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

如何从小批量中获取原始索引？

从小批量中获取原始索引的方法有多种，具体取决于数据的存储方式和索引的类型。以下是一些常见的方法：

数据库索引：如果数据存储在关系型数据库中，可以使用数据库的索引功能来获取原始索引。数据库索引是一种数据结构，可以加快数据的检索速度。常见的数据库索引类型包括B树索引、哈希索引等。通过在查询语句中指定索引列，可以快速定位到符合条件的数据行。
全文搜索引擎：如果需要从文本数据中获取原始索引，可以使用全文搜索引擎。全文搜索引擎可以对文本进行分词、建立倒排索引等操作，以支持高效的全文搜索。常见的全文搜索引擎包括Elasticsearch、Solr等。通过在搜索语句中指定关键词，可以获取包含该关键词的原始索引。
分布式文件系统：如果数据存储在分布式文件系统中，可以通过文件路径来获取原始索引。分布式文件系统将文件划分为多个块，并分布在不同的节点上存储。通过文件路径可以唯一确定文件的位置，从而获取原始索引。
特定数据结构：如果数据采用特定的数据结构进行存储，可以直接从数据结构中获取原始索引。例如，如果数据使用数组或链表进行存储，可以通过下标或指针来获取原始索引。

需要注意的是，不同的数据存储方式和索引类型适用于不同的场景。在选择获取原始索引的方法时，需要根据具体的需求和数据特点进行选择。

腾讯云相关产品和产品介绍链接地址：

腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云全文搜索引擎：https://cloud.tencent.com/product/tse
腾讯云分布式文件系统：https://cloud.tencent.com/product/cfs

相关搜索:如何在python中对列表排序后获取原始索引如何从小叶多边形获取坐标在solr中索引原始标记如何从小型转储文件中获取崩溃的进程id 获取删除条目后的原始列表的索引如何在PHP中获取原始请求？如何在TreeView中获取原始值？如何在$group中获取原始值？列表排序后如何保存原始索引？如何保留向量元素的原始索引？groupby pandas中的原始索引列如何在elasticsearch中从索引中获取索引in Pine脚本如何从小数中删除整数如何从哈希值中获取原始值？如何从std::exception中获取原始异常？如何在Alamofire 5中获取原始请求？如何在QWebEngineView中获取原始答案数据？用于获取数组中的原始索引的二进制搜索如何获取in中数据的索引如何从当前索引中获取其他索引

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

动手学深度学习(十) NLP 语言模型与数据集

语言模型一段自然语言文本可以看作是一个离散时间序列，给定一个长度为的词的序列，语言模型的目标就是评估该序列是否合理，即计算该序列的概率：本节我们介绍基于统计的语言模型，主要是元语法（ -gr

02

深度学习中的9种归一化方法概述

深度学习模型正在创建一些复杂任务的最先进模型，包括语音识别、计算机视觉、机器翻译等。然而，训练深度学习模型（如深度神经网络）是一项复杂的任务，因为在训练阶段，各层的输入不断变化。

03

[MXNet逐梦之旅]练习一·使用MXNet拟合直线手动实现

[MXNet逐梦之旅]练习一·使用MXNet拟合直线手动实现 code #%% from matplotlib import pyplot as plt from mxnet import autograd, nd import random #%% num_inputs = 1 num_examples = 100 true_w = 1.56 true_b = 1.24 features = nd.arange(0,10,0.1).reshape((-1, 1)) labels = true_w * f

02

【GAN优化】小批量判别器如何解决模式崩溃问题

GAN的第二季开始更新了，还是熟悉的配方，还是熟悉的味道。第一季更新了12篇小文，只解读了GAN的冰山一角，第二季将作为第一季的“零零星星”的补充，讲解包括其他的损失函数、训练算法等等方面，并且会扩展到隐空间、离散数据等方向。今天将先介绍一个处理模式崩溃问题的小方法—小批量判别器，作为对上一季模式崩溃问题的补充吧。

03

按部就班的吴恩达机器学习网课用于讨论（15）

数据越多，自然训练效果越好，在训练过程中，过拟合与欠拟合的指标通过绘图确定，据此调整超参数。

02

深度模型中的优化(一)、学习和纯优化有什么不同

深度学习在许多情况下都涉及优化。例如，模型中的进行推断(如PCA)涉及求解优化问题。我们经常使用解析优化去证明或设计算法。在深度学习涉及到的诸多优化问题中，最难的是神经网络训练，甚至是几百台机器投入几天到几个月来解析单个神经网络训练问题，也是很常见的。因为这其中的优化问题很重要，代价也很高，因此研究者们开发了一组专门为此设计的优化技术。下面关注一类特定的优化问题：寻找神经网络上的一组参数，它能显著的降低代价函数，该代价函数通常包括整个训练集上的性能评估和额外的正则化。

03

CVPR 2022丨特斯联AI提出：基于图采样深度度量学习的可泛化行人重识别

最近的研究表明，显式深度特征匹配以及大规模多样化的训练数据均可显著提升行人重识别的泛化能力。但是，在大规模数据上，学习深度匹配器的效率还未得到充分研究。近日，特斯联科技集团首席科学家邵岭博士及团队提出了一种高效的小批量采样（mini-batch sampling）方法——图采样（Graph Sampling， GS），用于大规模深度度量学习，极大改善了可泛化行人重识别。目前，该研究成果（题为: Graph Sampling Based Deep Metric Learning for Generaliz

04

CPVR2020|无监督视觉表征学习中的动量对比

今天给大家介绍的是何凯明等人在CVPR2020上发表的文章MomentumContrast for Unsupervised Visual Representation Learning。如果从字典查找的角度看对比学习，那么这篇文章提出了动量对比（Moco）的方法，就是利用队列和移动平均编码器构建出动态字典进行查找。这就能够动态地构建一个大而一致的字典，从而增强无监督对比学习。实验结果表明Moco学习到的表征能够很好地用到下游任务中。Moco在7个检测/分割任务中超过了其他通过有监督预训练模型的结果。这表明在许多视觉任务中，无监督和有监督的表征学习之间的差距已经基本上被缩小了。

01

【翻译】Efficient Data Loader for Fast Sampling-Based GNN Training on Large Graphs

Efficient Data Loader for Fast Sampling-Based GNN Training on Large Graphs | IEEE Journals & Magazine | IEEE Xplore

04

Batch Normalization论文翻译——中文版

本文介绍了深度学习模型在图像识别领域中的技术细节和最新进展，包括卷积神经网络、循环神经网络和图像识别的广泛应用。

00

无惧大规模GNN，用子图也一样！中科大提出首个可证明收敛的子图采样方法｜ ICLR 2023 Spotlight

---- 新智元报道编辑：好困【新智元导读】中科大王杰教授团队提出局部消息补偿技术，解决采样子图边缘节点邻居缺失问题，弥补图神经网络（GNNs）子图采样方法缺少收敛性证明的空白，推动 GNNs 的可靠落地。图神经网络（Graph Neural Networks，简称 GNNs）是处理图结构数据的最有效的机器学习模型之一，也是顶会论文的香饽饽。然而，GNNs 的计算效率一直是个硬伤，在大规模图数据上训练 GNNs 常常会遇上邻居爆炸（neighbor explosion）问题——节点表示和随

01

生产型企业成本管理模式面面观

20世纪70年代以来，由于信息革命席卷全球，科学技术迅猛发展，市场需求结构发生显着变化，人们的消费行为越来越倾向于多样化和个性化；这促使市场由共性需求向个性需求转变，传统的大批量、标准化生产向小批量、个性化生产过渡。现代小批量生产型企业并不具有大批量生产下的成本领先优势，其竞争优势主要将通过差别化竞争战略获得。差别化竞争战略是指提供与众不同的产品和服务以满足顾客的特殊需求，以取得持久竞争优势。小批量生产企业，在关注如何获取其竞争优势的同时，应注意到产品的价格必须为顾客所接受，避免在价格昂贵情况下片面追求差

09

Parrot：用于文本到图像生成的帕累托最优多奖励强化学习框架

最近的工作表明，使用具有质量奖励的强化学习（RL）可以提高文本到图像（T2I）生成中生成图像的质量。然而，多个奖励的简单聚合可能会导致某些指标的过度优化和其他指标的退化，并且手动找到最佳权重具有挑战性。所以非常需要一种有效的策略来联合优化 RL 中的多种奖励以生成 T2I。

01

Batch Size对神经网络训练的影响

这篇文章非常全面细致地介绍了Batch Size的相关问题。结合一些理论知识，通过大量实验，文章探讨了Batch Size的大小对模型性能的影响、如何影响以及如何缩小影响等有关内容。

02

D2L学习笔记03：从零实现一个线性回归

接下来将从零开始实现线性回归整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器。虽然现代的深度学习框架几乎可以自动化地进行所有这些工作，但从零开始实现可以确保你真正知道自己在做什么。同时，了解更细致的工作原理将方便我们自定义模型、自定义层或自定义损失函数。在这一节中，我们将只使用张量和自动求导。

02

对于小批量梯度下降以及如何配置批量大小的入门级介绍

随机梯度下降是训练深度学习模型的主要方法。

05

深度学习之线性回归

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。

01

GoogLeNetv2 论文研读笔记

当前神经网络层之前的神经网络层的参数变化，引起神经网络每一层输入数据的分布产生了变化，这使得训练一个深度神经网络变得复杂。这样就要求使用更小的学习率，参数初始化也需要更为谨慎的设置。并且由于非线性饱和（注：如sigmoid激活函数的非线性饱和问题），训练一个深度神经网络会非常困难。我们称这个现象为：internal covariate shift。同时利用归一化层输入解决这个问题。我们将归一化层输入作为神经网络的结构，并且对每一个小批量训练数据执行这一操作。Batch Normalization（BN）能使用更高的学习率，并且不需要过多地注重参数初始化问题。BN 的过程与正则化相似，在某些情况下可以去除Dropout

03

Batch Size对神经网络训练的影响

这篇文章非常全面细致地介绍了Batch Size的相关问题。结合一些理论知识，通过大量实验，文章探讨了Batch Size的大小对模型性能的影响、如何影响以及如何缩小影响等有关内容。

03

22个深度学习面试问题

3）使人们对模型有更好的理解-我们可以查看过滤器的权重并可视化网络“学习”的内容。

03

详述深度学习中优化算法的演变

深度学习典型代表是以神经网络为主的联结式算法，在深度学习问题中，通常会预先定义一个损失函数，并通过相应手段(即一些优化算法)使其损失最小化，以不断更新权值和偏移量，最后训练出一个泛化能力良好的模型。

03

深入解析CUDA内存溢出： OutOfMemoryError: CUDA out of memory. Tried to allocate 3.21 GiB (GPU 0； 8.00 GiB tota

在深度学习项目中，CUDA内存溢出（OutOfMemoryError）是一个常见的难题，尤其在使用PyTorch框架进行大规模数据处理时。本文详细讨论了CUDA内存溢出的原因、解决方案，并提供了实用的代码示例。我们将围绕OutOfMemoryError: CUDA out of memory错误进行深入分析，探讨内存管理、优化技巧，以及如何有效利用PYTORCH_CUDA_ALLOC_CONF环境变量来避免内存碎片化。本文内容丰富，结构清晰，旨在帮助广大AI开发者，无论是深度学习的初学者还是资深研究者，有效解决CUDA内存溢出问题。关键词包括CUDA内存溢出、PyTorch、内存管理、内存碎片化、深度学习优化等，确保容易被搜索引擎检索到。

01

深度学习面试必备的25个问题

答：否则，我们将获得一个由多个线性函数组成的线性函数，那么就成了线性模型。线性模型的参数数量非常少，因此建模的复杂性也会非常有限。

01

最优解的平坦度与鲁棒性，我们该如何度量模型的泛化能力

选自inFERENCe 作者：Ferenc Huszár 机器之心编译参与：陈韵竹、刘晓坤深度网络最优解附近的平坦度一直是我们理解模型泛化性能的重点，通常较为平坦的最优解有更好的鲁棒性。而本文作者则进一步提出一个好的指标可能不仅涉及平均损失函数极小值附近的平坦度，还涉及两个平坦度指标之间的比率。我看到大家在 Twitter 和 Reddit 中谈论这篇论文《Visualizing the Loss Landscape of Neural Nets》，于是撰写此文。这篇论文与《Sharp Minima

07

Momentum Contrast for Unsupervised Visual Representation Learning

我们提出了无监督视觉表征学习的动量对比(MoCo)。从作为字典查找的对比学习[29]的角度来看，我们构建了具有队列和移动平均编码器的动态字典。这使得能够动态构建一个大型且一致的词典，从而促进对比无监督学习。MoCo在ImageNet分类的通用线性协议下提供了有竞争力的结果。更重要的是，MoCo了解到的情况很好地转移到了下游任务中。在PASCAL VOC、COCO和其他数据集上，MoCo在7项检测/分割任务中的表现优于其监督的预训练对手，有时甚至远远超过它。这表明，在许多视觉任务中，无监督和有监督表示学习之间的差距已经基本消除。

03

深度 | 最优解的平坦度与鲁棒性，我们该如何度量模型的泛化能力

选自inFERENCe 作者：Ferenc Huszár 机器之心编译参与：陈韵竹、刘晓坤深度网络最优解附近的平坦度一直是我们理解模型泛化性能的重点，通常较为平坦的最优解有更好的鲁棒性。而本文作者则进一步提出一个好的指标可能不仅涉及平均损失函数极小值附近的平坦度，还涉及两个平坦度指标之间的比率。我看到大家在 Twitter 和 Reddit 中谈论这篇论文《Visualizing the Loss Landscape of Neural Nets》，于是撰写此文。这篇论文与《Sharp Minima

06

截断梯度

强非线性函数往往倾向于非常大或非常小幅度的梯度。这导致的困难是，当参数梯度非常大时，梯度下降的参数更新可以将参数抛出很远，进入目标函数较大的区域，到达当前解所做的努力变成了无用功。梯度告诉我们，围绕当前参数的无穷小区域内最速下降的方向，这个无穷小区域之外，代价函数可能开始沿曲线背面而上。更新必须被选择为足够小，以避免过分穿越向上的曲面。我们通常使用衰减足够慢的学习率，使连续的步骤具有大致相同的学习率。适合于一个相对线性的地形部分的步长经常在下一步进入地形中更加弯曲的部分时变得不适合，会导致上坡运动。

01

训练GANs的陷阱与提示

生成性对抗网络（GANs）是目前深度学习中最热门的话题之一。在过去几个月里，在GANs上发表的论文数量大幅增加。GANs已经被应用于各种各样的问题，如果您错过了那一班车，这里有了关于GANs的一些很酷的应用列表。

04

离散优化代替反向传播：Pedro Domingos提出深度学习新方向

选自arXiv 作者：Abram L. Friesen & Pedro Domingos 机器之心编译在改革深度学习、抛弃反向传播的道路上我们不仅看到了 Geoffrey Hinton 的努力。近日，《终极算法》一书作者，华盛顿大学计算机科学教授 Pedro Domingos 也提出了自己的方法——离散优化。神经分类的原始方法是学习单层模型，比如感知机（Rosenblatt, 1958）。但是，将这些方法扩展至多层比较困难，因为硬阈值单元（hard-threshold unit）无法通过梯度下降进行训

06

每日一学——最优化（下）

梯度计算计算梯度有两种方法：一个是缓慢的近似方法（数值梯度法），但实现相对简单。另一个方法（分析梯度法）计算迅速，结果精确，但是实现时容易出错，且需要使用微分。现在对两种方法进行介绍：利用有限差值计算梯度上节中的公式已经给出数值计算梯度的方法。下面代码是一个输入为函数f和向量x，计算f的梯度的通用函数，它返回函数f在点x处的梯度： def eval_numerical_gradient(f, x): """ 一个f在x处的数值梯度法的简单实现 - f是只有一个参数的函数 - x是计算梯度

批量梯度下降法（BGD）、随机梯度下降法（SGD）和小批量梯度下降法（MBGD）

在机器学习中，对于很多监督学习模型，需要对原始的模型构建损失函数，接下来便是通过优化算法对损失函数进行优化，以便找到最优的参数。梯度下降法作为机器学习中较常使用的优化算法，在其求解过程中，只需要求解损失函数的一阶导数，计算的代价比较小。基本思想可以理解为：我们从山上的某一点出发，找一个最抖的坡走一步（也就是找梯度方向），到达一个点之后，再找最陡的坡，再走一步，直到不断的走，走到最低点（最小花费函数收敛点）

01

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类|附代码数据

本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类。最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。

01

机器学习学习笔记（22）深度模型中的优化

用于深度模型训练的优化算法与传统的优化算法在几个方面有所不同。机器学习通常是简接作用的，再打所述机器学习问题中，我们关注某些性能度量P，其定义于测试集上并且可能是不可解的。因此，我们只是间接地优化P，我们希望通过降低代价函数

03

《Improving Deep Neural Networks》的理论知识点

从图中可以得知如果是使用小批量梯度下降法，看来是可以接受的，如果是使用批量梯度下降，有些事情是错误的。

01

从概念到实践，我们该如何构建自动微分库

选自Medium 作者：Maciej Kula 机器之心编译参与：程耀彤、蒋思源像 PyTorch 或 TensorFlow 这样通用的自动微分框架是非常有用和高效的，而且在大多数情况下，几乎不需要再写一些更专门化的东西。然而本文作者构建了一个自动微分库，以高效地计算小批量数据上的训练。此外，作者还详细描述了在构建自动微分库中的过程与思考，是理解自动微分理念的优秀博文。我最近开始写自己的 autodiff 程序包。这篇博客文章记录了我一路以来学到的东西，并把它当成 Julia Evans 的「穷人版」

kafka中的Sticky分区方法

消息在系统中传输所需的时间对 Apache Kafka® 等分布式系统的性能起着重要作用。在 Kafka 中，生产者的延迟通常定义为客户端生成的消息被 Kafka 确认所需的时间。正如一句老话所说，时间就是金钱，为了让系统运行得更快，最好尽可能减少延迟。当生产者能够更快地发送消息时，整个系统都会受益。

02

懂点深度学习：【白话】模型

问题导读 1.什么是机器学习模型？ 2.机器学习数学符号是如何认识的？ 3.损失函数的作用是什么？我们可能听说过机器学习、深度学习。可是我们可能觉得非常神秘或则难懂。有这种感觉，是因为对人工智能缺乏了解造成的。深度学习和我们的传统编程其实是差不多的，关键是我们要懂里面的逻辑，或则说知识，或则说门道，懂了这些，我们机器学习就会比较简单了。这里给大家说说，我们经常听到的“模型”，什么是机器学习模型，模型训练，怎么个训练法。提前说明的是，这里我们举例，举例的时候大家可能看到一些特殊的符号就懵逼了，其实这都是我们的错觉造成的，比如2的N次方，我们知道它是2*2*2.。N，这是它表示的含义。可能当我们看到

02

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类|附代码数据

本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类（点击文末“阅读原文”获取完整代码数据）。

02

机器学习算法（1）--梯度下降法的几种形式

阅读目录 1. 批量梯度下降法BGD 2. 随机梯度下降法SGD 3. 小批量梯度下降法MBGD 4. 总结　　在应用机器学习算法时，我们通常采用梯度下降法来对采用的算法进行训练。其实，常用的梯度下

07

学界 | Facebook 新研究：大批量SGD准确训练ImageNet仅需1小时

选自arXiv 机器之心编译参与：蒋思源由于近来互联网数据越来越大，深度学习模型越来越复杂，执行训练的时间也越来长。因此近日 Facebook 提出了一种将批量大小提高的分布式同步 SGD 训练方法，希望能有助于解决越来越长的训练时间。以下机器之心对该文论进行了部分编译，该论文详细内容请查看论文链接。论文：Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour 论文链接：https://research.fb.com/wp-content

07

【动手学深度学习笔记】之线性回归实现

这一节不牵扯深度学习框架，仅使用Tensor和autograd库来训练线性回归模型。

05

为什么小批量会可以使模型获得更大的泛化

来源：Deephub Imba本文约2000字，建议阅读5分钟本文为你介绍了如批量大小在机器学习中的重要性。批大小是机器学习中重要的超参数之一。这个超参数定义了在更新内部模型参数之前要处理的样本数量。上图为使用 SGD 测试不同批量大小的示例。批量大小可以决定许多基于深度学习的神经网络的性能。有很多研究都在为学习过程评估最佳批量大小。例如，对于 SGD可以使用批量梯度下降（使用批量中的所有训练样本）或小批量（使用一部分训练数据），甚至在每个样本后更新（随机梯度下降）。这些不同的处理方式可以改变模型训

05

【阅读】A Comprehensive Survey on Distributed Training of Graph Neural Networks——翻译

Graph neural networks (GNNs) have been demonstrated to be a powerful algorithmic model in broad application fields for their effectiveness in learning over graphs. To scale GNN training up for large-scale and ever-growing graphs, the most promising solution is distributed training which distributes the workload of training across multiple computing nodes. However, the workflows, computational patterns, communication patterns, and optimization techniques of distributed GNN training remain preliminarily understood. In this paper, we provide a comprehensive survey of distributed GNN training by investigating various optimization techniques used in distributed GNN training. First, distributed GNN training is classified into several categories according to their workflows. In addition, their computational patterns and communication patterns, as well as the optimization techniques proposed by recent work are introduced. Second, the software frameworks and hardware platforms of distributed GNN training are also introduced for a deeper understanding. Third, distributed GNN training is compared with distributed training of deep neural networks, emphasizing the uniqueness of distributed GNN training. Finally, interesting issues and opportunities in this field are discussed.

03

Facebook 开源深度学习推荐模型 DLRM，可直接用 PyTorch 和 Caffe2 实现！

随着深度学习的出现，基于神经网络的个性化和推荐模型已经成为包括 Facebook 等公司构建推荐系统的重要工具。然而，这些模型与其他深度学习模型有很大的不同，因为它们必须能够处理用于描述高级属性的分类数据。对于一个神经网络来说，有效地处理这类稀疏的数据是很有挑战性的，而且由于公开的代表性模型和数据集细节的缺乏，减缓了其研究进展。

01

机器学习学习笔记（3）梯度下降

梯度下降法是一种常用的一阶优化方法，是求解无约束优化问题最简单、最经典的方法之一。

01

开发 | Facebook 开源深度学习推荐模型 DLRM，可直接用 PyTorch 和 Caffe2 实现！

AI 科技评论按，随着深度学习的出现，基于神经网络的个性化和推荐模型已经成为包括 Facebook 等公司构建推荐系统的重要工具。然而，这些模型与其他深度学习模型有很大的不同，因为它们必须能够处理用于描述高级属性的分类数据。对于一个神经网络来说，有效地处理这类稀疏的数据是很有挑战性的，而且由于公开的代表性模型和数据集细节的缺乏，减缓了其研究进展。

03

推荐收藏 | Dropout、梯度消失/爆炸、Adam优化算法，神经网络优化算法看这一篇就够了

对于机器学习模型在训练数据集和测试数据集上的表现。如果你改变过实验中的模型结构或者超参数，你也许发现了：当模型在训练数据集上更准确时，它在测试数据集上却不⼀定更准确。这是为什么呢？

02

Dropout、梯度消失、Adam 优化算法，神经网络优化算法看这一篇就够了

对于机器学习模型在训练数据集和测试数据集上的表现。如果你改变过实验中的模型结构或者超参数，你也许发现了：当模型在训练数据集上更准确时，它在测试数据集上却不⼀定更准确。这是为什么呢？

00

解锁机器学习-梯度下降：从技术到实战的全面指南

梯度下降（Gradient Descent）是一种在机器学习和深度学习中广泛应用的优化算法。该算法的核心思想非常直观：找到一个函数的局部最小值（或最大值）通过不断地沿着该函数的梯度（gradient）方向更新参数。

01

Dropout、梯度消失/爆炸、Adam优化算法，神经网络优化算法看这一篇就够了

对于机器学习模型在训练数据集和测试数据集上的表现。如果你改变过实验中的模型结构或者超参数，你也许发现了：当模型在训练数据集上更准确时，它在测试数据集上却不⼀定更准确。这是为什么呢？

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