MATLAB如何使用CIFAR-10数据集训练神经网络

已于 2023-12-31 23:15:57 修改
阅读量2.3k 收藏 42
点赞数 40
文章标签： 人工智能 机器学习 matlab 数据分析
于 2023-12-13 21:05:05 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/whynotallowCN/article/details/134980725
版权

       

目录

下载CIFAR-10数据集

对数据集进行处理

设计网络结构

基础识别网络的设计

基础网络的训练结果和改进

改进网络的结果分析

附

        关于CIFAR数据集网上已经有很多使用的教程，MATLAB官方也给出了一个示例，但是因为课程要求我们不能使用网上的示例，并且要自己分析网络结构对于训练结果的影响，所以我写了这篇文章，记录一下自己摸索着使用CIFAR-10数据集的过程。

下载CIFAR-10数据集

        点击下面这个链接，找到下图里蓝色字样的下载链接就可以下载CIFAR-10的数据集啦。按照需求下载即可，我需要在MATLAB里处理这些数据，因此下载的是MATLAB version。

        CIFAR-10 and CIFAR-100 datasets (toronto.edu)

1168c74f2f88463dbed0d1cc762bdc2c.png

对数据集进行处理

        由于我的训练网络是在MATLAB提供的示例基础上进行修改得来的，而该网络读取的是.jpg或,png格式的文件，但CIFAR-10提供的是.mat格式的文件，因此需要先对解压后的CIFAR-10文件进行处理。

        首先在MATLAB的根目录下创建名为“CIFAR-10-batches-mat”的文件夹，并在该文件夹下创建名为“test”和“train”的文件夹，在“test”和“train”文件夹里分别创建名为“0”-“9”的文件夹。等会我们要把数据集里的图片存到这里，训练集的十类数据按类放进“train”文件夹下的“0”-“9”的文件夹里，同样，测试集的十类数据放进“test”文件夹下的“0”-“9”的文件夹里。（选择其他位置也可以，只是放在MATLAB根目录下调用起来比较方便）

0e779fc835334ebf95424c85e240a377.png

bd44624663194dd1aa85e4f7dcdf660a.png

e09b15f8e8044308b478fa7013afdd1b.png

        之后就可以使用MATLAB把数据集里的图片按标签放在这些文件夹里啦，具体的代码如下：

%% 从test_batch中提取图片的代码
load(['E:\MATLAB\cifar-10-batches-mat\test_batch.mat'])%这里的路径需要换成自己的.mat文件的路径
for i=1:size(data,1)
    p=data(i,:);
    label=labels(i);
    fig=zeros(32,32,3);
    fig(:,:,1)=reshape(p(1:1024),32,32)';
    fig(:,:,2)=reshape(p(1025:2048),32,32)';
    fig(:,:,3)=reshape(p(2049:end),32,32)';
    imwrite(fig/256,['E:\MATLAB\cifar-10-batches-mat\test\',num2str(label), '\_label_' num2str(label) '_' num2str(i) ,'.png'])%这里的路径换成你需要保存的路径
end
%% 从data batch 1-5中提取图片的代码
for j =1:5
load(['E:\MATLAB\cifar-10-batches-mat\data_batch_',num2str(j),'.mat'])%这里改成data_batch所在的路径
    for i=1:size(data,1)
        p=data(i,:);
        label=labels(i);
        fig=zeros(32,32,3);
        fig(:,:,1)=reshape(p(1:1024),32,32)';
        fig(:,:,2)=reshape(p(1025:2048),32,32)';
        fig(:,:,3)=reshape(p(2049:end),32,32)';
        imwrite(fig/256,['E:\MATLAB\cifar-10-batches-mat\train\',num2str(label), '\_label_'  ,num2str(label) ,'_', num2str(j),'_', num2str(i) ,'.png'])%这里改成想要保存的路径
    end
end

        如果将数据集解压到MATLAB根目录下，并按照上文的要求在MATLAB根目录下创建了文件夹，那么代码中注释的部分就只需要修改前面MATLAB的路径即可。

        执行完代码后你会发现，“test”和“train”的每个子文件夹下图片都已经按照它的类别分好了。比如“0”文件夹，其中就只包含标签为“airplane”的图片。

df5f77af9235439ea9cd570a49a5cba8.png

设计网络结构

基础识别网络的设计

        首先向MATLAB中导入这些图片和对应的标签，代码如下：

digitDatasetPath = fullfile(matlabroot,'cifar-10-batches-mat','train');
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');
YTrain=imds.Labels;
digitTestDatasetPath = fullfile(matlabroot,'cifar-10-batches-mat','test');
test_imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');

        其中“matlabroot”变量代表MATLAB的根目录位置。

        之后设置网络输入参数，因为CIFAR数据集提供的是eq?32%20%5Ctimes%2032%20%5Ctimes%203的rgb图片，因此设置图片输入层参数为32 32 3。同时为了防止网络对图片的过拟合，需要对图片进行强化，具体来说就是对图片设置随机反转、随机X轴或Y轴平移等。代码如下：

imageSize = [32 32 3];
pixelRange = [-4 4];
imageAugmenter = imageDataAugmenter( ...
    'RandXReflection',true, ...
    'RandXTranslation',pixelRange, ...
    'RandYTranslation',pixelRange);
augimdsTrain = augmentedImageDatastore(imageSize,XTrain,YTrain, ...
    'DataAugmentation',imageAugmenter, ...
    'OutputSizeMode','randcrop');

        网络的设置了三层卷积层，相邻卷积层之间通过池化层连接，最后连接一个全连接层。这样一个简单的网络就设计好啦。训练轮次MaxEpochs设置为20轮，验证集ValidationData设置为刚导入的测试集图片“test_imds”，验证频率ValidationFrequency设置为30，即可开始训练。完整代码如下

%% 导入训练集数据和验证集数据
digitDatasetPath = fullfile(matlabroot,'cifar-10-batches-mat','train');
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');
YTrain=imds.Labels;
digitTestDatasetPath = fullfile(matlabroot,'cifar-10-batches-mat','test');
test_imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');

% figure;
% perm = randperm(10000,20);
% fprint("B7744F63DB749E48C05C06F7F3BD11D4")
% for i = 1:20
%     subplot(4,5,i);
%     imshow(imds.Files{perm(i)});
% end
labelCount = countEachLabel(imds)

img = readimage(imds,1);
for i =1:50000
    XTrain(:,:,:,i)=readimage(imds,i);
end
size(img)
%% 设置训练参数
imageSize = [32 32 3];
pixelRange = [-4 4];
imageAugmenter = imageDataAugmenter( ...
    'RandXReflection',true, ...
    'RandXTranslation',pixelRange, ...
    'RandYTranslation',pixelRange);
augimdsTrain = augmentedImageDatastore(imageSize,XTrain,YTrain, ...
    'DataAugmentation',imageAugmenter, ...
    'OutputSizeMode','randcrop');
%% 设置网络结构

layers = [
    imageInputLayer([32 32 3])
    
    convolution2dLayer(5,16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(5,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(5,64,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];
%% 设置训练选项
options = trainingOptions('sgdm', ...
    'InitialLearnRate',0.01, ...
    'MaxEpochs',20, ...
    'Shuffle','every-epoch', ...
    'ValidationData',test_imds, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress','ExecutionEnvironment','gpu');
net = trainNetwork(augimdsTrain,layers,options);
%% 对有效识别图片进行分类并计算准确率
YPred = classify(net,test_imds);
YValidation = test_imds.Labels;
accuracy = sum(YPred == YValidation)/numel(YValidation)

        把上面的代码粘到MATLAB里直接运行即可。训练时间大概为30min（因硬件不同而异），训练之后就可以得到一个能够识别这十类图片的网络了。

基础网络的训练结果和改进

        根据上文的代码，即可训练出一个网络。但是我训练完这个网络之后发现一个问题，那就是该网络对“猫”和“狗”的识别效果很差。
 

93087cf271c944d0a0bccecd7f82518c.png

    

fc2c736a30e84e2e83222476ad5aca0e.png

        可以看到，在混淆矩阵中有接近一半的“猫”图片被识别为“狗”（3代表“猫”类，5代表“狗”类）。让神经网络识别在网上找的猫猫图片，同样会把猫识别成狗。说明网络对于猫和狗的细节部分还是没有把握住。因此可以考虑增加卷积层的数量，同时增加训练的迭代轮数，强化网络对猫和狗的不同特征的学习。代码如下：

%% 导入训练集数据和验证集数据
digitDatasetPath = fullfile(matlabroot,'cifar-10-batches-mat','train');
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');
YTrain=imds.Labels;
digitTestDatasetPath = fullfile(matlabroot,'cifar-10-batches-mat','test');
test_imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');

% figure;
% perm = randperm(10000,20);
% fprint("B7744F63DB749E48C05C06F7F3BD11D4")
% for i = 1:20
%     subplot(4,5,i);
%     imshow(imds.Files{perm(i)});
% end
labelCount = countEachLabel(imds)

img = readimage(imds,1);
for i =1:50000
    XTrain(:,:,:,i)=readimage(imds,i);
end
size(img)
%% 设置训练参数
imageSize = [32 32 3];
pixelRange = [-4 4];
imageAugmenter = imageDataAugmenter( ...
    'RandXReflection',true, ...
    'RandXTranslation',pixelRange, ...
    'RandYTranslation',pixelRange);
augimdsTrain = augmentedImageDatastore(imageSize,XTrain,YTrain, ...
    'DataAugmentation',imageAugmenter, ...
    'OutputSizeMode','randcrop');
%% 设置网络结构

layers = [
    imageInputLayer([32 32 3])
    
    convolution2dLayer(5,32,'Padding','same')
    batchNormalizationLayer
    leakyReluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(5,64,'Padding','same')
    batchNormalizationLayer
    leakyReluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(5,128,'Padding','same')
    batchNormalizationLayer
    leakyReluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(5,256,'Padding','same')
    batchNormalizationLayer
    leakyReluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(5,512,'Padding','same')
    batchNormalizationLayer
    leakyReluLayer
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];
%% 设置训练选项
options = trainingOptions('sgdm', ...
    'InitialLearnRate',0.01, ...
    'MaxEpochs',50, ...
    'Shuffle','every-epoch', ...
    'ValidationData',test_imds, ...
    'ValidationFrequency',200, ...
    'Verbose',false, ...
    'Plots','training-progress','ExecutionEnvironment','gpu');
net = trainNetwork(augimdsTrain,layers,options);
%% 对有效识别图片进行分类并计算准确率
YPred = classify(net,test_imds);
YValidation = test_imds.Labels;
accuracy = sum(YPred == YValidation)/numel(YValidation)

        训练轮次调整为了50，并且网络又增加了2层卷积层，因此训练起来会更费时间，大概在50min左右。

改进网络的结果分析

        改进以后的网络虽然训练时间更长了，但是识别结果也更准了，对“猫”类的识别正确率由原来的57.5%一下子提高到92.8%，整体识别率为95.69%，提高了很多。原本识别错误的猫猫图片现在也能识别正确了。

0195dda36ac74e4b88727871130afc78.png

7205034df15249e980a1b8192f02433f.png

附

训练好的网络对图片进行分类的代码

myImage1=imread('图片位置');
figure,imshow(myImage1)
myImagex=imresize(myImage1,[32,32]);
YPred1=classify(net,myImagex);
str_YPred1=string(YPred1);
num_YPred=double(str_YPred1);  
switch num_YPred
    case 0
        fprintf('This is a airplane.\n')
        title('This is a airplane.')
    case 1
        fprintf('This is a automobile.\n')
        title('This is a automobile.')
    case 2
        fprintf('This is a bird.\n')
        title('This is a bird.')
    case 3
        fprintf('This is a cat.\n')
        title('This is a cat.')
    case 4
        fprintf('This is a deer.\n')
        title('This is a deer.')
    case 5
        fprintf('This is a dog.\n')
        title('This is a dog.')
    case 6
        fprintf('This is a frog.\n')
        title('This is a frog.')
    case 7
        fprintf('This is a horse.\n')
        title('This is a horse.')
    case 8
        fprintf('This is a ship.\n')
        title('This is a ship.')
    case 9
        fprintf('This is a truck.\n')
        title('This is a truck.')
end

        绘制混淆矩阵图的代码这里就不放啦，有需要可以私信我。

 

 

 

 

whynotallowCN
关注
  • 40
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 16
    评论
cifar-10-matlab数据集
04-08
cifar-10数据集,matlab版本。 CIFAR-10数据集由10个类中的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。 数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但是一些训练批次可能包含来自一个类别的更多图像而不是另一个类别。在他们之间，培训批次包含来自每个班级的5000个图像
CIFAR-10数据集详析：使用卷积神经网络训练图像分类模型
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！交流学习、商务合作：https://bbs.csdn.net/topics/614347534
01-27 4324
CIFAR-10 数据集由 10 个类的彩色图像组成，每类6000张图像。有50000张训练图像和10000张测试图像。数据集分为5个训练批次和1个测试批次，每个批次有10000张图像。测试批次正好包含从每个类中随机选择的 1000 张图像。训练批次以随机顺序包含剩余的图像，但某些训练批次可能包含来自一个类的图像多于另一个类的图像。在它们之间，训练批次正好包含来自每个类的 5000 张图像。32×32 RGB图像 ，数据集本身是 BGR 通道。
MATLAB与深度学习（二）— 训练神经网络（图像分类识别）
luppys
03-22 1万+
MATLAB与深度学习（二）— 训练神经网络 上一篇，我们介绍了与深度学习相关的MATLAB工具包。这一篇，我们将介绍如何训练神经网络和相关的基础知识。本文借鉴和引用了网上许多前辈的经验和代码，如有冒犯，请及时与我联系。 1. 下载数据集 1.1 方式一，在matlab上下载 %% Download the CIFAR-10 dataset if ~exist('cifar-10-batche...
CIFAR10数据集Matlab读取、保存、可视化代码
SDL_CSDN的博客
09-27 720
最近做项目要用到cifar10数据集，想看下里面的图片，因为平时比较熟悉matlab，就想在matlab里直接显示出数据集中的图片，但是在网上找了很多相关的代码，无一列外，都无法做到实时显示，非常的不方便，后面我就准备自己整了！注意是文件夹路径，不需要带文件的名称。这段代码实现的功能是读取CIFAR10数据集中前10000中的前10张，在matlab中显示出来图像，并且保存到数据集所在文件夹下的save_images文件夹中。文件夹中显示的（不需要保存到文件夹中的，可以自行去掉保存图像部分的代码）
cifar-10 数据集 MATLAB版本
04-16
此数据集为MATLAB版本，更多版本我也上传了。CIFAR-10数据集由10个类中的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。 数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但是一些训练批次可能包含来自一个类别的更多图像而不是另一个类别。在他们之间，培训批次包含来自每个班级的5000个图像。
CIFAR-10数据集及matlab版本读取
lemonHe的博客
08-30 1万+
CIFAR-10和CIFAR-100都是带有标签的数据集（是8千万小图像数据集的子集），由Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton等人创建。 CIFAR-10由60000张32x32的彩色图像组成，50000张训练图像和10000张测试图像，共分10个类，每个类6000幅图像，不同类的图像互斥。这些数据集分成5个训练batch和一个测试ba...
CIFAR10数据集免费下载
最新发布
02-20
CIFAR10数据集是计算机视觉领域一个广泛使用的数据集，特别适合于深度学习模型的训练和测试。这个数据集包含10个类别的彩色图像，每类有6000张32x32像素的小图片，共计60000张。这些类别包括飞机、汽车、鸟类、猫、...
CIFAR-10数据集.zip
12-24
此外，CIFAR-10数据集常用于评估卷积神经网络（CNN）和其他深度学习架构的性能，因为它的10个类别提供了多类分类的挑战。 总的来说，CIFAR-10数据集是学习和研究计算机视觉以及深度学习的基础资源，它帮助开发者和...
CIFAR-100数据集 MATLAB版本
04-16
此数据集与CIFAR-10类似，不同之处在于它有100个类，每个类包含600个图像。每班有500个训练图像和100个测试图像。CIFAR-100中的100个类被分为20个超类。每个图像都带有一个“精细”标签（它所属的类）和一个“粗”...
Matlab的cifar-10.mat文件，可以直接用
08-09
使用CIFAR-10数据集进行学习和研究时，开发人员和研究人员可以训练各种机器学习和深度学习模型，如卷积神经网络（CNNs），以识别图像中的物体。通过比较模型在测试集上的表现，他们可以评估模型的准确性和性能。此外...
matlab根据url链接下载*.tar文件并解压
weixin_33766168的博客
04-07 554
1、解压url链接的*.tar.gz文件到Data文件夹中，matlab会在当前目录自己创建Data文件夹。url = 'https://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz';untar(url, 'Data');2、这个是更啰嗦、严谨的代码cifar10Data = 'C:\Users\NEVERGU...
基于MATLAB深度学习工具箱的CNN卷积神经网络训练和测试
热门推荐
FPGA/MATLAB学习教程/源码/项目合作开发
06-14 1万+
MATLAB深度学习工具箱是MATLAB官方提供的一套深度学习工具，包括了多种深度学习模型和算法，可以方便地进行模型训练和测试。其中，CNN卷积神经网络是工具箱中的一个重要模型，可以用于图像分类、物体检测、语音识别等多个领域。深度学习工具箱的核心是神经网络模型的搭建和训练。用户可以通过编写MATLAB代码，定义网络结构、损失函数、优化器等参数，进行网络训练和测试。同时，工具箱也提供了许多预训练的模型和数据集，方便用户学习和实践。
如何获取cifar10、cifar100等数据集，并保存为图片格式
noblaker的博客
11-06 2450
cifar10等数据集 保存为图片格式
关于Googlenet、Alexnet神经网络模型等附加资源在MATLAB中的安装
qq_27278957的博客
08-15 853
写本文的目的在于记录博主在MATLAB中安装google和alexnet两个神经网络模型时所遇到的问题以及解决方法。
matlab在图像识别（深度学习神经网络）中的使用（转）
value_path的博客
09-17 9787
前言： 1）图像识别用途甚广，解决的算法之一，是深度学习神经网络。matlab近几个版本，对这块的语法修改较多，总体而言，用户用起来更方便了； 2）这里以2018a版本为例，做一些粗略的说明。 1.概念说明 1）图像识别：图像识别是目的，具体而言，输入一张图片，输出一个字符串或数字。例如输入一张狗图片，输出狗的品种，这是典型典型的字符串输出，属于图像识别中的分类。输入一张花朵的照片，输出花瓣的个数...
matlab训练cifar10,认识CIFAR-10数据集
weixin_34060672的博客
03-25 1519
CIFAR-10是一个广泛使用的标准数据集，里面包含了各种阿猫阿狗阿汽车……为了在后续学习实验中用好它，首先需要认识了解一下。把tensorflow官方model下的cifar10文件复制到工作区，对于jupyter就是win10下默认的文档里，然后把下载好的cifar10_data(bin)也放在cifar10里面，之后新建的代码都在这个主目录下操作，目的是调用里面的cifar10_input....
如何使用matlab完成cifar10数据集的分类处理
05-16
要使用 MATLAB 完成 CIFAR-10 数据集的分类处理，可以按照以下步骤进行操作： 1. 下载 CIFAR-10 数据集。可以从官方网站下载，也可以使用 MATLAB 自带的数据集下载工具下载。 2. 加载数据集。使用 MATLAB 的 `imds = imageDatastore(folder)` 函数将数据集加载到内存中。这个函数会返回一个 imageDatastore 对象，可以用来访问数据集中的图像和标签。 3. 数据预处理。在训练之前，需要对数据进行一些预处理，例如将图像大小调整为固定大小、将图像转换为灰度图像等。可以使用 MATLAB 的 `augmentedImageDatastore` 函数创建一个增强的 imageDatastore 对象，然后使用 `read` 方法读取图像并进行预处理。 4. 设计模型。可以使用 MATLAB 的深度学习工具箱中的函数创建一个卷积神经网络模型。例如，可以使用 `convolution2dLayer` 函数创建卷积层，使用 `maxPooling2dLayer` 函数创建池化层，使用 `fullyConnectedLayer` 函数创建全连接层等等。 5. 训练模型。使用 MATLAB 的 `trainNetwork` 函数对模型进行训练。可以指定训练数据、验证数据、学习率、迭代次数等参数。 6. 评估模型。使用 MATLAB 的 `classify` 函数对测试数据进行分类，然后计算分类准确率和混淆矩阵等指标，评估模型的性能。 下面是一个简单的示例代码，用于加载 CIFAR-10 数据集并训练一个简单的卷积神经网络模型： ```matlab % 加载数据集 imds = imageDatastore('cifar10','IncludeSubfolders',true,'LabelSource','foldernames'); % 数据预处理 inputSize = [32 32 3]; augimds = augmentedImageDatastore(inputSize,imds); % 创建模型 layers = [ convolution2dLayer(5,32,'Padding',2,'InputSize',inputSize) reluLayer maxPooling2dLayer(2,'Stride',2) convolution2dLayer(5,64,'Padding',2) reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(10) softmaxLayer classificationLayer]; % 训练模型 options = trainingOptions('sgdm','MaxEpochs',10,'ValidationData',imds,'ValidationFrequency',30,'Verbose',false); net = trainNetwork(augimds,layers,options); % 评估模型 imdsTest = imageDatastore('cifar10_test','IncludeSubfolders',true,'LabelSource','foldernames'); augimdsTest = augmentedImageDatastore(inputSize,imdsTest); YTest = classify(net,augimdsTest); accuracy = mean(YTest == imdsTest.Labels) cm = confusionchart(imdsTest.Labels,YTest) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 16
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