- 博客(59)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 RNN算法实战系列07 | LSTM 实现糖尿病探索与预测优化
本文基于LSTM模型构建了糖尿病预测系统。研究首先对1006例医疗数据进行了预处理和EDA分析，通过箱线图和相关矩阵筛选出13个关键特征。模型采用双层LSTM结构（hidden_size=200），通过优化学习率（初始1e-3配合StepLR衰减）、训练集shuffle等策略，在30轮训练后达到测试集准确率82.7%。实验表明，动态学习率调整是提升效果的关键（较基线提升约3%），且结果在多随机种子下稳定。最终模型在保持较高精度的同时，为糖尿病早期筛查提供了有效工具。
2026-08-21 00:18:12
179
原创 RNN算法实战系列06 | LSTM 实现糖尿病探索与预测
本文记录了一个基于LSTM的糖尿病预测模型构建过程。通过数据预处理、特征工程和模型优化，最终测试准确率提升至84.7%，ROC-AUC达0.91。关键优化包括：标准化处理、调整LSTM输入维度、保留重要特征、处理类别不平衡、采用双向LSTM结构、添加正则化及学习率调度等。模型评估显示在非糖尿病和糖尿病两类上均表现良好（F1分数分别为0.85和0.84）。该案例展示了表格数据建模中特征处理和模型调优的重要性。
2026-08-14 09:28:23
392
原创 RNN算法实战系列05 | 天气预测
本文基于澳大利亚10年逐日天气数据，通过优化预处理、特征工程和神经网络模型，构建了一个预测次日是否下雨的深度学习模型。首先进行EDA分析，发现湿度、气压差和气温范围对降雨预测有显著影响。数据处理阶段采用中位数填补缺失值，对风向和月份进行周期编码，并新增温差、气压差等特征。模型采用ReLU激活的5层神经网络，配合BatchNorm和Dropout，使用Adam优化器与学习率衰减策略。最终模型在测试集上达到87%的准确率和0.904的ROC-AUC值，相比基线有明显提升。分析显示模型对"下雨"
2026-08-05 00:13:27
187
原创 RNN算法实战系列04 | LSTM火灾温度预测
本文介绍了使用TensorFlow 2构建LSTM模型进行火灾温度时序预测的全流程。基于火灾温度、一氧化碳浓度和烟雾浓度的时间序列数据，采用滑动窗口方法构建训练样本（前8个时间步作为输入，预测第9个时间步温度）。通过数据归一化、模型构建（LSTM+Dropout）、训练评估等步骤，最终模型在测试集上达到R2=0.944的高精度。扩展部分实现了多步预测（同时预测第9-10步温度），R2为0.745。文章详细展示了数据预处理、模型架构设计、训练过程可视化等关键环节，为时序预测任务提供了完整的技术方案。
2026-07-23 23:48:46
299
原创 RNN算法实战系列03 | 丙型肝炎预测
本文介绍了在365天深度学习训练营中使用LSTM模型进行丙型肝炎分类任务的全过程。首先对数据进行预处理，包括处理缺失值、特征编码和标准化；然后通过随机森林模型分析特征重要性。接着构建了一个简单的LSTM网络模型，并利用Optuna进行超参数优化，确定最佳隐藏层大小和学习率。实验结果表明，该模型在测试集上达到了92.7%的准确率。文章详细记录了从数据准备到模型训练、评估的完整流程，并可视化呈现了训练过程中的准确率和损失变化曲线，为类似分类任务提供了可参考的实现方案。
2026-07-16 23:59:27
309
原创 RNN算法实战系列02 | 医疗成本预测（LSTM 回归）
本文基于5000例患者数据，构建LSTM模型预测年度医疗费用。研究通过热力图、随机森林等方法筛选出保险覆盖率、住院次数等关键特征，采用标准化处理和整数编码进行数据预处理。模型采用单层LSTM(隐藏层200)加全连接层结构，使用MSE损失函数和Adam优化器，并引入学习率衰减和早停机制。实验结果显示模型在测试集上达到R²=0.9886的优异表现，MAE和RMSE指标也验证了预测准确性。可视化分析表明预测值与真实值高度吻合，证实LSTM在医疗费用预测任务中的有效性。该研究为医疗成本控制提供了可靠的数据支持。
2026-07-10 00:33:17
325
原创 CNN算法实战系列08 | ResNeXt-50算法实战与猴痘病识别
ResNeXt 用"分组卷积实现多路并行"取代"手工设计 Inception 分支"，在不增加参数代价下，通过提升"基数"这个新维度，让残差网络变得更强、更易扩展。
2026-07-03 21:04:32
274
原创 CNN算法实战系列07 | InceptionV3实现天气识别
本文介绍了使用Inceptionv3网络进行天气图像分类的实验过程。实验在四类天气图像（多云、雨、晴、日出）数据集上进行，详细记录了从环境配置、数据预处理到模型训练评估的全流程。 关键点： Inceptionv3的核心改进包括：5×5卷积分解为两个3×3卷积、非对称卷积分解、引入辅助分类器、使用BatchNormalization和RMSProp优化器 实验使用PyTorch框架，在NVIDIA RTX 3080Ti GPU上训练 数据预处理采用299×299输入尺寸和ImageNet标准化 训练过程中实现
2026-06-19 12:35:26
187
原创 CNN算法实战系列06 | InceptionV1实现猴痘病识别
本文基于PyTorch框架实现了GoogLeNet(Inceptionv1)网络对猴痘皮肤图像的二分类识别。通过构建包含9个Inception模块的深层网络，利用多尺度特征提取能力处理224×224尺寸的输入图像。实验使用2142张图像数据集（80%训练集），经过30轮训练后达到87.2%的最高测试准确率。关键实现包括：1）Inception模块设计（1×1/3×3/5×5卷积并行结构）；2）批归一化和Dropout优化；3）SGD优化器（学习率1e-4）。最终模型参数量约704万，并提供了训练可视化及单图
2026-06-12 21:35:37
268
原创 CNN算法实战系列05 | SE注意力机制改造 ResDenseNet
本文提出了一种结合ResNet残差连接、DenseNet密集连接和SE-Net通道注意力机制的SE-ResDenseNet模型。该模型在ResDenseNet基础上嵌入SE模块，通过对特征通道进行自适应重标定，增强关键特征并抑制冗余信息。实验结果表明，在10个epoch训练后，模型在测试集上达到89.2%的准确率，验证了SE模块的有效性。SE模块仅增加2.14%的参数量（43.5K），却显著提升了模型性能。代码实现完整展示了SE模块的设计细节及其在ResDenseNet中的嵌入位置，为注意力机制在卷积网络中
2026-06-05 21:32:08
233
原创 CNN算法实战系列04 | ResDenseNet融合实现算法实战与解析
本文介绍了ResDenseNet模型的构建与训练，该模型融合了ResNet的残差连接和DenseNet的密集连接优势。通过DenseResidualBlock模块实现内部密集拼接和外部残差相加，在保持参数高效的同时优化了特征复用和梯度回传。模型采用Pre-Activation设计、余弦退火学习率等策略，在图像分类任务中取得85.3%的测试准确率，验证了融合架构的有效性。
2026-05-22 20:44:39
402
原创 CNN算法实战系列03 | DenseNet121算法实战与解析
本文实现了一个基于DenseNet121的图像分类模型，主要包含以下内容：1) 模型采用密集连接结构，通过特征复用提升性能；2) 数据增强策略包括随机水平翻转和颜色抖动；3) 使用AdamW优化器配合余弦退火学习率调度；4) 引入标签平滑防止过拟合；5) 在1661张图像数据集上训练10个epoch，最终测试准确率达到86.2%。实验结果表明，DenseNet121通过密集连接和优化策略，在图像分类任务中表现出色。
2026-05-15 19:15:55
350
原创 CNN算法实战系列02 | ResNet50V2算法实战与解析
本文介绍了ResNet50V2模型的实现与应用。ResNet50V2采用pre-activation结构（BN→ReLU→Conv），相比V1版本（Conv→BN→ReLU）具有更优的性能。文章详细展示了使用PyTorch实现ResNet50V2的过程，包括数据预处理、模型构建（包含IdentityBlockV2和ConvBlockV2模块）、训练与测试流程。实验结果表明，该模型在10个epoch训练后达到87.7%的最佳测试准确率，验证了ResNet50V2的有效性。文中还提供了完整的代码实现和可视化分析
2026-05-08 20:31:24
224
原创 CNN算法实战系列01 | ResNet-50算法实战与解析
本文基于PyTorch框架实现了ResNet-50模型，用于图像分类任务。主要内容包括：1) 数据预处理，使用ImageFolder加载图像并进行标准化处理；2) 构建ResNet-50网络，包含ConvBlock和IdentityBlock模块；3) 训练过程中采用AdamW优化器和交叉熵损失函数，经过10轮训练后测试准确率达到88.3%；4) 可视化训练过程的准确率和损失曲线，并保存最佳模型参数。实验结果表明该模型能有效完成分类任务，验证了ResNet-50在图像分类中的良好性能。
2026-04-30 23:56:34
220
原创 TensorFlow学习系列11 | 优化器对比实验
摘要：本实验比较了Adam和SGD优化器在VGG16迁移学习模型上的表现。使用17类1800张好莱坞明星人脸数据集，结果显示Adam优化器训练准确率达96.5%，但验证集仅59.7%，呈现严重过拟合；SGD训练准确率81.1%，验证集57.2%，过拟合较轻。虽然Adam收敛更快（10个epoch即达75%），但两种优化器最终验证性能接近，表明Adam的高训练准确率并未带来更好的泛化能力。实验建议在小数据集迁移学习场景中，SGD配合适当策略可能表现更优。
2026-04-17 21:44:30
592
原创 TensorFlow学习系列10 | 数据增强
本文介绍了使用TensorFlow 2进行图像分类的完整流程。首先设置GPU环境并导入数据，包含600张猫狗图片。通过数据预处理将图片归一化并划分为训练集、验证集和测试集。采用数据增强技术（随机翻转和旋转）提升模型泛化能力。构建了一个包含3个卷积层和2个全连接层的CNN模型，使用Adam优化器和交叉熵损失函数进行训练。经过20轮训练后，模型在测试集上达到87.5%的准确率。整个流程涵盖了从数据准备、预处理、模型构建到训练评估的完整步骤，展示了TensorFlow 2在图像分类任务中的典型应用。
2026-04-10 09:46:36
490
1
原创 TensorFlow学习系列09 | 优化猫狗识别
VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型。
2026-04-02 09:33:12
487
原创 TensorFlow学习系列08 | 实现猫狗识别
VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型。
2026-03-20 08:03:15
519
原创 TensorFlow学习系列07 | 实现咖啡豆识别
VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型。VGG-16 最显著的特点就是它的“深度”（16层带权重的层）以及它对小尺寸卷积核（3x3）的坚持使用。我们可以一起来探索它的奥秘。为了理解为什么要“舍大求小”，我们可以想象 “警察审讯嫌疑人” 的场景。
2026-03-13 18:17:01
540
原创 TensorFlow学习系列06 | 实现好莱坞明星识别
摘要：本文实现了一个基于TensorFlow的CNN模型，用于17类名人图像分类。首先配置GPU环境并加载1800张图片数据集，进行数据预处理和可视化。构建的CNN网络包含4个卷积层、3个Dropout层和2个全连接层。采用指数衰减学习率和早停机制，训练71轮后达到95.6%的训练准确率，验证准确率为33.89%。最后对单张测试图片进行预测，成功识别出"Jennifer Lawrence"。模型存在过拟合问题，训练准确率与验证准确率差距较大。
2026-03-06 21:08:33
67
原创 TensorFlow学习系列05 | 实现运动鞋品牌识别
本文记录了深度学习训练营中关于图像分类任务的实践过程。使用TensorFlow构建了一个CNN模型，对运动品牌(adidas和nike)图片进行分类。主要步骤包括：数据预处理(加载578张图片，划分训练/验证集)、构建CNN网络(包含3个卷积层和2个全连接层)、模型训练(采用指数衰减学习率和早停策略)。最终模型在验证集上达到71%准确率，并成功预测了测试图片的品牌类别。整个流程展示了从数据准备到模型评估的完整深度学习项目实现。
2026-02-12 22:45:33
277
原创 TensorFlow学习系列04 | 实现猴痘病识别
本文实现了一个基于CNN的猴痘图像分类模型。首先配置GPU环境并导入数据，使用TensorFlow的image_dataset_from_directory方法加载2142张图片，分为训练集(1714张)和验证集(428张)。构建的CNN网络包含3个卷积层、2个Dropout层和2个全连接层，使用Adam优化器进行训练。经过50轮训练后，模型在验证集上达到88.78%的准确率。最后展示了训练过程的准确率和损失曲线，并通过单张图片预测验证了模型效果。该模型能有效区分"Monkeypox"和
2026-02-06 21:02:27
355
原创 TensorFlow学习系列03 | 实现天气识别
本文介绍了使用TensorFlow构建CNN模型进行天气图片分类的全过程。首先配置GPU环境并导入1125张天气图片（分为cloudy/rain/shine/sunrise四类），通过数据预处理划分训练集和验证集。然后构建包含3个卷积层、2个池化层和2个全连接层的CNN网络，使用Adam优化器训练10个epoch。最终模型在验证集上达到86.22%的准确率，训练过程中准确率逐步提升，损失值持续下降，表明模型具有良好的学习效果。实验完整展示了从数据准备到模型评估的深度学习流程。
2026-01-22 23:47:34
504
原创 TensorFlow学习系列02 | 实现彩色图片分类
本文介绍了使用卷积神经网络(CNN)进行图像分类的完整流程。首先讲解了CNN的基本原理，包括卷积运算、池化操作和网络堆叠结构。然后基于CIFAR-10数据集，使用TensorFlow搭建了一个包含3个卷积层、2个池化层和2个全连接层的CNN模型。经过10个epoch的训练，模型在测试集上达到了70.49%的准确率。实验结果表明，CNN能有效提取图像特征并完成分类任务，但仍有提升空间。文中还详细展示了数据预处理、模型构建、训练过程和评估结果等关键步骤的代码实现。
2026-01-16 00:34:41
545
原创 TensorFlow学习系列01 | 实现mnist手写数字识别
本文介绍了使用TensorFlow构建CNN网络进行MNIST手写数字识别的完整流程。首先通过数据归一化将像素值标准化至0-1区间，然后构建包含两个卷积层、池化层和全连接层的CNN网络结构。使用Adam优化器和交叉熵损失函数进行模型编译，经过10轮训练后，模型在测试集上达到98.44%的准确率。最后展示了模型对测试图片的预测能力，验证了CNN在图像分类任务中的有效性。整个过程涵盖了从数据预处理、模型构建到训练评估的完整深度学习流程。
2026-01-08 19:25:28
404
原创 Pytorch学习系列10 | 实现车牌识别
本文介绍了基于PyTorch的车牌字符识别系统实现。首先针对无法分类的车牌数据集，构建了自定义的MyDataset类进行数据加载，包含32个省份字符、10个数字和26个字母共68个字符类别。数据预处理采用224×224尺寸转换和标准化处理。模型采用CNN架构，包含5个卷积层和2个池化层，最终输出7×69维度的one-hot向量表示7位车牌字符。训练过程使用Adam优化器和交叉熵损失函数，经过30轮训练后测试集损失降至0.0269。实验结果表明，该模型能有效实现多标签车牌字符识别任务，为未分类数据集的处理提供
2025-12-26 21:33:00
319
原创 Pytorch学习系列09 | YOLOv5-Backbone模块实现
本文介绍了YOLOv5目标检测算法中Backbone模块的实现过程。首先通过比喻将Backbone比作提炼书籍重点的机制，说明其核心作用。然后详细展示了代码实现过程，包括：1) 设备设置(GPU/CPU)；2) 天气识别数据集的准备和预处理；3) YOLOv5 Backbone模型搭建，包含Conv、Bottleneck、C3和SPPF等关键模块；4) 60个epoch的训练过程，最终测试准确率达到93.8%；5) 训练过程的Loss和Accuracy可视化分析。整个实现过程完整展示了从数据准备到模型训练评
2025-12-17 18:59:22
419
原创 Pytorch学习系列08 | YOLOv5-C3模块实现
本文介绍了YOLOv5中的C3模块及其在天气识别任务中的应用。C3模块基于CSP架构改进，通过分治策略将输入特征图分为两部分处理，既减少了计算量又保证了特征丰富性。实验使用1125张天气图片(cloudy/rain/shine/sunrise)，采用80/20划分训练测试集，构建了包含Conv和C3模块的CNN模型。经过20轮训练，模型在测试集上达到94.67%准确率，损失0.204。可视化结果显示训练过程收敛良好，最终保存了最佳模型参数。该方案验证了C3模块在图像分类任务中的有效性。
2025-12-11 19:38:18
1008
原创 小白入门LangChain | 02. 快速上手第一个LangChain应用
本文介绍了如何使用LangChain框架搭建一个完整的对话应用。主要内容包括： LangChain架构：由Prompt模板、LLM模型、Output Parser等核心模块组成，通过管道符|连接各组件。 开发流程： 创建Prompt模板定义对话角色和风格 初始化LLM模型用管道符组装Chain 调用Chain获取结构化结果 示例实现：演示了一个AI角色扮演对话程序，可让AI以不同职业（如医生、编程导师）的身份回答问题，并控制回答风格。 通过这个示例，读者可以快速掌握LangChain的基本工作流程和核心功能
2025-12-07 16:16:36
1131
原创 Pytorch学习系列07 | VGG-16算法实现马铃薯病害识别
本文基于VGG-16卷积神经网络实现了马铃薯植株病害分类任务。首先介绍了VGG-16的核心特点：使用统一3×3卷积核、16层深度结构和小卷积核堆叠策略。实验使用2152张马铃薯叶片图像，划分为训练集和测试集，经过数据增强和标准化处理。构建的VGG-16模型包含5个卷积块和3个全连接层，总参数量1.34亿。经过40轮训练，模型在测试集上达到98.14%的准确率，验证了VGG-16在图像分类任务中的有效性。实验还展示了训练过程的准确率和损失曲线，并对单张测试图像进行了成功预测。结果表明，深度卷积神经网络在植物病
2025-12-04 19:21:36
833
原创 小白入门LangChain | 01.开启AI应用开发之旅
欢迎来到LangChain的世界！如果你是第一次接触LangChain，不用担心，本章会用最通俗易懂的方式，带你了解什么是LangChain，为什么它这么重要，以及如何开始使用它。
2025-12-02 11:25:17
1141
原创 Pytorch学习系列06 | VGG-16算法实现人脸识别
VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型
2025-11-20 13:30:00
1037
原创 Pytorch学习系列05 | 实现运动鞋识别
本文实现了一个基于CNN的运动鞋分类模型。首先配置GPU环境并加载运动鞋数据集，包含训练集和测试集。构建了一个包含卷积层、池化层和全连接层的CNN网络结构，采用交叉熵损失函数和SGD优化器进行训练。通过40个epoch的训练，模型在训练集上准确率达到94.8%，测试集准确率为78.9%。结果显示模型存在一定过拟合现象。最后实现了单张图片的预测功能，并将训练好的模型参数保存为.pth文件。整个实验过程完整展示了PyTorch实现图像分类任务的关键步骤。
2025-11-13 12:41:26
598
原创 Pytorch学习系列04 | 实现猴痘病识别
本文介绍了PyTorch实现猴痘图片分类的完整流程。首先设置GPU环境并准备猴痘数据集（1777张图片），通过数据增强和划分获得训练集(1421)和测试集(356)。构建了一个包含卷积层、批归一化和全连接层的CNN网络(Network_bn)，使用交叉熵损失和SGD优化器训练20个epoch。最终模型在测试集上达到82%准确率，训练过程中损失曲线和准确率曲线显示模型收敛良好。文章还展示了单张图片预测示例，并将训练好的模型参数保存为.pth文件。整个流程涵盖了深度学习项目从数据准
2025-11-07 19:45:58
457
原创 Pytorch学习系列03 | 实现天气识别
本文实现了一个基于CNN的天气识别系统，使用PyTorch框架对四种天气类型（cloudy、rain、shine、sunrise）进行分类。主要内容包括：1）数据预处理，使用随机裁剪、翻转等增强方法；2）构建包含卷积层、批归一化和全连接层的CNN网络；3）采用Adam优化器和早停策略进行训练，最终测试准确率达93.3%；4）实现本地图片预测功能。项目展示了从数据加载、模型构建到训练评估的完整流程，并提供了可视化训练曲线。
2025-10-22 21:08:57
454
原创 Pytorch学习系列02 | CIFAR10彩色图片识别
本文介绍了使用CNN进行CIFAR-10图像分类的完整流程。CIFAR-10包含10类共6万张32×32彩色图片。CNN通过卷积核提取局部特征，池化层降维，全连接层分类。实现中构建了3层卷积网络，使用交叉熵损失和SGD优化器。训练10个epoch后，测试准确率达到57.4%，损失降至1.203。文中详细说明了数据预处理、网络架构、训练过程和结果可视化方法，为深度学习初学者提供了完整的图像分类实践案例。
2025-10-15 19:31:37
1122
原创 Pytorch学习系列01 | 实现mnist手写数字识别
本文介绍了使用PyTorch实现MNIST手写数字识别的完整流程。首先讲解了CNN的基本结构，包括卷积层、池化层和全连接层等核心组件。然后详细展示了数据准备、模型构建（包含2个卷积层和2个全连接层）、训练和测试过程。通过5个epoch的训练，模型在测试集上达到了98.2%的准确率。最后对训练过程中的准确率和损失进行了可视化分析，验证了模型的有效性。整个项目完整演示了使用PyTorch构建CNN模型进行图像分类的标准流程。
2025-10-10 12:52:26
868
原创 NLP学习系列 | 构建词典
本文介绍了NLP系统中构建词典的核心方法。关键步骤包括：根据任务类型确定词典方向，组合通用语料、领域语料和权威词典作为数据源，通过清洗、分词、停用词过滤等预处理，设计包含词汇、词性、频次等字段的词典结构。提供了自动、半自动和手动三种构建方法，并强调需要定期迭代更新。代码实践部分演示了使用jieba分词、清除标点符号和停用词，以及通过torchtext构建词汇表的过程，最终实现文本数字化。这些方法为后续NLP学习奠定了基础。
2025-09-26 22:44:40
1518
原创 NLP学习系列 | one-hot编码案例
摘要：独热编码是一种将类别数据转换为数值向量的方法，通过为每个类别生成二进制向量（仅对应位为1）实现。它解决了类别数据的平等表示问题，消除虚假顺序关系。实现步骤包括构建词汇表、分配索引和生成独热向量。但存在维度灾难（类别多时向量过长）、数据稀疏和忽略语义关联等局限。代码示例展示了中英文文本的独热编码实现过程，包括分词、构建词汇表和生成独热矩阵。该方法简单有效但需权衡计算成本，适合类别较少场景。
2025-09-17 10:00:00
486
原创 NLP学习系列 | BERT和GPT模型代码简单对比
文章摘要： BERT和GPT是两类主流预训练模型，BERT擅长文本理解任务（如分类、问答），采用双向Transformer编码器，通过掩码语言模型(MLM)和下一句预测(NSP)预训练；GPT专精文本生成，基于单向Transformer解码器，通过自回归语言建模预训练。实践对比显示：BERT在中文分词（WordPiece）和句间关系判断表现优异，微调后分类准确率达100%；GPT在英文续写任务中生成连贯文本。适用性方面，BERT适合资源受限的理解任务，GPT更适合少样本生成场景，但需更高算力支持。两者可通过
2025-09-13 19:35:27
1425
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人