ctgan的条件向量

已于 2023-10-09 17:34:40 修改
阅读量215 收藏 2
点赞数
文章标签： python 开发语言
于 2023-10-09 14:46:54 首次发布
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/weixin_44130900/article/details/133701688
版权

1. sample_condvec函数

    def sample_condvec(self, batch):
        """Generate the conditional vector for training.
           生成用于训练的条件向量

           描述：为训练生成条件向量。它可以随机选择一个离散列，并基于该列的概率分布随机选择一个类别。
           联系：与_random_choice_prob_index函数紧密相关，因为它使用该函数来随机选择类别ID。

 
        # 如果没有离散列，则直接返回None
        if self._n_discrete_columns == 0:
            return None

        # 随机选择一个离散列的ID
        discrete_column_id = np.random.choice(
            np.arange(self._n_discrete_columns), batch)

        # 初始化条件向量cond为全0，其长度等于所有离散列的类别总数
        cond = np.zeros((batch, self._n_categories), dtype='float32')

        # 初始化一个掩码向量mask为全0，其长度等于离散列的数量
        mask = np.zeros((batch, self._n_discrete_columns), dtype='float32')

        # 设置掩码向量中对应于所选离散列ID的位置为1
        mask[np.arange(batch), discrete_column_id] = 1

        # 根据所选的离散列ID和它们的概率分布随机选择一个类别ID
        category_id_in_col = self._random_choice_prob_index(discrete_column_id)

        # 计算全局的类别ID，这是在所有离散列的类别中的位置
        category_id = (self._discrete_column_cond_st[discrete_column_id] + category_id_in_col)

        # 在条件向量cond中，将所选类别的位置设置为1
        cond[np.arange(batch), category_id] = 1

        # 返回生成的条件向量、掩码向量、所选的离散列ID和所选的类别ID
        return cond, mask, discrete_column_id, category_id_in_col

举例

        假设我们有一个数据集，其中包含两个离散特征：性别和颜色。性别有两个可能的值（男、女），颜色有三个可能的值（红、绿、蓝）。

  1. 初始化：

    • self._n_discrete_columns = 2（因为我们有两个离散特征：性别和颜色）
    • self._n_categories = 5（男、女、红、绿、蓝）

  2. 调用函数：

    • 当我们调用sample_condvec(batch=3)时，意味着我们想要为3个样本生成条件向量。

  3. 生成条件向量：

    • 对于每个样本，函数会随机选择一个离散特征（性别或颜色）。
    • 然后，基于该特征的概率分布，函数会随机选择一个类别（例如，男、女、红、绿或蓝）。
    • 最后，函数会为所选的类别在条件向量中设置一个1。

  4. 输出：

    • 函数可能会返回以下条件向量（只是一个例子）： 
      [[1, 0, 0, 0, 0],  # 第一个样本选择了“男”
 [0, 0, 1, 0, 0],  # 第二个样本选择了“红”
 [0, 1, 0, 0, 0]]  # 第三个样本选择了“女”

2. sample_original_condvec函数

def sample_original_condvec(self, batch):
    """Generate the conditional vector for generation use original frequency.
        使用原始频率生成生成条件向量"""

    # 如果没有离散列，则返回None
    if self._n_discrete_columns == 0:
        return None

    # 初始化条件向量为全0
    cond = np.zeros((batch, self._n_categories), dtype='float32')

    # 对于每个批次中的样本
    for i in range(batch):
        # 随机选择一个数据行索引
        row_idx = np.random.randint(0, len(self._data))
        # 随机选择一个离散列索引
        col_idx = np.random.randint(0, self._n_discrete_columns)
        # 获取该离散列在矩阵中的起始位置
        matrix_st = self._discrete_column_matrix_st[col_idx]
        # 获取该离散列在矩阵中的结束位置
        matrix_ed = matrix_st + self._discrete_column_n_category[col_idx]
        # 从选定的行和列中选择最大值的索引
        pick = np.argmax(self._data[row_idx, matrix_st:matrix_ed])
        # 在条件向量中设置相应的位置为1
        cond[i, pick + self._discrete_column_cond_st[col_idx]] = 1

    # 返回生成的条件向量
    return cond

举例

        假设我们有一个数据集，其中有两个离散列：性别和国籍。性别有两个可能的值：男和女；国籍有三个可能的值：美国、中国和印度。

  1. 离散列的表示:

    • 性别：[男, 女]
    • 国籍：[美国, 中国, 印度]

  2. 条件向量:

    • 长度为5（2个性别值 + 3个国籍值）
    • 示例：[1, 0, 0, 1, 0] 表示“男”和“中国”。

  3. 掩码向量:

    • 长度为2（2个离散列）
    • 示例：[1, 0] 表示性别被选择作为条件。

        现在，假设我们要生成一个批次的数据，批次大小为1。

        执行sample_condvec函数：

  1. 随机选择离散列:

    • 假设我们随机选择了性别列。

  2. 初始化条件和掩码向量:

    • cond：[0, 0, 0, 0, 0]
    • mask：[0, 0]

  3. 设置掩码:

    • mask：[1, 0]，表示性别被选择。

  4. 随机选择离散列的值:

    • 基于真实数据中性别列的分布，假设我们随机选择了“男”。

  5. 设置条件向量:

    • cond：[1, 0, 0, 0, 0]，表示“男”。

  6. 返回结果:

    • cond：[1, 0, 0, 0, 0]
    • mask：[1, 0]
    • 选择的离散列的ID：0（性别）
    • 选择的值的ID：0（男）

        这样，当我们使用这个条件向量生成数据时，生成的数据将满足性别为“男”的条件。

2. generate_cond_from_condition_column_info函数

def generate_cond_from_condition_column_info(self, condition_info, batch):
    """Generate the condition vector based on the provided condition information."""
    
    # 初始化一个全零的二维数组，其形状为(batch, self._n_categories)。
    # 这个数组将作为条件向量的基础。
    vec = np.zeros((batch, self._n_categories), dtype='float32')
    
    # 从condition_info字典中获取'discrete_column_id'的值。
    # 使用这个值从self._discrete_column_matrix_st中获取相应的起始索引。
    id_ = self._discrete_column_matrix_st[condition_info['discrete_column_id']]
    
    # 增加id_的值，增加的量是condition_info字典中的'value_id'。
    # 这样，id_现在指向了特定的条件类别。
    id_ += condition_info['value_id']
    
    # 将vec数组中的所有行的id_列设置为1。
    # 这意味着对于每个条件向量，我们在特定的类别位置上设置了一个标记。
    vec[:, id_] = 1
    
    # 返回生成的条件向量数组。
    return vec

举例

        假设我们有以下情境：

  1. 我们的数据集有3个离散列，每个列有不同的类别数。列1有3个类别，列2有4个类别，列3有2个类别。
  2. 我们的self._n_categories是这三列的类别总数，即3 + 4 + 2 = 9。
  3. self._discrete_column_matrix_st是一个数组，表示每个离散列在条件向量中的起始索引。例如，对于上述数据集，它可能是[0, 3, 7]，因为列1从索引0开始，列2从索引3开始，列3从索引7开始。

        现在，假设我们想为列2生成一个条件，其中该列的值是其第2个类别（索引为1，因为索引从0开始）。我们的condition_info可能如下：

condition_info = {
    'discrete_column_id': 1,  # 对应于列2
    'value_id': 1             # 对应于列2的第2个类别
}

        当我们运行函数时：

  1. vec初始化为一个全零的9维向量（因为我们有9个类别）。
  2. id_首先被设置为3，因为列2在条件向量中的起始索引是3。
  3. id_增加value_id的值，变为4，这是列2的第2个类别在条件向量中的正确索引。
  4. 我们将vec的第4个元素设置为1，表示我们选择了列2的第2个类别作为条件。
  5. 函数返回vec，它现在是[0, 0, 0, 0, 1, 0, 0, 0, 0]。

        这个向量可以用于告诉模型我们想生成的数据应该满足列2的值是其第2个类别的条件。

3. 两个函数的区别和联系

        这两段代码都是用于生成条件向量的，但它们的方法和目的略有不同。让我们分析它们的区别和联系：

  1. 目的：

    • sample_original_condvec：这个函数的目的是根据原始数据的实际分布来生成条件向量。它从原始数据中随机选择一个行和列，并使用该行中该列的值作为条件。
    • generate_cond_from_condition_column_info：这个函数的目的是根据给定的条件信息（特定的列和该列的特定值）来生成条件向量。

  2. 输入参数：

    • sample_original_condvec：只需要一个batch参数，表示要生成多少条件向量。
    • generate_cond_from_condition_column_info：需要condition_info和batch两个参数。其中condition_info提供了要设置为1的特定列和值的信息。

  3. 实现方式：

    • sample_original_condvec：对于每个批次中的样本，它都会随机选择一个数据行和列，并根据该行中该列的值设置条件向量。
    • generate_cond_from_condition_column_info：它不是随机选择列和值，而是根据condition_info中提供的信息来设置条件向量。

  4. 联系：

    • 两个函数都返回一个条件向量，其中某些元素被设置为1，以表示某些条件。
    • 它们都使用了self._discrete_column_matrix_st和self._discrete_column_cond_st这两个属性来确定在条件向量中设置哪个元素为1。

        总之，sample_original_condvec是为了模拟原始数据的实际分布来生成条件，而generate_cond_from_condition_column_info是为了根据用户提供的具体条件来生成条件。

问题1：后两个函数的区别

        那我可以这么理解吗，sample_original_condvec是根据原始数据的分布频率生成条件，如果种类多的话那么出现的频率就高，从而生成的行数也就越多，反之，种类少的话，那么出现的频率也就会低，生成的行数也会偏低；而generate_cond_from_condition_column_info可以指定生成我想要的种类的行数，不管这个种类在原始数据中是多还是少，这么理解正确吗？

        是的，您的理解是正确的。

  • sample_original_condvec：这个函数基于原始数据的实际分布来生成条件向量。因此，如果某个类别在原始数据中出现得更频繁，那么生成的条件向量中该类别出现的概率也会更高。反之，如果某个类别在原始数据中较少出现，那么生成的条件向量中该类别出现的概率也会较低。

  • generate_cond_from_condition_column_info：这个函数允许用户指定想要的类别，从而生成相应的条件向量。这意味着，无论该类别在原始数据中出现得多还是少，用户都可以指定生成该类别的条件向量。

        因此，您的理解是准确的。您可以使用sample_original_condvec来模拟原始数据的分布，或者使用generate_cond_from_condition_column_info来根据特定的需求生成条件向量。

问题2：处理类不平衡问题，应该选择哪个方式更好？

处理类不平衡问题时，选择合适的方法取决于您的具体需求和数据的性质。使用数据生成器如CTGAN可以帮助增强少数类的数据。以下是两种方法的比较，以及何时使用它们：

  1. 基于原始数据的分布生成数据 (sample_original_condvec 方法)：

    • 优点：这种方法保留了原始数据的分布特性，生成的数据与真实数据更为相似。
    • 缺点：如果您的目标是增强少数类的数据，这种方法可能不是最佳选择，因为它会按照原始数据的分布生成数据，这意味着少数类的数据仍然会被生成得较少。
    • 何时使用：当您希望生成的数据保持与原始数据相似的分布时，或者当您不需要特别针对某个类别进行增强时。

  2. 指定条件生成数据 (generate_cond_from_condition_column_info 方法)：

    • 优点：您可以明确指定要生成的类别，从而有针对性地增强少数类的数据。
    • 缺点：过度生成少数类的数据可能会导致模型过拟合，因此需要谨慎选择生成的数据量。
    • 何时使用：当您希望特定增强某个或某些少数类的数据时。

建议：

  • 如果您的目标是处理类不平衡问题，特别是增强少数类的数据，建议使用generate_cond_from_condition_column_info方法。这样，您可以明确指定要增强的类别，并生成更多的该类别数据。
  • 在生成数据后，建议将生成的数据与原始数据混合，并使用交叉验证来评估模型的性能，确保生成的数据确实提高了模型的性能，而不是导致过拟合。

        最后，除了数据生成，还有其他处理类不平衡的方法，如重新采样、使用不同的损失函数、调整类权重等。您可以根据实际情况结合使用多种方法。

问题3：前两个函数有何区别？

  1. sample_condvec(self, batch):

    • 这个函数首先随机选择一个离散列。
    • 然后，它使用该列的概率分布（可能是经过某种转换或调整的）来随机选择一个类别。
    • 这意味着，如果某个类别在训练数据中出现得更频繁，那么它在这个函数中被选择的概率也会更高。
    • 结果是一个条件向量，其中选择的类别位置为1，其余位置为0。

  2. sample_original_condvec(self, batch):

    • 这个函数直接从原始数据中随机选择一个样本。
    • 它查看该样本中的每个离散列，并为每个列选择一个类别。
    • 这意味着它完全基于原始数据的实际分布来选择类别，而不进行任何概率调整。
    • 结果同样是一个条件向量，其中选择的类别位置为1，其余位置为0。

        简而言之，主要的区别在于如何选择类别：

  • sample_condvec基于概率分布选择类别，这可能与原始数据的实际分布略有不同。
  • sample_original_condvec直接基于原始数据的实际分布选择类别。

问题4：基于概率分布选择类别和基于原始数据的实际分布分别是什么意思？

  1. 基于概率分布选择类别:

    • 这种方法首先计算数据中每个类别的出现频率或概率。
    • 然后，根据这些概率值来随机选择一个类别。例如，如果类别A的概率是0.7，而类别B的概率是0.3，那么选择类别A的机会就比选择类别B的机会大。
    • 这种方法可能会对原始数据的分布进行某种调整或转换，例如对频率取对数，以便在选择时考虑到某些特定的特性或偏好。

  2. 基于原始数据的实际分布选择类别:

    • 这种方法直接从原始数据中随机选择一个样本。
    • 查看该样本中的类别，并直接使用它，不进行任何概率调整或转换。
    • 这意味着，如果在原始数据中，类别A出现的次数是类别B的两倍，那么在随机选择时，选择类别A的机会也是类别B的两倍。

问题5：前两个函数哪个更好一点？

  1. 数据的真实性：

    • 如果您希望生成的数据尽可能地反映原始数据的真实分布，那么基于原始数据的实际分布选择类别可能更为合适。
    • 这种方法直接使用原始数据的分布，因此生成的数据会更接近真实数据。

  2. 数据的多样性：

    • 如果您希望生成的数据有更大的多样性，或者希望对某些类别进行过采样或欠采样，那么基于概率分布选择类别可能更为合适。
    • 通过调整概率分布，您可以控制生成数据中各个类别的比例。

  3. 处理类不平衡问题：

    • 如果您的数据存在类不平衡问题，即某些类别的样本数量远少于其他类别，那么基于概率分布选择类别可能更有助于生成更多的少数类样本。
    • 通过调整概率分布，您可以增加少数类的生成概率，从而进行过采样。

  4. 简单性和可解释性：

    • 基于原始数据的实际分布选择类别的方法通常更简单、直观，容易理解。
    • 如果您不希望引入额外的复杂性，这种方法可能更为合适。

M-Day
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
CTGAN：用于生成合成表格数据的条件GAN
02-24
从开源项目 网站： ： 文档： : 仓库： : 执照： 发展状况： 概述 CTGAN是用于单个表数据的基于深度学习的合成数据生成器的集合，这些数据生成器能够从真实数据中学习并生成高保真度的合成克隆。 当前，该库论文实现在提出的CTGAN和TVAE模型。 有关这些型号的更多信息，请查阅相应的用户指南： 。 。 安装 要求 CTGAN已在 3.6、3.7上进行开发和测试 从PyPI安装 推荐的安装CTGAN的方法是使用 ： pip install ctgan 这将从提取并安装最新的稳定版本。 用conda安装 CTGAN也可以使用安装： conda install -c sdv-dev -c pytorch -c conda-forge ctgan 这将从提取并安装最新的稳定版本。 使用范例 :warning_selector: 警告：如果您只是开始使用综合数据，我们建议您使用SDV库，该库提供
点云法向量的计算
02-28
点云法向量是三维空间中点云数据的重要属性，它描述了点云表面上每个点处表面的局部方向。在3D重建、计算机视觉、机器人导航、游戏开发等多个领域都有广泛应用。点云法向量的计算是理解点云几何结构的关键步骤，它...
论文研读系列——“Modeling Tabular Data using Conditional GAN”
Water8L的博客
05-20 555
通过使用模拟和真实数据集测试这些模型，作者发现建模表格数据为 GANs 带来了独特的挑战，导致它们在多个度量标准上未能达到基线方法，例如似然拟合度和合成生成数据的机器学习有效性。在本文中，作者试图找到一个灵活且强大的模型来学习具有复杂分布的列的分布。CTGAN 是一种新方法，旨在从具有两种类型的数据的表格中创建真实的合成数据：数字可以变化，类别可能不均匀，这对于许多现有模型来说是一项艰巨的任务。在大多数测试的数据集上，CTGAN的表现优于贝叶斯网络，后者是处理此类数据的传统方式，这表明了其有效性。
CTGAN（Modeling Tabular Data using Conditional GAN读书笔记）有实验代码
qq_41910518的博客
03-07 9011
使用条件GAN建模表格数据摘要介绍 摘要   对表格数据中行的概率分布进行建模并生成真实的合成数据是一项非常重要的任务。表格数据通常包含离散列和连续列，建模有一定困难： 连续列可能有多种模式。 离散列有时数据样本不平衡。   现有的统计和深度神经网络模型无法正确地建模这类数据。本文设计了CTGAN，使用条件生成器来解决这些挑战。   为了帮助进行公平和彻底的比较，本文设计了一个基准测试，包括7个模拟数据集和8个真实数据集，以及几个贝叶斯网络基线。CTGAN在大多数真实数据集上都优于贝叶斯方法，而其他深度
DCGAN的代码实现(基于tansorflow的手写数字集合)
qq_41559533的博客
11-04 1789
DCGAN 是在生成模型和判别模型中使用卷积和反卷积操作, 提高了模型的效果. DCGAN相比于GAN的改进之处: 使用了LeakRelu 激活函数, 经过大牛的实验证明效果浩宇Relu 使用batchnormalization, 有效减少了随机初始化带来的误差 判别网络中使用了strides convolutions 代替了池化操作, 生成器中使用fractional strided conv...
深入解释 CTGAN 的工作原理
deephub
11-11 8774
本文的目的是解释Conditional Tabular GANs的工作原理，因为目前我还没有看到类似这样的文章。 表格数据生成是一个不断发展的研究领域。 CTGANs 论文已成为许多其他机器学习架构的基础，这些架构如今构成了该研究领域的最新技术。 为什么要生成表格数据？ 我们都知道如何使用生成对抗网络 (GAN) 生成图像数据。 我们现实中最常用的数据类型是表格数据。 表格数据是结构化的，在训练机器学习模型时通常更容易处理。 然而，虽然文本数据的生成方式和图形数据差不多，但是在生成表格数据时，要制作一个性能
【Python深度学习系列】十几行代码教你使用CTGAN模拟生成表格数据
数据杂坛
12-21 1095
十几行代码教你使用CTGAN模拟生成表格数据（源码）
用CTGAN生成真实世界的表格数据
deephub
04-15 7012
在本文中，我们讨论了CTGAN的工作原理，探索了ydata-synthetic的Streamlit应用程序，它允许我们在无代码的环境中合成数据。根据更新计划，下一个将添加到UI的是对时间序列模型(TimeGAN)的支持，这是一个非常好的消息。作者：Miriam Santos。
高等代数 向量的线性相关性
01-16
例5：定理1：一向量组线性相关的充要条件是其中至少有一个向量是其余向量线性组合。 推论1：向量组线性相关则成比例。 定理2：若向量组可以经向量组向量组线性相关的基本性质定理（替换定理）。 推论2：任意n＋1...
支持向量机论文
04-01
历年来支持向量机论文，分析支持向量机发展趋势，分析支持向量机原理
支持向量机代码python
05-13
支持向量机代码python
支持向量机数据回归预测SVM
04-08
支持向量机回归SVM完整数据和代码支持向量机回归SVM完整数据和代码支持向量机回归SVM完整数据和代码支持向量机回归SVM完整数据和代码支持向量机回归SVM完整数据和代码支持向量机回归SVM完整数据和代码支持向量机回归...
【论文】X2CT-GAN
sinat_40759442的博客
11-03 955
X2CT-GAN ：Reconstructing CT from Biplanar X-Rays with Generative Adversarial Networks 论文 | 翻译 | 【走马观花】 CVPR2019论文集锦 | cpvr2019 | cvpr2019-论文/代码/项目/论文阅读 | 【来源|背景|意义】 腾讯优图实验室 | 腾讯58篇论文入选CVPR 2019，涵盖视觉对抗学习等方向 | 背景 同| ...
基础GAN实例（pytorch代码实现）
weixin_51781852的博客
07-16 7713
输出是长度为100的噪声（正态分布随机数）输出为（1，28，28）的图片linear1100---256linear2256--512linear3reshapenn.Tanh()#对于生成器，最后一个激活函数是tanh,值域-1到1)#定义前向传播#x表示长度为100的noise输入img=img.view(-1,28,28)#转换成图片的形式输入为为（1，28，28）的图片，输出为二分类的概率值，输出使用sigmoid的激活0-1BCEloss计算交叉熵损失。...
【原创好文】当机器学习遇到数据量不够时，这几个Python技巧为你化解难题
weixin_43373042的博客
04-13 1839
有时候我们在进行模型的训练与优化的时候，是需要基于现有的数据集来操作的，要是数据量比较充足的情况下倒是还好说，但是要是遇到数据量不够的情况，该怎么办呢？今天小编就给大家来介绍几个方法来处理这种情况。Faker模块Python当中的Faker模块主要是用来生成伪数据，包括了城市、姓名等等，并且还支持中文，在开始使用该模块之前我们先用pip命令来下载安装完成pipinsta...
当机器学习遇到数据量不够时，这几个Python技巧为你化解难题
小詹学python的博客
04-16 646
有时候我们在进行模型的训练与优化的时候，是需要基于现有的数据集来操作的，要是数据量比较充足的情况下倒是还好说，但是要是遇到数据量不够的情况，该怎么办呢？今天小编就给大家来介绍几个方法来处理这种情况。Faker模块Python当中的Faker模块主要是用来生成伪数据，包括了城市、姓名等等，并且还支持中文，在开始使用该模块之前我们先用pip命令来下载安装完成pipinsta...
Selenium与WebDriver：Errno 8 Exec格式错误的多种解决方案
ip16yun的博客
07-30 379
在使用Selenium和WebDriver进行网页自动化时，可能会遇到各种错误。其中一个常见问题是执行格式错误（Errno 8 Exec format error）。这个错误通常在运行ChromeDriver时出现，错误提示涉及路径中的某个文件。本文将概述这个问题的背景，并提供多种解决方案，包括如何使用代理IP技术进行数据抓取。
python字符串数据容器练习（replace,split,count）
最新发布
2301_79600015的博客
07-31 459
Python字符串是由一系列字符组成的数据类型。在Python中，字符串是不可变的，这意味着一旦创建了一个字符串，就不能修改它的内容。以下是关于Python字符串的一些重要知识点：1. 字符串的基本操作：拼接字符串：使用`+`运算符。重复字符串：使用`*`运算符。索引和切片：使用`[]`和`:`操作符访问字符串中的子串。长度：使用`len()`函数获取字符串长度。转换大小写：使用`upper()`和`lower()`方法。分割和连接：使用`split()`和`join()`方法。
条件生成对抗网络中的条件向量
05-25
条件生成对抗网络（Conditional Generative Adversarial Networks, CGAN）是一种GAN的变体，它在生成器和判别器中添加了条件向量。条件向量是一个额外的输入，它可以指导生成器生成特定类型的图像或样本。 在CGAN中，生成器接收一个噪声向量和一个条件向量作为输入，然后生成一张图像。条件向量可以是任何形式的，比如说一个标签、一个文本描述、一张图像等等。这个条件向量告诉生成器应该生成什么样的图像。判别器也接收一个条件向量和一张图像作为输入，然后判断这张图像是否真实。 条件向量可以被看作是一种控制机制，可以让我们控制生成器生成的图像的特征。它为GAN提供了更多的灵活性和可控性，使得GAN可以应用于更广泛的场景。
评论 1
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