开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么同一操作在TensorFlow中会有不同的返回类型？

在TensorFlow中，同一操作可能会有不同的返回类型，这是由于TensorFlow的动态计算图特性所导致的。TensorFlow的动态计算图允许我们在运行时根据输入数据的形状和类型来构建计算图，这使得TensorFlow非常灵活和适应各种场景。

具体来说，同一操作在TensorFlow中可能会有不同的返回类型有以下几种情况：

输入数据类型不同：如果输入数据的类型不同，那么同一操作的返回类型也会不同。例如，对于加法操作，如果输入是两个整数张量，那么返回的类型将是整数张量；如果输入是两个浮点数张量，那么返回的类型将是浮点数张量。
输入数据形状不同：如果输入数据的形状不同，那么同一操作的返回类型也会不同。例如，对于矩阵乘法操作，如果输入是两个2x3的矩阵，那么返回的类型将是一个2x2的矩阵；如果输入是一个2x3的矩阵和一个3x4的矩阵，那么返回的类型将是一个2x4的矩阵。
操作参数不同：有些操作可以接受额外的参数来控制其行为，这些参数可能会影响操作的返回类型。例如，对于卷积操作，可以通过调整卷积核的大小和步幅来改变输出的形状和类型。

总之，同一操作在TensorFlow中可能会有不同的返回类型是由于动态计算图的特性，它允许根据输入数据的形状和类型来构建计算图。这种灵活性使得TensorFlow能够适应各种不同的数据和场景，并提供高效的计算能力。

推荐的腾讯云相关产品：腾讯云AI智能机器学习平台（https://cloud.tencent.com/product/tf），腾讯云云服务器（https://cloud.tencent.com/product/cvm），腾讯云对象存储（https://cloud.tencent.com/product/cos）。

相关搜索:OpenCV混合模式实现:为什么看似等价的操作会有不同的结果？Sigmoid操作在Tensorflow中的实现为什么docker镜像的大小在不同的系统上会有所不同为什么html实体在不同的浏览器中会有不同的处理？为什么Java文件和Jar文件会有不同的返回值？为什么会有变量:模块'tensorflow.contrib.eager‘在TensorFlow 1.15中没有’AttributeError‘属性？为什么同一个对象会有不同的ids？为什么在CPP中WaitForSingleObject函数会有两种不同的行为？为什么在flutter中从回调返回后会有一个不同的map实例更新？为什么在Gallery中会有不同的过滤器结果？获取意外返回的信息

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

在NVIDIA Jetson TX2上安装TensorFlow

刷机的目的是把Ubuntu操作系统和JetPack SDK安装到Jetson TX2上。刷机的操作按照官方教程即可，比较容易。这个过程中有一点需要注意：Jetson TX2和宿主机Host必须连接在同一个路由器之下。Host会先把操作系统刷到TX2上，这一步是通过数据线连接的方式完成，然后使用SSH的方式安装Host上的SDK到TX2，所以Host和TX2需要连接在同一个路由器下，方便Host找到TX2的ip地址。

02

图优化技术

常见的图优化技术包括常量折叠、公共子表达式消除、代数化简、算子融合等技术，接下来将分别简单介绍其原理。

05

AI繁荣下的隐忧——Google Tensorflow安全风险剖析

我们身处一个巨变的时代，各种新技术层出不穷，人工智能作为一个诞生于上世纪50年代的概念，近两年出现井喷式发展，得到各行各业的追捧，这背后来自于各种力量的推动，诸如深度学习算法的突破、硬件计算能力的提升、不断增长的大数据分析需求等。从2017年的迅猛发展，到2018年的持续火爆，国内外各个巨头公司如腾讯、阿里、百度、Google、微软、Facebook等均开始在人工智能领域投下重兵，毫无疑问，这一技术未来将会深度参与我们的生活并让我们的生活产生巨大改变：人工智能时代来了！

02

AI繁荣下的隐忧——Google Tensorflow安全风险剖析

我们身处一个巨变的时代，各种新技术层出不穷，人工智能作为一个诞生于上世纪50年代的概念，近两年出现井喷式发展，得到各行各业的追捧，这背后来自于各种力量的推动，诸如深度学习算法的突破、硬件计算能力的提升、不断增长的大数据分析需求等。从2017年的迅猛发展，到2018年的持续火爆，国内外各个巨头公司如腾讯、阿里、百度、Google、微软、Facebook等均开始在人工智能领域投下重兵，毫无疑问，这一技术未来将会深度参与我们的生活并让我们的生活产生巨大改变：人工智能时代来了！

07

前端工程师掌握这18招，就能在浏览器里玩转深度学习

【导读】TensorFlow.js 的发布可以说是 JS 社区开发者的福音！但是在浏览器中训练一些模型还是会存在一些问题与不同，如何可以让训练效果更好？本文的作者，是一位前端工程师，经过自己不断的经验积累，为大家总结了 18 个 Tips，希望可以帮助大家训练出更好的模型。

01

译文 | 与TensorFlow的第一次接触第四章：单层神经网络

在前言中，已经提到经常使用深度学习的领域就是模式识别。编程初学者都是从打印“Hello World”开始，深度学习中我们则是从识别手写数字开始。本章中，我会讲解如何在TensorFlow中一步步建立单层神经网络，这个建立的神经网络用来识别手写数字，它是基于TensorFlow官方新手指南中的一个例子改变而来。根据本书的风格，在本例子中会简化一些概念与理论证明。如果读者在读完本章后，有兴趣研究例子中相关的理论概念，建议读者去阅读神经网络与深度学习一书，该书同样可在网上获得，该书阐述了本例子中的一些深度理

如何用TF Serving部署TensorFlow模型

如何将机器学习(ML)模型部署上线至生产环境已成为经常性的热门话题。为此许多公司和框架提出了各种不同的解决方案。

02

前端工程师深度学习，就能在浏览器里玩转深度学习

TensorFlow.js 的发布可以说是 JS 社区开发者的福音！但是在浏览器中训练一些模型还是会存在一些问题与不同，如何可以让训练效果更好？本文为大家总结了 18 个 Tips，希望可以帮助大家训练出更好的模型。

03

推荐系统中模型训练及使用流程的标准化

导读：本次分享的主题为推荐系统中模型训练及使用流程的标准化。在整个推荐系统中，点击率 ( CTR ) 预估模型是最为重要，也是最为复杂的部分。无论是使用线性模型还是当前流行的深度模型，在模型结构确定后，模型的迭代主要在于特征的选择及处理方面。因而，如何科学地管理特征，就显得尤为重要。在实践中，我们对特征的采集、配置、处理流程以及输出形式进行了标准化：通过配置文件和代码模板管理特征的声明及追加，特征的选取及预处理等流程。由于使用哪些特征、如何处理特征等流程均在同一份配置文件中定义，因而，该方案可以保证离线训练和在线预测时特征处理使用方式的代码级一致性。

02

【AI创新者】TensorFlow贡献者黄文坚：解读对比13个深度学习框架后的选择

【AI创新者】是CSDN人工智能频道精心打造的专栏，本期主人公是最近很火的《TensorFlow实战》一书作者、PPmoney大数据算法总监黄文坚。作者：白岩 CSDN AI 编辑 / 记者投

04

数据科学家令人惊叹的排序技巧

原题 | Surprising Sorting Tips for Data Scientists

01

如何仅使用TensorFlow C＋来训练深度神经网络

作者｜Florian Courtial 译者｜Debra 编辑｜Emily AI 前线导读：训练神经网络是一件十分复杂，难度非常大的工作，有没有可能让训练的过程简单便利一些呢？有人突发奇想，尝试仅仅使用 TensorFlow C ++ 来进行这项工作。这样做的效果如何呢？我们来看看 Florian Courtial 用 TensorFlow C ++ 构建 DNN 框架的示例来了解一下吧。更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）正如你所知，TensorFlow（TF）的

05

从Caffe2到TensorFlow，十种框架构建相同神经网络效率对比

近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FAIR 研究者、各大框架创始人（比如贾扬清）的支持。机器之心对该文进行了编译。项目GitHub链接：https://github.com/i

08

广告行业中那些趣事系列26：基于PoseNet算法的人体姿势相似度识别

摘要：本篇从理论到实践分享了基于PoseNet算法的人体姿势相似度识别项目。首先介绍了项目背景，因为部门搞活动需要大家去模仿夸张搞笑的表情和姿势来提升活动的可玩性，所以需要利用CV算法对图片进行相似度打分；然后详细讲解了人体姿势相似度识别算法，主要包括基于PoseNet算法来识别姿势和计算姿势相似度两个流程；最后基于已有的开源项目进行二次开发实现了人体姿势相似度识别项目。对于以前从未接触过CV项目的我来说既是挑战也是契机。因为之前主要做NLP相关的项目，而实际业务场景中经常会有NLP和CV交叉相关的项目，所以就需要对CV也有一定的了解。通过这个项目相当于慢慢入了CV的门，最终的目标是不变的，将更多更好的机器学习算法落地到实际业务产生更多的价值。

03

从Caffe2到TensorFlow，十种框架构建相同神经网络效率对比

选自Medium 作者：Ilia Karmanov 机器之心编译参与：路雪、黄小天近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FAIR 研究者、各大框架创始人（比如贾扬清）的支持。机器

04

一招检验10大深度学习框架哪家强！

来源：机器之心本文长度为2698字，建议阅读4分钟本文通过构建同一个神经网络，对比当前最流行的 10 种深度学习框架。 [ 导读 ]近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FA

07

TensorFlow基本使用教程

TensorFlow是一个开源软件库，用于各种感知和语言理解任务的机器学习。它是目前应用最广泛的机器(深度)学习框架，利用TensorFlow，你可以很快的构建深度学习模型，目前在工业界应用非常广泛，截止到目前最新版本是tf.1.11。

04

【免费教学】Tensorflow Lite极简入门

边缘计算时代离我们越来越近，当前嵌入式设备的智能框架还是 TensorFlow Lite比较成熟，这里我准备用一系列免费课程和大家一起讨论下 TensorFlow Lite在移动设备上的应用，让我们的设备智能起来。

02

TensorFlow 2.0实战入门（上）

如果你正在读这篇文章，你可能接触过神经网络和TensorFlow，但是你可能会对与深度学习相关的各种术语感到有点畏缩，这些术语经常在许多技术介绍中被掩盖或未被解释。本文将深入介绍TensorFlow 2.0的初学者教程，从而让大家对其中的一些主题有所了解。

02

基于tensorboard的模型训练过程可视化

2018年9月14日笔记阅读本文的前提是已经阅读《基于tensorflow的一元二次方程回归预测》，文章链接：https://www.jianshu.com/p/b27860402fe3 本文使用tensorboard对一元二次方程回归预测的模型训练过程做可视化展现。

03

TFRecord简介，原理分析，代码实现？[通俗易懂]

在利用深度学习算法搭建完成网络之后，我们要对网络进行训练，要训练网络就要有训练数据，通常我们会直接对硬盘上存放数据进行操作，来fetch到网络中。这样直接从硬盘上读取数据太慢了，为了加快数据读取，今天我们介绍一种比较好的数据格式 tfrecord,那么什么是tfrecord呢？

02

TensorFlow在工程项目中的应用视频+文字转录（下）

本周四，雷锋网 AI 研习社邀请了跨国 IT 巨头 Thoughtworks 的资深数据架构师白发川，主讲线上公开课，为大家讲解 TensorFlow 在工程项目中的应用。讲师白发川：自我介绍一下，我是 Thoughtworks 白发川，之前一直从事大数据，后来我们开始做人工智能方向的一些尝试和工作。我们致力于将人工智能、机器学习、大数据结合在一块。在研究了了很多相关的机器学习框架之后，我们也做了自己的深度学习框架——deeplearning.scala。它由 scala 编写，目前是开源的，大家可

05

都在关心TensorFlow2.0，那么我手里的1.x程序怎么办？

TensorFlow 是谷歌在 2015 年开源的一个通用高性能计算库。从一开始，TensorFlow 的主要目的就是为构建神经网络（NN）提供高性能 API。然而，借助于机器学习（ML）社区对它的兴趣以及时间上的优势，这个类库演变成了一个完整的 ML 生态系统。

03

基于Opencv的图片人脸检测

本篇内容介绍如何使用opencv，scipy，tensorflow来实现计算机人脸检测。（用一点也是用 =.=）先声明一下，本篇内容是在图片中的人脸检测，调动计算机摄像头的人脸识别链接：链接：https://blog.csdn.net/weixin_43582101/article/details/88913164

01

一款入门神器TensorFlowPlayground

本文介绍一款有趣的入门工具，可以在线（网页端）直接搭建简易的网络并可视化整个训练的过程！

02

TensorFlow 安装详解

摘要: 原创出处:www.bysocket.com 泥瓦匠BYSocket 希望转载，保留摘要，谢谢！

04

Tensorflow c++实践（使用cmake vs2015 编译tensorflow源码）

写这篇文章的主要目的是为了总结这一个多月对tensorflow应用到c++语言上面走过的路。因为身边的人都少有使用c++实现tensorflow的使用，都是自己一点坑一点坑踩过来。所以想总结一番，也分享给大家一起探讨。第一次写，写的不好的地方请大家多多指正。我是在Github下载tensorflow源码，编译可以供vs2015使用的tensorflow库，然后将我们项目training得到的.ckpt文件固定成.pb文件，经过c++调用，跑出了想要做到的效果。这里介绍的是如何编译供c++使用的tensorflow库，并且是GPU版本。

[Tensorflow] TensorFlow之Hello World！（2）

TensorFlow入门的第一篇和大家聊了？graph图，op操作，node节点。对TensorFlow有了一个简单的认识，今天主要和大家分享的是TensorFlow中constant 常量， Variable变量，Placeholder占位符，Session启动图，fetches，feed等几个基本概念。接下来我们通过一些简单的栗子分别来学习一下他们都是什么鬼。 # constant # 导入模块 import tensorflow as tf """ 怎么定义常量，常量的意思和我们平时理解的常量是一

07

tf.py_func

封装一个python函数并将其用作TensorFlow op。给定一个python函数func，它以numpy数组作为参数并返回numpy数组作为输出，将这个函数包装为张量流图中的一个操作。下面的代码片段构造了一个简单的TensorFlow图，它调用np.sinh() NumPy函数作为图中的操作:

03

tf.lite

它允许您使用一组TensorFlow操作并注释构造，以便toco知道如何将其转换为tflite。这在张量流图中嵌入了一个伪函数。这允许在较低级别的TensorFlow实现中嵌入高级API使用信息，以便以后可以替换其他实现。本质上，这个伪op中的任何“输入”都被输入到一个标识中，并且属性被添加到该输入中，然后由构成伪op的组成ops使用。

06

使用Go语言来理解Tensorflow

【译者注】本文通过一个简单的Go绑定实例，让读者一步一步地学习到Tensorflow有关ID、作用域、类型等方面的知识。以下是译文。 Tensorflow并不是机器学习方面专用的库，而是一个使用图来表示计算的通用计算库。它的核心是用C++实现的，并且还有不同语言的绑定。Go语言绑定是一个非常有用的工具，它与Python绑定不同，用户不仅可以通过Go语言使用Tensorflow，还可以了解Tensorflow的底层实现。绑定 Tensorflow的开发者正式发布了： C++源代码：真正的Tensorflow

基于TensorFlow实现Skip-Gram模型

作者 | 天雨粟整理 | AI100（rgznai100）原文 - https://zhuanlan.zhihu.com/p/27296712 前言上一篇的专栏介绍了Word2Vec中的Skip-Gram模型(https://zhuanlan.zhihu.com/p/27234078)，如果看过的小伙伴可以直接开始动手用TensorFlow实现自己的Word2Vec模型，本篇文章将利用TensorFlow来完成Skip-Gram模型。还不是很了解Skip-Gram思想的小伙伴可以先看一下上一篇的专

04

TensorFlow基础

TensorFlow 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels].

01

TensorFlow必知基础知识

TensorFlow概要 Google第一代分布式机器学习框架DistBelief１，在内部大规模使用后并没有选择开源。而后第二代分布式机器学习系统TensorFlow２终于选择于2015年11月在GitHub上开源，且在2016年4月补充了分布式版本，并于2017年1月发布了1.0版本的预览，API接口趋于稳定。目前TensorFlow仍处于快速开发迭代中，有大量新功能及性能优化在持续研发。TensorFlow最早由Google Brain的研究员和工程师开发，设计初衷是加速机器学习的研究，并快速地

06

张量的基础操作

张量是一个多维数组，它是标量、向量和矩阵概念的推广。在深度学习中，张量被广泛用于表示数据和模型参数。

01

[阿里DIN] 从模型源码梳理TensorFlow的乘法相关概念

本文基于阿里推荐 DIN 和 DIEN 代码，梳理了下深度学习一些概念，以及TensorFlow中的相关实现。

02

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第12章使用TensorFlow自定义模型并训练

目前为止，我们只是使用了TensorFlow的高级API —— tf.keras，它的功能很强大：搭建了各种神经网络架构，包括回归、分类网络、Wide & Deep 网络、自归一化网络，使用了各种方法，包括批归一化、dropout和学习率调度。事实上，你在实际案例中95%碰到的情况只需要tf.keras就足够了（和tf.data，见第13章）。现在来深入学习TensorFlow的低级Python API。当你需要实现自定义损失函数、自定义标准、层、模型、初始化器、正则器、权重约束时，就需要低级API了。甚至有时需要全面控制训练过程，例如使用特殊变换或对约束梯度时。这一章就会讨论这些问题，还会学习如何使用TensorFlow的自动图生成特征提升自定义模型和训练算法。首先，先来快速学习下TensorFlow。

03

tf.py_func()

tensorflow中所有的tensor只是占位符，在没有用tf.Session().run接口填充值之前是没有实际值的，不能对其进行判值操作，如if ... else...等，在实际问题中，我们可能需要将一个tensor转换成numpy array 然后进行一些 np的运算，然后返回tensor这样可以加强tensorflow的灵活性。在目标检测算法Faster R-CNN中，需要计算各种ground truth，接口比较复杂。因此，使用tf.py_func是一个比较好的途径。对于tf.py_func的使用，可以参见计算RPN的ground truth和计算proposals的ground truth时的使用方法。可以看到，都是将tensor转化成numpy array，再使用np.操作完成复杂运算。封装一个python函数并将其用作TensorFlow op。

04

一文详解 Word2vec 之 Skip-Gram 模型（实现篇）

前言上一篇的专栏介绍了Word2Vec中的Skip-Gram模型的结构和训练，如果看过的小伙伴可以直接开始动手用TensorFlow实现自己的Word2Vec模型，本篇文章将利用TensorFlow来完成Skip-Gram模型。还不是很了解Skip-Gram思想的小伙伴可以先看一下上一篇的专栏内容。本篇实战代码的目的主要是加深对Skip-Gram模型中一些思想和trick的理解。由于受限于语料规模、语料质量、算法细节以及训练成本的原因，训练出的结果显然是无法跟gensim封装的Word2Vec相比的

04

教程 | 维度、广播操作与可视化：如何高效使用TensorFlow

选自GitHub 机器之心编译参与：Nurhachu Null、李泽南本文从 Tensorflow 基础、理解静态维度和动态维度、广播操作（Broadingcast 的好处和坏处）、使用 Python 操作的原型内核和先进的可视化等几个方面详细梳理如何高效使用TensorFlow。 Tensorflow 基础 TensorFlow 和其他诸如 numpy 之类的数学计算库的根本区别在于：在 TensorFlow 中，运算操作是符号化的。这是一个强大的思想，它能够让 TensorFlow 做任何事情（例如

05

深度学习中常见的损失函数（摘自我的书）

在深度学习分类任务中，我们经常会使用到损失函数，今天我们就来总结一下深度学习中常见的损失函数。

01

TensorFlow2.0--Chapter02基本概念与操作

特殊情况需要人工更新，可以变量赋值语句assign()来实现还可以assign_add(),assign_sub()方法来实现变量的加法和减法值更新

02

一看就懂的Tensorflow实战（卷积神经网络）

注意，这里只需要给出输入数据，输出通道数，卷积核大小即可。 Pooling layers 模块提供了多个池化方法，这几个池化方法都是类似的，包括 max_pooling1d()、max_pooling2d()、max_pooling3d()、average_pooling1d()、average_pooling2d()、average_pooling3d()，分别代表一维二维三维最大和平均池化方法，它们都定义在 tensorflow/python/layers/pooling.py 中，这里以 > max_pooling2d() 方法为例进行介绍。 max_pooling2d( inputs, pool_size, strides, padding='valid', data_format='channels_last', name=None ) 参数说明如下：

03

使用 Go 语言学会 Tensorflow

Tensorflow 并不是一个专门用于机器学习的库，相反的，它是一个通用的用于图计算的库。它的核心部分是用 C++ 实现的，同时还有其它语言的接口库。Go 语言版本的接口库与 Python 版本的并不一样，它不仅有助于我们使用 Go 语言调用 Tensorflow，同时有助于我们了解 Tensorflow 的底层实现。

02

图深度学习入门教程（二）——模型基础与实现框架

深度学习还没学完，怎么图深度学习又来了？别怕，这里有份系统教程，可以将0基础的你直接送到图深度学习。还会定期更新哦。

04

导论丨图说深度学习丨神经网络和 TensorFlow (附视频中字)

CDA字幕组编译整理本文为 CDA 数据分析师原创作品，转载需授权 Youtube数据科学领域的热门博主sentdex，经常会分享关于Python和机器学习相关的教程，这次他用画图的形式讲解了深度学习、神经网络和TensorFlow。 CDA字幕组对该视频进行了汉化，附有中文字幕的视频如下：视频内容导论丨图说深度学习丨神经网络和TensorFlow 针对不方面开视频的小伙伴，CDA字幕组也贴心的整理了文字版本，如下：大家近况如何，欢迎观看机器学习系列教程。我们将讲解深度学习、神经网络、T

08

机器学习篇(七)

非监督学习非监督学习的特点:只有特征值没有目标值。当没有目标值时，只能把相似的特征归为一个类别。这种分析方法叫做聚类。聚类的过程：如果知道可以划分为多少个类别：这里以划分x个类别为例： 1、随即在数据中抽取x个样本，当做x个类别的中心点 2、计算其他点分别到这三个点的距离(欧氏距离),距离那个中心点近就划分为那个类别 3、计算每个类别的平均值，这个这个值于中心点相同，结束聚类。如果不相同，以计算出的平均值为中心点，再次重复2,3步。如果不知道需要划分为几类，就需要当做超参数处理。模块： s

03

代码解析深度学习系统编程模型：TensorFlow vs. CNTK

本文从程序员的角度对CNTK和TensorFlow做高层次的对比。本文也不属于性能分析，而是编程模型分析。文中会夹杂着大量的代码。原标题：当TensorFlow遇见CNTK CNTK是微软用于搭建深

07

2018年度盘点：机器学习开源项目及框架（附链接）

我们先来看看Mybridge AI 中排名靠前的顶级开源项目，再聊聊机器学习今年都有哪些发展，最后探寻下新的一年中会有哪些有值得我们期待的事情。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭