是一种广泛使用的深度学习框架，以其高效、灵活和易用性而闻名。在这个压缩包中，包含的是Caffe...
MFC集成Caffe导出的DLL做人脸验证（文件比较大，下载的是百度云盘的链接），又问题在我博客下留言。
12-11
### MFC集成Caffe导出的DLL做人脸验证 #### MFC与Caffe结合实现人脸验证 在软件开发领域，特别是在计算机视觉应用方面，将不同的技术框架和库结合起来以达到特定的功能需求是一种常见的做法。本篇文章主要介绍如何...
封装的caffe代码
12-19
本项目涉及的是对Caffe框架进行封装，使得模型可以有多个输出，这在多分类任务中尤为常见。多分类是指一个模型需要预测出属于多个类别的概率，例如图像识别中的物体分类，可能会有多个物体同时出现在一张图片中。 ...
Classification
12-21
JCOS之Classification.ppt
【深度学习之Caffe】将模型测试Classification过程生成动态链接库dll以方便其他项目调用
qq_32176677的博客
01-19 1418
运行环境 Win10  VS2013  GPU(1070 8G) CUDA9.1 Cudnn7.1 前期准备 已在Release配置下编译完成Caffe+GPU(此过程不多做阐述) 新建空白项目 更改配置 配置管理器->活动解决方案平台：新建->键入或选择新平台：x64->确定 更改文件扩展名和配置类型 添加包含目录和库目录 包含目录包括：
【caffe范例详解】 - 1.Classification分类
weixin_30472035的博客
03-30 134
1. 安装 首先，导入numpy和matplotlib库 # numpy是常用的科学计算库，matplot是常用的绘图库 import numpy as np import matplotlib.pyplot as plt # 在notebook中展示图例 %matplotlib inline # 设置图例展示的默认参数 plt.rcParams['figure.figsize'] = (1...
Caffe源码：image_classification.cpp
zzqiuzz的博客
12-28 283
@brief:测试训练好的caffemodel Vs2013+caffe+cpu这里deploy.prototxt中的input:”data”由caffe的upgrade_protp.cpp 自动转化为输入层。
caffe的classification封装dll（遇到的坑）
学习笔记
08-08 1656
无法解析的外部符号 无法解析的外部符号 &quot;__declspec(dllimport) public: class std::basic_ostream&amp;lt;char,struct std::char_traits&amp;lt;char&amp;gt; &amp;gt; &amp;amp; __cdecl google::LogMessage::stream(void)&quot;的问题 其中遇到了神奇的一幕，由于测试代
【Caffe C++】图像分类(非官方Classification.cpp)
穆友航的博客
05-31 4868
Caffe C++接口实现图像分类(非官方Classification.cpp)本文代码使用Caffe C++接口和OpenCVC实现了使用基于Caffe的卷积神经网络的图像分类，将Caffe的模型加载，前向传播等操作封装为CaffeClassification类，main.cpp用了共享内存的方式将结果输出至内存，为了实现进程间通信而做的工作，在这里做个分享和记录.
caffe框架特征提取的dll封装
llwjason5555的博客
07-03 401
持续更新中 下载链接： https://github.com/llwjason5555/FaceRecognize_Caffe_DLL/tree/master/FaceRecognize
深度学习caffe中的分类程序（classification）制作成动态链接库（dll）
zff1988927的博客
02-24 5879
          最近因公司项目需要把caffe中的classification分类程序融入到自己的项目程序中，因此把Caffe中的classification封装成dll供源程序进行调用。经过两天的不懈努力，终于把caffe中的分类程序封装成dll，以供项目程序调用。在此中间遇到各种库依赖的问题，在这进行相应的总结，以备文档留存。   第一：在VS2013下新建Win32控制台程序，命名为...
评论 3
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