- 博客(88)
- 收藏
- 关注
RSS订阅原创 正则化详解(2026最新版)
拟合能力与泛化能力的博弈。模型参数越多、层数越深、拟合能力越强，越容易死记硬背训练数据、拟合噪声与冗余特征，最终出现过拟合（Overfitting）：训练集精度拉满、验证/测试集彻底拉胯。大多数开发者的误区：过拟合只靠Dropout解决L2正则=权重衰减（全网最大误区）归一化只是加速收敛，不算正则化大模型靠算力不用正则化结论在不降低模型拟合能力的前提下，约束模型复杂度、惩罚参数冗余、抑制噪声拟合，强制模型学习通用特征而非数据噪声。正则化不是“降精度”，而是。
2026-05-31 12:52:27
394
1
原创 学习率详解(2026最新版)
数据、模型结构、参数初始化、学习率。其中学习率（Learning Rate, LR）是对训练效果影响最大、也是最容易被低估的超参数。无数训练崩溃、收敛缓慢、精度打不满、过拟合、陷入局部最优的核心原因，80%都是学习率策略不匹配。最大误区：固定一个学习率训到底、凭感觉调参、盲目套用网上默认参数。结论学习率本质是梯度下降的步长，定义了模型参数每一轮更新的幅度。学习率过大：参数更新震荡、梯度爆炸、loss飙升、无法收敛学习率过小：训练极慢、陷入局部最优、欠拟合、收敛卡死。
2026-05-31 12:19:12
350
1
原创 损失函数详解(2026版最新)
在深度学习完整训练闭环中，数据决定上限，模型结构决定框架，优化器决定收敛速度，而损失函数决定学习方向。绝大多数开发者的核心误区：损失函数只是简单计算误差，随便选一个即可。硬核核心结论损失函数直接定义了模型学什么、重点学哪里、放弃什么。错误的损失函数选型，会导致：收敛极慢、loss持续震荡、无法拟合类别严重偏向、小样本完全学不到模型过度自信、泛化能力极差异常值主导训练、模型拟合噪声大模型预训练塌陷、梯度爆炸、训练NaN。
2026-05-29 22:21:34
367
原创 梯度优化器详解
在深度学习训练闭环中，优化器（Optimizer）是参数更新的唯一执行者，直接决定模型的收敛速度、收敛稳定性、局部最优逃逸能力、泛化上限，是调优的核心底层模块。损失函数定义优化目标，反向传播计算梯度，优化器负责基于梯度精准更新参数。峡谷震荡问题：参数空间曲率不均，固定学习率导致侧向反复震荡、轴向推进缓慢；平坦区域停滞问题：梯度趋近于0时，参数更新停滞，无法逃离弱梯度区域；参数尺度不均问题：不同参数梯度量级差异极大，统一学习率无法适配全局参数更新；正则冲突问题。
2026-05-28 13:24:54
378
原创 神经网络参数初始化详解
先拆解三类经典错误初始化，从数学层面解释为什么不能用，根治训练底层问题。模型完全不收敛、loss恒定：大概率初始化方差过大，激活饱和梯度为0；深层网络梯度消失：ReLU网络误用Xavier初始化，方差逐层衰减；训练震荡剧烈、不收敛：权重幅值过大，梯度更新爆炸；所有神经元输出一致：存在全零初始化或对称权重未打破；大模型预训练崩溃：未做逐层缩放，深层方差累积漂移。
2026-05-27 22:15:26
498
原创 激活函数全系详解(2026最新版)
在神经网络架构中，激活函数（Activation Function）是赋予网络非线性拟合能力的唯一核心组件，也是决定模型梯度传播稳定性、收敛速度、表征上限的关键因子。无激活函数的多层神经网络等价于单层线性变换。网络层层线性映射为：，该公式可化简为，无论堆叠多少层，仅能拟合线性关系，无法拟合现实中复杂的非线性分布（图像、文本、时序数据）。对神经元加权和输出做非线性映射，打破线性叠加约束，使神经网络具备万能逼近定理能力，同时调控梯度反向传播的数值分布。本文将从。
2026-05-27 21:35:08
408
原创 【深度学习核心】注意力机制（Attention）详细解析
解决长序列依赖问题：彻底摆脱RNN梯度消失缺陷，支持超长序列特征建模；特征筛选能力强：自适应权重分配，聚焦核心信息，提升模型精度；全局建模能力：可捕捉任意位置的特征关联，不局限于局部相邻特征；支持并行计算：打破串行计算限制，大幅提升训练速度；通用性极强：适配NLP、CV、语音、推荐系统等所有AI任务。
2026-05-27 13:30:27
250
原创 Hermes Agent 安装部署全解析（2026年5月最新版）
作为近期非常受欢迎的一款软件,其本身的优点就不在过多赘述了,下边直接上干货本文部署方式适配系统：Linux（Ubuntu 22.04优先）、macOS、WSL2（Windows用户必用），不支持原生Windows系统。
2026-05-16 21:36:40
1127
原创 OpenClaw 常用技能全解
OpenClaw（俗称 “小龙虾”）是一款开源、本地优先、可自主执行任务的 AI 智能体执行框架，核心价值在于为大语言模型（Claude、GPT、Kimi 等）提供 “执行能力”—— 通过各类技能插件，让 AI 从 “只说不做” 的顾问，变成 “说到做到” 的自动化助手。本文整理了 OpenClaw 最常用、最实用的技能，包含安装命令、使用示例、配置方法及避坑技巧，全程 Markdown 格式，无多余排版，复制即可直接发布到 CSDN，适合新手快速上手、老手查漏补缺。
2026-04-06 12:11:26
874
原创 彻底吃透自注意力机制：从原理公式到Transformer核心应用
自注意力的“自”，指Query（查询）、Key（键）、Value（值）均来自同一个输入序列。它的本质是：让序列中每个元素，通过“查询-匹配-聚合”的方式，融合全序列的有效信息，生成更具上下文感知的新表示。可以类比成信息检索Query（Q）：当前元素的“提问”——我需要什么信息？Key（K）：全序列元素的“标签”——我有什么信息？Value（V）：全序列元素的“内容”——我能提供什么实质信息？通过Q和K的相似度匹配，得到注意力权重，再用权重对V加权求和，就是最终的注意力输出。
2026-03-25 22:36:48
393
原创 Windows电脑部署OpenClaw保姆级教程（2026最新版）
OpenClaw（社区昵称“龙虾助手”）是轻量级开源AI自动化框架，主打本地离线+云端联动模式，无需依赖付费云服务，Windows端部署后可实现：系统级控制：模拟鼠标点击、键盘输入、窗口切换，适配全品类Windows桌面软件视觉理解：屏幕内容抓取、UI元素定位，无API接口的软件也能实现自动化操作多端远程：Telegram/微信/飞书等渠道远程控制电脑，随时随地执行任务本地脚本：支持Batch/PowerShell/Python/JS脚本调用，批量处理文件、数据整理、重复工作。
2026-03-22 17:38:57
3067
原创 Mac电脑部署OpenClaw保姆级教程（2026最新版)
OpenClaw（社区昵称“龙虾助手”）是跨平台开源AI自动化框架，主打本地离线+云端联动模式，无需依赖复杂云服务，Mac端部署后可实现：系统级控制：模拟鼠标点击、键盘输入、窗口切换，适配所有Mac桌面软件视觉理解：屏幕内容抓取、UI元素定位，无API软件也能自动化操作多端远程：Telegram/微信远程控制电脑，随时随地执行任务本地脚本：支持Shell/Python/JS脚本调用，批量处理文件、数据整理项目完全开源，无付费门槛，Mac端部署后占用资源低，M系列芯片运行流畅度远超Intel机型。
2026-03-22 17:17:35
4421
3
原创 大白话讲透OpenClaw：普通人也能看懂的AI工具全解析
别被“开源、智能体、部署”这些词吓到，OpenClaw的开发者初衷就是让非技术人群也能享受AI自动化的便利。它不是程序员的专属玩具，而是咱们普通人提升效率、解放双手的实用工具。OpenClaw=AI实干助手，让AI从“键盘侠”变成“打工人”，帮你省时间、少费力。
2026-03-20 15:07:09
1060
原创 OpenClaw 超详细使用指南（零基础全流程・步骤细化版）
openclaw tool load --name "批量重命名文件"帮我使用“批量重命名文件”工具，目标目录：/home/素材/图片，前缀：风景-，文件类型：jpg执行后会返回重命名结果，可前往目标目录验证。环境核心：先装 Node.js≥20，按需安装 FFmpeg/Playwright/Ollama，验证安装后再部署；配置核心：重点修改模型 API Key 和权限配置，Docker 部署需注意本地模型的地址替换；使用核心：指令要清晰（明确路径、要求、输出格式），敏感操作前先测试，定期查看日志；
2026-03-01 21:10:45
9566
原创 20 万星开源神器 OpenClaw 全解析：程序员 + 视频博主双视角实战体验
《OpenClaw：2026年现象级AI执行引擎全解析》本文深度测评2026年爆火的开源AIAgent框架OpenClaw。
2026-03-01 20:35:19
3408
原创 一文吃透机器学习与深度学习的差异
机器学习，作为人工智能领域的关键分支，旨在让计算机通过数据学习规律和模式，从而实现对未知数据的预测或决策。它的核心思想是从数据中自动提取特征和模式，而不是依赖于预先编写的明确规则。例如，当我们要构建一个垃圾邮件分类器时，传统的编程方式需要人为制定一系列复杂的规则，如关键词匹配、发件人地址判断等，但这样的方式往往难以应对不断变化的垃圾邮件形式。而机器学习则通过收集大量已标记的垃圾邮件和正常邮件数据，让模型自动学习这些数据中的特征和模式，如邮件内容中的词汇分布、邮件结构特征等。
2026-01-11 21:31:28
1176
原创 探秘大模型框架：解锁AI新世界的钥匙
大模型框架，简单来说，就是用于开发、训练和部署大模型的一系列工具和库的集合。它就像是建筑的框架，为大模型的构建提供了基础的结构和支撑。没有这个框架，开发大模型就如同在没有蓝图的情况下建造摩天大楼，不仅效率低下，而且容易出错。以常见的深度学习框架 TensorFlow 和 PyTorch 为例，它们为大模型的开发提供了丰富的功能和工具，包括张量运算、神经网络层定义、自动求导等。这些功能使得开发者可以更加专注于模型的设计和优化，而不必过多关注底层的实现细节。
2025-12-04 21:18:39
813
原创 深入Spark核心：Shuffle全剖析与实战指南
在 Spark 的分布式计算体系里，Shuffle 被定义为数据重新分布的关键过程。当我们执行那些需要跨分区聚合数据的操作时，Shuffle 便会被触发。其核心任务是将上游 Stage 的输出数据，按照特定的规则重新分配到下游 Stage 的各个分区中。简单来说，Shuffle 就像是一场数据的 “大迁徙”，它会把分散在各个节点、各个分区中，具有相同特征（通常是相同的 key）的数据汇聚到一起，以便后续的计算和处理。比如，当我们对一个包含用户交易记录的数据集执行groupByKey。
2025-12-01 21:46:08
1044
原创 一文搞懂机器学习中的线性回归，纯干货！
线性回归作为机器学习领域中最为基础的算法之一，以其简洁的模型结构和明确的原理，在众多实际应用场景中发挥着重要作用。从简单的房价预测到复杂的电商销售额预估，从能源消耗管理到用户行为分析，线性回归为我们提供了一种直观且有效的数据建模方式。通过对线性回归的深入探讨，我们了解到其核心在于构建自变量与因变量之间的线性关系，利用损失函数衡量预测误差，并借助优化方法寻找最优解。
2025-11-23 22:26:44
187
原创 再谈向量数据库：AI时代的存储新引擎
向量数据库，是一种专门设计用于存储和查询高维向量数据的数据库系统。它能高效地处理由文本、图像、音频、视频等非结构化数据通过嵌入（Embedding）技术转换得到的向量。与传统数据库不同，向量数据库聚焦于相似性搜索，旨在回答 “像什么” 和 “有多像” 这类问题，通过计算向量间的相似度，找出与查询向量在语义或特征上接近的数据。而传统数据库主要处理结构化数据，以精确匹配为核心，回答的是 “有没有” 和 “是多少” 的问题。
2025-11-18 21:54:39
642
原创 解锁Scala高阶函数：开启函数式编程新世界
通过本文的深入探讨，我们全面认识了 Scala 高阶函数这一强大的编程工具。高阶函数允许接收函数作为参数或返回函数，这使得 Scala 代码具有更高的抽象层次和更强的表达能力。它在代码复用、抽象简化逻辑以及模块化和可组合性方面展现出显著优势，通过常见的高阶函数实例（如mapfilterfold等）以及高级用法（函数作为参数传递、返回函数的高阶函数、函数组合），能够简洁高效地解决各种复杂的编程问题。在实际案例中，无论是数据处理还是业务逻辑实现，高阶函数都发挥了关键作用，大幅提升了代码的质量和开发效率。
2025-11-17 21:56:03
825
原创 Scala与Spark算子：大数据处理的黄金搭档
Spark 诞生于加州大学伯克利分校的 AMPLab，是一个开源且具有高速度、通用性的分布式计算引擎，专为大规模数据处理而设计，在大数据领域中占据着举足轻重的地位。它具备一系列令人瞩目的功能和优势，在数据处理方面表现卓越。其分布式计算特性，允许将大规模的数据处理任务分解为多个小任务，分配到集群中的不同节点上并行执行，从而显著提升处理速度。
2025-11-05 15:47:58
1070
原创 跨集群互信配置详解2025版
跨集群互信，简单来说，就是在多个独立的集群之间建立起一种信任机制，使得这些集群中的节点能够在安全的前提下，相互访问对方的资源、进行数据交互和协同工作。在分布式系统中，每个集群通常都有自己独立的安全边界和访问控制策略，而跨集群互信打破了这些边界，让不同集群如同一个整体般协作。实现跨集群互信，通常需要借助一些技术手段。比如，基于公钥基础设施（PKI）的证书机制，通过颁发和交换数字证书，各集群可以验证对方的身份，确保通信的真实性和安全性。
2025-11-04 16:18:20
1201
原创 深度解析HDFS小文件治理与优化之道
在 HDFS 的语境中，小文件通常指那些文件大小远小于 HDFS 默认块大小的文件。在常见的 Hadoop 版本里，HDFS 的默认块大小一般设置为 128MB 或者 256MB，当文件大小明显低于这个标准，如只有几 KB、几十 KB 或者几 MB 时，就会被视作小文件。例如，一个大小为 1MB 的日志文件，在默认块大小为 128MB 的 HDFS 集群中，它就属于小文件范畴。这些小文件虽然个体数据量不大，但在大数据应用场景下，其数量往往非常庞大，进而引发一系列性能和管理上的问题。
2025-11-04 15:51:29
1132
原创 Spark攻略：百亿行上万个字段大表的读写秘籍
Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎，最初诞生于加州大学伯克利分校的 AMPLab 实验室，如今已成为 Apache 软件基金会的顶级项目，被广泛应用于学术界和工业界。Spark 之所以备受青睐，主要源于其诸多显著特点。首先，速度快是 Spark 的一大核心优势。它采用内存计算技术，能够将中间结果存储在内存中，避免了像传统 MapReduce 那样频繁的磁盘 I/O 操作。
2025-10-30 15:11:48
694
原创 解锁特征工程：机器学习的秘密武器
特征工程，简单来说，就是运用数学、统计学以及领域知识，将原始数据巧妙转化为高质量特征的过程。这些特征，就如同机器学习算法模型的 “营养剂”，优质的特征能让模型变得更加强大。在机器学习领域，有一个非常经典的说法：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。” 这清晰地表明，特征工程在机器学习中占据着核心地位，起着决定性作用。从本质上讲，特征是从数据中精心抽取出来的、对结果预测具有重要价值的信息或属性。比如在预测客户是否会购买某产品时，客户的年龄、收入、购买历史等都可以作为特征。
2025-10-10 23:00:51
1319
原创 一文搞懂AI的“题海战术”：有监督学习
有监督学习是机器学习中的一种基本学习范式，它的核心在于利用带有标签（label）的训练数据集进行模型训练 。在这个过程中，每一个训练样本都由一组特征（feature）和一个对应的标签组成，特征是输入数据的各种属性，而标签则是我们希望模型学习到的输出结果。简单来说，有监督学习就像是在学习过程中有一位明确的 “导师”，这个 “导师” 通过一个个带有答案（标签）的例子，教导模型如何从输入特征中找到与输出标签之间的映射关系，从而让模型具备对未知数据进行准确预测的能力。例如，在图像识别任务里，我们把大量标有 “猫”“
2025-09-27 20:53:21
637
原创 大数据SQL行列转换：Hive、Spark、Flink行列转换大揭秘
在大数据处理的浩瀚宇宙中，HiveSQL、SparkSQL 和 FlinkSQL 各自闪耀，在行列转换这一关键领域，它们展现出了独特的魅力与差异。从语法复杂度来看，HiveSQL 实现行列转换主要依赖CASE语句结合聚合函数与GROUP BY语句，语法逻辑较为传统，对于熟悉 SQL 基本语法的开发者来说，容易理解，但在处理复杂行列转换需求时，代码会显得冗长繁琐。例如，在进行多列多行的复杂转换时，需要嵌套多个CASE语句，使得代码可读性降低。
2025-09-27 20:19:36
1083
原创 Flink提交流程全解析：从模式到实践
在深入探讨 Flink 的提交流程之前，我们先来认识一下 Flink 提交流程中涉及的关键组件，它们各司其职，协同工作，共同确保 Flink 作业的顺利执行。Flink 作为一款强大的大数据处理框架，其在不同模式下的提交流程各具特点，适应了多样化的应用场景和需求。在 Standalone 模式下，会话模式适合开发和测试环境中快速提交和执行作业，其提交流程相对简单直接，资源分配和任务调度在本地集群内完成。
2025-08-10 10:24:50
1149
原创 解锁主流数据库与大数据平台的行列转换秘籍
本文比较了主流数据库和大数据平台中的行列转换实现方法。在MySQL中通过CASE WHEN和GROUP BY实现行转列，UNION实现列转行；Oracle和SQL Server提供PIVOT/UNPIVOT函数，语法更简洁，SQL Server还支持动态SQL。大数据平台中，Hive利用CONCAT_WS、EXPLODE等函数组合，SparkSQL通过PIVOT/UNPIVOT操作和stack函数实现高效转换。应用场景方面，电商领域用于销售趋势分析和用户行为挖掘，金融领域用于风险评估和投资组合优化。不同平台
2025-08-09 12:06:28
1009
原创 Flink Checkpoint机制：大数据流处理的坚固护盾
Flink的Checkpoint机制是其实现容错的核心技术，通过定期保存作业状态快照确保数据一致性和故障恢复。文章详细解析了Checkpoint的工作原理，包括Barrier注入、状态快照、对齐机制等流程，阐述了精确一次和至少一次两种语义的实现差异。同时介绍了Checkpoint的配置参数、优化策略及在电商、金融等实际场景中的应用，为开发者提供了从理论到实践的完整指南。该机制有效解决了大数据流处理中的容错问题，是保障Flink作业稳定运行的关键技术。
2025-08-01 08:38:51
1010
原创 Flink窗口：解锁流计算的秘密武器
Flink窗口技术是处理无限数据流的关键工具，通过将数据流划分成有限块进行处理。主要包含五种窗口类型：滚动窗口（固定大小不重叠）、滑动窗口（可重叠）、会话窗口（基于会话间隙）、全局窗口（全量数据）和计数窗口（元素数量）。窗口操作支持KeyedStream和Datastream两种模式，并提供多种窗口函数如ReduceFunction、AggregateFunction等。实际应用中需注意窗口大小设置、数据乱序处理、状态管理等问题，可通过水印机制、触发器优化等方式提升性能。Flink窗口能有效支持实时数据分析
2025-07-27 21:10:05
1278
原创 Python自动化模块：开启高效编程新时代
在数字化时代，自动化技术已成为提高效率、降低成本的关键手段。Python 作为一种简洁、高效且功能强大的编程语言，凭借其丰富的库和框架，在自动化领域占据了举足轻重的地位，成为众多开发者的首选工具之一。从简单的文件操作、数据处理，到复杂的网络爬虫、机器学习任务，Python 都能轻松应对，以优雅的代码实现各种自动化需求。无论是企业级应用，还是个人日常任务，Python 都展现出了无可比拟的优势。接下来，让我们一同探索 Python 那些常用的自动化模块，解锁 Python 自动化的强大力量，开启高效编程之旅。
2025-03-29 21:55:27
1346
原创 解锁PyTorch：深度学习的神兵利器（详细干货版）
在深度学习项目中，PyTorch 的优势尤为明显。以图像分类任务为例，使用 PyTorch 可以快速搭建卷积神经网络模型，通过简洁的代码实现数据加载、模型训练和评估等流程。在自然语言处理任务中，PyTorch 对于循环神经网络（RNN）、长短时记忆网络（LSTM）以及 Transformer 等模型的支持，使得处理文本数据变得更加高效和灵活。同时，PyTorch 的动态计算图特性，允许在运行时修改模型结构和计算流程，为模型的调试和优化提供了极大便利，这是许多其他框架所不具备的优势。
2025-03-23 11:46:34
1321
原创 告别服务器繁忙！手把手教你Deepseek本地部署
在人工智能飞速发展的当下，DeepSeek 以其卓越的性能和广泛的应用场景，迅速成为了 AI 领域的热门话题，深受全球用户的喜爱。自发布以来，DeepSeek 在全球 140 个市场的应用商店中表现出色，一度排名第一，展现出了强大的市场竞争力。尤其是在印度市场，其拉新效果显著，成为了新用户增长的重要引擎。然而，随着用户数量的急剧增加，DeepSeek 服务器时常面临巨大的压力，“服务器繁忙” 的提示频繁出现，严重影响了用户的使用体验。
2025-03-09 21:50:50
1259
原创 Hive函数大揭秘：从基础到实战的进阶之路
在大数据处理的广袤领域中，Hive 凭借其独特的优势占据着举足轻重的地位。它构建于 Hadoop 之上，作为一款卓越的数据仓库工具，能够将结构化的数据文件巧妙地映射为数据库表 ，并赋予用户类 SQL 的查询功能。这使得大数据的分析查询变得更加直观、高效，无需用户深入钻研复杂的 MapReduce 编程模型，就能轻松驾驭海量数据的处理。比如，在面对互联网公司每日产生的数以亿计的用户行为日志时，Hive 可以快速地对这些数据进行存储、查询和分析，帮助企业挖掘出有价值的信息，从而为决策提供有力支持。
2025-03-06 08:48:45
998
原创 深入探秘FlinkCDC：实时数据处理的新利器
FlinkCDC，即 Flink Change Data Capture，是基于 Apache Flink 开发的用于捕获数据源变更数据的工具。
2025-03-04 23:11:19
1676
原创 突破Ajax跨域困境，解锁前端通信新姿势
跨域是指浏览器不能执行其他网站的脚本，当从一个域名的网页去请求另一个域名的资源时，只要协议、域名、端口、子域名中有任何一个不同，就会产生跨域情况。这是浏览器基于同源策略对 JavaScript 施加的安全限制。协议不同：当前页面是，请求的资源在，由于协议分别为http和https，这就构成了跨域。域名不同：当前页面在，而请求的资源在，不同的域名导致跨域。端口不同：当前页面运行在，请求的资源在，端口号的差异使得请求属于跨域。子域名不同：当前页面是，请求的资源在。
2025-03-02 17:56:48
970
原创 Flink 窗口：流处理的核心利器
在 Flink 中，窗口是一种将无界数据流切分为有限的、可管理的数据块的机制。它就像是一个 “数据收集器”，按照一定的规则收集数据流中的元素，当满足特定条件（如达到时间间隔或元素数量）时，对收集到的数据进行处理。窗口的主要作用在于对无界数据流进行分段处理，使得我们能够在流数据上执行基于时间或数据量的聚合、统计等操作。通过窗口，我们可以将连续的数据流按照时间维度（如每小时、每天）或数据量维度（如每 100 条数据）进行分组，从而对每个分组内的数据进行独立的计算和分析。
2025-03-01 20:30:46
1157
原创 Python：开启人工智能大门的万能钥匙
Python 凭借其简洁的语法、丰富的库和强大的社区支持，已成为人工智能领域不可或缺的编程语言。通过本文的介绍，我们详细了解了 Python 在人工智能各领域常用的模块，这些模块犹如搭建人工智能大厦的基石，为我们实现各种复杂的人工智能任务提供了有力的支持。在机器学习领域，Scikit - learn 为传统机器学习算法的实现提供了便捷的工具，使我们能够快速构建和评估模型；
2025-02-28 08:43:19
772
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人