猫十二分类问题

最新推荐文章于 2024-06-18 23:13:48 发布
最新推荐文章于 2024-06-18 23:13:48 发布
阅读量8.6k 收藏 90
点赞数 6
分类专栏： 毕业需要
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_45014721/article/details/120887871
版权

PaddleClas 图像分类 ResNet50_vc 数据处理 迁移学习
关键词由CSDN通过智能技术生成

文章目录

一、项目背景

1. 赛题介绍

  • 本场比赛要求参赛选手对十二种猫进行分类，属于CV方向经典的图像分类任务。图像分类任务作为其他图像任务的基石，可以让大家更快上手计算机视觉。

2. 数据简介

  • 比赛数据集包含12种猫的图片，并划分为训练集与测试集。
  • 训练集： 提供高清彩色图片以及图片所属的分类，共有2160张猫的图片，含标注文件。
  • 测试集： 仅提供彩色图片，共有240张猫的图片，不含标注文件。

二、数据处理

1. 解压PaddleClas与解压数据集

  • 由于pip安装paddleclas时构建python-opencv会卡，所有从github上下载paddleclas压缩包传到AI Studio上。
  • 注：由于用到解压后的paddleclas，会切换到paddleclas目录下，文件路径建议统一使用绝对路径。

In [16]

# 解压数据集
!unzip -oqn /home/aistudio/data/data10954/cat_12_test.zip -d data/
!unzip -oqn /home/aistudio/data/data10954/cat_12_train.zip -d data/
# 解压paddleclas
!unzip -oqn /home/aistudio/PaddleClas-release-2.2.zip
%cd PaddleClas-release-2.2

2. 构建train.txt、val.txt和test.txt

  • train.txt：每列代表一个样本（图片绝对路径\t标签）以\t隔开。
  • val.txt：每列代表一个样本（图片绝对路径\t标签）以\t开；从训练集中取出一部分当验证集。
  • test.txt：每列代表一个样本（图片绝对路径）。

In [15]

import os
import numpy as np


# 数据列表写入.txt文件
def data_to_txt(datas, save_path):
    with open(save_path, 'w') as f:
        for i in datas:
            f.write(f'{i}\n')

# 构造带标签的数据列表
datas_with_label = []
with open('/home/aistudio/data/data10954/train_list.txt', 'r') as f:
    for line in f.readlines():
        line = line.strip()
        datas_with_label.append(f'/home/aistudio/data/{line}')  # 图片绝对路径 标签

# 打乱带标签的数据列表
np.random.shuffle(datas_with_label)

# 按照8:2划分训练集和验证集
train_datas = datas_with_label[len(datas_with_label)//10*2:] 
val_datas = datas_with_label[:len(datas_with_label)//10*2]
print('train_datas len:', len(train_datas))
print('val_datas len:', len(val_datas))

# 写入train.txt、val.txt文件
data_to_txt(train_datas, '/home/aistudio/train.txt')
data_to_txt(val_datas, '/home/aistudio/val.txt')

# 构造测试集数据列表
test_datas = []
test_dir = '/home/aistudio/data/cat_12_test'
for i in os.listdir(test_dir):
    test_datas.append(os.path.join(test_dir, i))
print('test_datas len:', len(test_datas))

# 写入test.txt
data_to_txt(test_datas, '/home/aistudio/test.txt')

3. 自定义数据集读取类

In [3]

import paddle
import numpy as np
from PIL import Image


class CatDataset(paddle.io.Dataset):
    def __init__(self, txtpath, mode='train', transform=None):
        super(CatDataset, self).__init__()

        assert mode in ['train', 'val', 'test'], "mode is one of ['train', 'val', 'test']"
        self.mode = mode
        self.transform = transform
        self.data = []

        with open(txtpath, 'r') as f:
            for line in f.readlines():
                line = line.strip()
                if mode != 'test':
                    self.data.append([line.split('\t')[0], line.split('\t')[1]])
                else:
                    self.data.append(line)
    
    def __getitem__(self, idx):
        if self.mode != 'test':
            img = Image.open(self.data[idx][0]).convert('RGB')
            label = self.data[idx][1]
            if self.transform:
                img = self.transform(img)
            return img.astype('float32'), np.array(label, dtype='int64')
        else:
            img = Image.open(self.data[idx]).convert('RGB')
            if self.transform:
                img = self.transform(img)
            return img.astype('float32')
    
    def __len__(self):
        return len(self.data)

三、模型组网

1. 构建Dataloader

In [14]

import paddle
import paddle.vision.transforms as T


# 数据批大小
batch_size = 64  # 当内存不够的时候，调小
# 尺寸
size = 480  # 可调
# transform
train_transform = T.Compose([
    T.Resize(size=size),
    T.RandomRotation(degrees=30, interpolation='bilinear'),
    T.ColorJitter(0.3, 0.3, 0.3, 0.3),
    T.CenterCrop(size=size),
    T.ToTensor(),
    T.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
])
eval_transform = T.Compose([
    T.Resize(size=size),
    T.CenterCrop(size=size),
    T.ToTensor(),
    T.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
])

# dataset
train_dataset = CatDataset(txtpath='/home/aistudio/train.txt', mode='train', transform=train_transform)
val_dataset = CatDataset(txtpath='/home/aistudio/val.txt', mode='val', transform=eval_transform)
test_dataset = CatDataset(txtpath='/home/aistudio/test.txt', mode='test', transform=eval_transform)

# dataloader
train_dataloader = paddle.io.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)
val_dataloader = paddle.io.DataLoader(dataset=val_dataset, batch_size=batch_size)
test_dataloader = paddle.io.DataLoader(dataset=test_dataset, batch_size=batch_size)

# print
print('train_dataloader len:', len(train_dataloader))
print('val_dataloader len:', len(val_dataloader))
print('test_dataloader len:', len(test_dataloader))

2. 组网

In [13]

import paddle
from paddle.metric import Accuracy
from ppcls.arch.backbone import model_zoo


# 分类类别
num_classes = 12
# 模型
model = model_zoo.resnet_vc.ResNet50_vc(class_num=num_classes)  # 可更换模型
# 优化器
optimizer = paddle.optimizer.Adam(learning_rate=1e-4, parameters=model.parameters(), weight_decay=1e-5)  # 优化器可更换 
# 损失函数
loss = paddle.nn.CrossEntropyLoss()
# 评价指标
acc = Accuracy()

# 高层API封装
model = paddle.Model(model)
model.prepare(optimizer, loss, acc)

# 打印模型结构
model.summary((batch_size, 3) + (size, )*2)

In [ ]

# model.save('/home/aistudio/ResNet50_vc_random')

四、模型训练

1. 训练

In [12]

# 训练轮数
epochs = 10

# 模型训练
model.fit(train_dataloader, val_dataloader, epochs=epochs, verbose=1)

In [ ]

# model.save('/home/aistudio/ResNet50_vc_training')

2. 训练数据+验证数据微调

  • 将拆分过的数据集合并

In [11]

all_datas = []
with open('/home/aistudio/train.txt') as f:
    for line in f.readlines():
        all_datas.append(line.strip())

with open('/home/aistudio/val.txt') as f:
    for line in f.readlines():
        all_datas.append(line.strip())

# 将所有数据路径+标签写入.txt文件
with open('/home/aistudio/all.txt', 'w') as f:
    for line in all_datas:
        f.write(f'{line}\n')

# dataset
all_dataset = CatDataset(txtpath='/home/aistudio/all.txt', mode='train', transform=train_transform)
# dataloader
all_dataloader = paddle.io.DataLoader(dataset=all_dataset, batch_size=batch_size, shuffle=True)
# print
print('all_dataloader len:', len(all_dataloader))
# 优化器
optimizer = paddle.optimizer.Adam(learning_rate=1e-6, parameters=model.parameters(), weight_decay=1e-6)
# 高层API封装
model.prepare(optimizer, loss, acc)
# 模型训练
model.fit(all_dataloader, epochs=2, verbose=1)

五、模型预测并保存结果

  • model.predict返回 [ [batch1, batch2, …] ]

In [10]

import numpy as np
import pandas as pd


# 得到结果
results = model.predict(test_dataloader)

# 得到分类类别
new_results = []

for batch in results[0]:
    for result in batch:
        new_results.append(np.argmax(result))

print('new_results len:', len(new_results), '; new_results[0] =', new_results[0])

# 得到图片名称
names = []
for line in test_dataset.data:
    names.append(line.split('/')[-1])
print('names len:', len(names))

# 保存结果
pd_results = pd.DataFrame({'names':names, 'results':new_results})
pd_results.to_csv('/home/aistudio/result.csv', header=False, index=False)

六、迁移学习对比实验

1. 随机初始化的参数，模型第一层的某个通道参数功能可视化

  • 可视化观察，随机初始化的模型第一层参数到底在提取什么样的特征
  • 你也可以根据此方法更细致的查看模型的每个部分

In [ ]

import paddle
import paddle.nn as nn
import paddle.vision.transforms as T
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


# 读取图片
ori_img = Image.open('/home/aistudio/data/cat_12_train/LTMkHx9w2nfsRiZec3bEVtmujpv7qS1y.jpg').convert('RGB')
# 数据归一化操作
transform = T.Compose([
    T.ToTensor(),
    T.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
])
# 图片归一化
img = transform(ori_img)  # img.shape: (H, W, C) -> (C, H, W)
# 将图片封装成Tensor, 适应paddle卷积API输入的张量维度
# Conv2D需要的输入为 4-D 的Tensor (N, C, H, W) 或 (N, H, W, C), 默认 (N, C, H, W)
img = paddle.to_tensor([img], dtype='float32')

# 参数提取
state_dict = paddle.load('/home/aistudio/ResNet50_vc_random.pdparams')
# 打印参数名称, 第一层卷积的参数名称: conv1_1._conv.weight
# print(state_dict.keys())
# state_dict['conv1_1._conv.weight'].shape: (out_channels, in_channels, H, W)
print("state_dict['conv1_1._conv.weight'].shape:", state_dict['conv1_1._conv.weight'].shape)

# 取出conv1_1._conv.weight的前2个kernel
# conv1_1_kernel.shape: (2, 3, H, W)
conv1_1_kernel = state_dict['conv1_1._conv.weight'][0:2]

# 循环操作
out1_list = []
for i in range(conv1_1_kernel.shape[1]):
    # conv1_1_kernelx.shape: (2, 1, H, W)
    conv1_1_kernelx = conv1_1_kernel[:, i:i+1]
    # conv1_1_kernelx.shape: (2, 1, H, W)
    print("conv1_1_kernelx.shape:", conv1_1_kernelx.shape)
    # 构造卷积
    conv = nn.Conv2D(in_channels=1, out_channels=2, kernel_size=3, stride=2, bias_attr=False)  # 实际的超参数需要根据选用模型的超参数设计
    key = conv.weight.name
    conv.set_state_dict({key:conv1_1_kernelx})
    # 特征提取
    out = conv(img[:, i:i+1])
    out1_list.append(out.numpy()[0, 0])
    out1_list.append(out.numpy()[0, 1])
    # out.shape: (1, 2, H', W')
    print("out.shape:", out.shape)

out1_list.insert(0, ori_img)

2. 随机初始化的参数，经过学习后，操作同1相同

In [ ]

import paddle
import paddle.nn as nn
import paddle.vision.transforms as T
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


# 读取图片
ori_img = Image.open('/home/aistudio/data/cat_12_train/LTMkHx9w2nfsRiZec3bEVtmujpv7qS1y.jpg').convert('RGB')
# 数据归一化操作
transform = T.Compose([
    T.ToTensor(),
    T.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
])
# 图片归一化
img = transform(ori_img)  # img.shape: (H, W, C) -> (C, H, W)
# 将图片封装成Tensor, 适应paddle卷积API输入的张量维度
# Conv2D需要的输入为 4-D 的Tensor (N, C, H, W) 或 (N, H, W, C), 默认 (N, C, H, W)
img = paddle.to_tensor([img], dtype='float32')

# 参数提取
state_dict = paddle.load('/home/aistudio/ResNet50_vc_training.pdparams')
# 打印参数名称, 第一层卷积的参数名称: conv1_1._conv.weight
# print(state_dict.keys())
# state_dict['conv1_1._conv.weight'].shape: (out_channels, in_channels, H, W)
print("state_dict['conv1_1._conv.weight'].shape:", state_dict['conv1_1._conv.weight'].shape)

# 取出conv1_1._conv.weight的前2个kernel
# conv1_1_kernel.shape: (2, 3, H, W)
conv1_1_kernel = state_dict['conv1_1._conv.weight'][0:2]

# 循环操作
out2_list = []
for i in range(conv1_1_kernel.shape[1]):
    # conv1_1_kernelx.shape: (2, 1, H, W)
    conv1_1_kernelx = conv1_1_kernel[:, i:i+1]
    # conv1_1_kernelx.shape: (2, 1, H, W)
    print("conv1_1_kernelx.shape:", conv1_1_kernelx.shape)
    # 构造卷积
    conv = nn.Conv2D(in_channels=1, out_channels=2, kernel_size=3, stride=2, bias_attr=False)  # 实际的超参数需要根据选用模型的超参数设计
    key = conv.weight.name
    conv.set_state_dict({key:conv1_1_kernelx})
    # 特征提取
    out = conv(img[:, i:i+1])
    out2_list.append(out.numpy()[0, 0])
    out2_list.append(out.numpy()[0, 1])
    # out.shape: (1, 2, H', W')
    print("out.shape:", out.shape)

out2_list.insert(0, ori_img)

3. 预训练参数，操作同1相同

In [ ]

import paddle
import paddle.nn as nn
import paddle.vision.transforms as T
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


# 读取图片
ori_img = Image.open('/home/aistudio/data/cat_12_train/LTMkHx9w2nfsRiZec3bEVtmujpv7qS1y.jpg').convert('RGB')
# 数据归一化操作
transform = T.Compose([
    T.ToTensor(),
    T.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
])
# 图片归一化
img = transform(ori_img)  # img.shape: (H, W, C) -> (C, H, W)
# 将图片封装成Tensor, 适应paddle卷积API输入的张量维度
# Conv2D需要的输入为 4-D 的Tensor (N, C, H, W) 或 (N, H, W, C), 默认 (N, C, H, W)
img = paddle.to_tensor([img], dtype='float32')

# 参数提取
state_dict = paddle.load('/home/aistudio/ResNet50_vc_pretrained.pdparams')
# 打印参数名称, 第一层卷积的参数名称: conv1_1._conv.weight
# print(state_dict.keys())
# state_dict['conv1_1._conv.weight'].shape: (out_channels, in_channels, H, W)
print("state_dict['conv1_1._conv.weight'].shape:", state_dict['conv1_1._conv.weight'].shape)

# 取出conv1_1._conv.weight的前2个kernel
# conv1_1_kernel.shape: (2, 3, H, W)
conv1_1_kernel = state_dict['conv1_1._conv.weight'][0:2]

# 循环操作
out3_list = []
for i in range(conv1_1_kernel.shape[1]):
    # conv1_1_kernelx.shape: (2, 1, H, W)
    conv1_1_kernelx = conv1_1_kernel[:, i:i+1]
    # conv1_1_kernelx.shape: (2, 1, H, W)
    print("conv1_1_kernelx.shape:", conv1_1_kernelx.shape)
    # 构造卷积
    conv = nn.Conv2D(in_channels=1, out_channels=2, kernel_size=3, stride=2, bias_attr=False)  # 实际的超参数需要根据选用模型的超参数设计
    key = conv.weight.name
    conv.set_state_dict({key:conv1_1_kernelx})
    # 特征提取
    out = conv(img[:, i:i+1])
    out3_list.append(out.numpy()[0, 0])
    out3_list.append(out.numpy()[0, 1])
    # out.shape: (1, 2, H', W')
    print("out.shape:", out.shape)

out3_list.insert(0, ori_img)

4. 可视化对比

In [ ]

import matplotlib.pyplot as plt


for i in range(len(out1_list)):
    plt.figure(figsize=(30, 30))
    plt.subplot(len(out1_list), 1, i+1)
    plt.axis('off')
    plt.imshow(np.concatenate([out1_list[i], out2_list[i], out3_list[i]], axis=1))
plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

七、总结

  • 该项目基于paddleclas中的模型和使用paddle高层API，大大减少了代码量
  • 优化
  1. 细调各种超参数
  2. 数据增强方式增删为更好的组合
  3. 更换模型
  4. 加入学习率衰减策略
  5. 使用预训练模型, Finetune
  6. 多模型预测结果投票
  7. 多尺度预测
  8. …
乘风破浪的牛马
关注
  • 6
    点赞
  • 踩
  • 90
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 10
    评论
专栏目录
猫的十二分类
小帅的博客
11-20 6806
介绍：猫的十二分类 （1）任务描述 利用训练的模型来预测数据所属的类别。 （2）数据说明 本数据集包含 12 种类的猫的图片。 整个数据将被分为训练集与测试集。在训练数据中，我们提供彩色的图片. 训练集：在训练集中，我们将提供高清彩色图片以及图片所属的分类。 测试集：在测试数据集中，我们仅仅提供彩色图片。 （3）提交答案 考试提交，需要提交模型代码项目版本和结果文件。结果文件为 CSV 文件格式，命 名为 result.csv，文件内的字段需要按照指定格式写入。 文件格式：cat_12
猫十二分类数据集.zip
06-15
《猫十二分类数据集——深度学习图像识别的宝贵资源》 在信息技术日益发达的今天，数据成为了推动机器学习和人工智能发展的重要驱动力。其中，图像数据集尤其在计算机视觉领域扮演着至关重要的角色。"猫十二分类...
【项目实践】猫十二分类
qq_45957458的博客
05-25 2580
本项目来源于飞浆平台的图像分类学习赛，基于迁移学习的图像分类。
猫的12分类代码——基于pytorch的分类网络
06-22
使用Resnext50网络对猫图像进行分类，最终得到正确率91.67%。
猫十二类别分类
最新发布
qq_42615735的博客
06-18 292
图像分类
猫十二分类
lmx1458070445的博客
01-08 6912
猫十二分类试题说明任务描述数据说明提交答案项目日志绪论课题背景问题重述工具选择与前置条件工具选择PaddleClasPaddleX安装PaddleX导入相关包数据分析与处理数据导入图片模式检验&修复数据可视化样本平衡问题检验数据增强模型构建模型概述（ResNet）PaddleClas训练模型全局配置相关参数优化器相关参数生成ImageNet[3] 数据集划分[4] 定义数据增强、装载数据集装载数据集配置 ResNet 模型并训练训练技巧与参数选择调优策略优化器&学习率选择batch_size
猫12分类比赛心得（1）
Glltp2048的博客
04-25 5230
一、问题分析 图像分类问题，训练集2160张图片，共12类，每类180张；测试集240张，不确定有多少种类别。 图像为彩色图像，大部分是24位色彩，个别是8位和32位，这个问题导致后面在训练过程中一致出bug，会导致Tensor的shape不一致。 所有训练集在一个文件夹下，label信息在一个单独的txt中。 二、问题解决流程 1、数据、标签读取； 2、自定义数据集，使得数据符合格式要求 3、数据集划分，按类别采样，划分训练集和验证集 4、模型创建 5、模型训练 6、模型保存 7、模
ResNet应用——猫十二分类
m0_56945333的博客
02-28 5469
题目出自Paddle猫十二分类，但实在不习惯Paddle，故用Pytorch重新写一遍。 0. 库函数 # 路径操作 import os # 文件操作 import shutil # torch相关 import torch import torch.nn as nn from torchvision import transforms # 日志 import logging import random import numpy as np import matplotlib.pyplot as plt
猫的12分类数据集.rar
05-26
在机器学习中，分类问题通常采用监督学习的方法解决，即利用带有标签的训练数据（在这个案例中，标签就是猫的品种）来教会模型如何区分不同的类别。常用的算法有支持向量机（SVM）、决策树、随机森林，以及近年来大...
猫脸检测—12种猫分类数据集.zip
05-03
《猫脸检测与12种猫分类数据集详解》 在人工智能领域，图像识别技术扮演着至关重要的角色，尤其在动物识别、人脸识别等应用中。本文将深入探讨一个专门用于猫脸检测的数据集——"猫脸检测—12种猫分类数据集.zip"，...
十二生肖---前6种动物数据集（训练集）
06-15
总的来说，这个"十二生肖---前6种动物数据集（训练集）"为研究者提供了一个有趣的挑战，即在有限的类别下进行图像分类。通过适当的深度学习模型设计和训练，我们可以构建一个能够识别这六种生肖动物的智能系统，这在...
基于卷积神经网络的猫种类识别
01-16
基于卷积神经网络的猫种类识别，结合Django的完整demo。 环境：Django1.8.2 python3.6.3 tensorflow1.3 h5py2.7 keras2.1.2 numpy1.13.3 pillow5.0.0 pymysql0.8.0
猫狗分类器模型
12-02
这是我博客中训练好的猫狗分类器模型，博客：http://blog.csdn.net/hiccuphiccup/article/details/78695664 按照我的根据我CAT.py中的方法，先load进去，在把图片格式改一改，就可以测试自己的图片啦！
基于PaddleClas的猫的十二分类
PrototypeOne的博客
04-15 1935
飞桨图像识别套件PaddleClas是飞桨为工业界和学术界所准备的一个图像识别和图像分类任务的工具集，助力使用者训练出更好的视觉模型和应用落地。PaddleClas支持多种前沿图像分类、识别相关算法，发布产业级特色骨干网络PP-HGNet、PP-LCNetv2、 PP-LCNet和SSLD半监督知识蒸馏方案等模型，在此基础上打造PULC超轻量图像分类方案和PP-ShiTu图像识别系统。关于paddleclas的模型训练可以参考一下以下『paddle』paddleclas 学习笔记：模型训练。
【飞桨学习赛：猫十二分类体验赛】 第2名方案
m0_63642362的博客
11-23 4067
基于PaddleX-CV全流程开发工具，实现图像分类任务。
基于Mindspore，通过Resnet50迁移学习实现猫十二分类
qq_61897309的博客
03-06 1872
基于Mindspore，通过Resnet50迁移学习实现猫十二分类
基于GoogLeNet的猫十二分类
qq_52053775的博客
05-01 1546
1.导包 from tensorflow import keras import tensorflow as tf from keras.preprocessing import image import random from matplotlib import pyplot as plt import cv2 from tqdm import tqdm 2.数据预处理 cat_12数据集包含3个部分，训练集cat_12_train,测试集cat_test,以及存储图片名称及标签的train_li
tensorflow2.2_MobilenetV1网络解析
qq_42025868的博客
02-15 750
1. MobilenetV1介绍 MobilenetV1是Google提出的用于移动和嵌入式应用的高效网络模型。MobilenetV1基于一种流线型的架构，使用深度可分离卷积来构建轻量级的深度神经网络。 2. 深度可分离卷积 MobileNetV1模型基于深度可分卷积这是一种分解卷积的形式，它将一个标准卷积分解为深度卷积和一个1×1卷积，1x1卷积又叫称为点卷积。 标准的卷积是输入一个 DFD_{F}DF​ x DFD_{F}DF​ x MMM 的特征图，输出一个 DFD_{F}DF​ x DFD_{F}
python实现猫十二类分类
06-07
为了实现猫十二类分类，可以使用Python和深度学习框架TensorFlow。 首先，需要收集带有标签的猫的图像数据集。可以使用公共的数据集，例如ImageNet，也可以自己手动收集和标记数据集。 其次，需要将数据集分为训练...
评论 10
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

打赏作者

乘风破浪的牛马

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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