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

OpenSimplex噪声生成问题(看起来是随机的，是我的函数错了吗？)

OpenSimplex噪声是一种用于生成连续、无缝、自然的伪随机数的算法。它是由Kurt Spencer在2014年开发的，是Simplex噪声的一种改进版本。

OpenSimplex噪声相比于传统的Perlin噪声和Simplex噪声具有以下优势：

更高的性能：OpenSimplex噪声在生成高维噪声时具有更高的性能，尤其在3D和4D噪声生成方面表现出色。
无方向性：传统的Simplex噪声在不同方向上的采样结果可能存在明显的差异，而OpenSimplex噪声通过使用更复杂的采样方法，消除了这种方向性。
无缝连接：OpenSimplex噪声生成的噪声图像在不同区域之间没有明显的边界，可以实现平滑的过渡。

OpenSimplex噪声适用于许多应用场景，包括但不限于：

游戏开发：用于生成地形、纹理、云层、水面等自然元素。
图像处理：用于生成纹理、过滤图像、增加细节等。
动画和影视特效：用于模拟自然现象、生成特殊效果等。
数据可视化：用于生成自然风貌、模拟气候变化等。

腾讯云提供了一系列与噪声生成相关的产品和服务，其中包括：

腾讯云图像处理（https://cloud.tencent.com/product/tci）：提供了丰富的图像处理功能，可以用于生成、处理和过滤噪声图像。
腾讯云游戏多媒体引擎（https://cloud.tencent.com/product/gme）：提供了游戏开发所需的音视频处理能力，可用于在游戏中应用噪声生成算法。
腾讯云人工智能（https://cloud.tencent.com/product/ai）：提供了各种人工智能服务，如图像识别、语音识别等，可以与噪声生成算法结合使用，实现更多的应用场景。

希望以上信息对您有所帮助。

相关搜索:我的函数是错的吗？(javascript的新特性)为什么我的随机生成器代码是错误的？dplyr left_join函数不完全连接，看起来是随机的NA 问题是我的函数还是我试图使用的数据集？当逻辑看起来是正确的时候，为什么我的函数不工作？我可以创建一个属性值是随机生成的数字的对象吗？如何使用node.js检查我生成的随机数是否是唯一的？为什么我的机器人上的数据看起来是随机重置的，没有任何更新或通知？你好，我是JavaScript新手，我有一个关于isNan()函数的问题谁能告诉我CRF特征函数是如何根据给定的模板生成的？我得到的lcounter是正确的，但pcounter是随机的值，比如32751。我不认为它是未初始化的。有人能解释这个问题吗？为什么我的绘图标签尽管是在函数中生成的，但仍在更改？通过引用助手函数来传递随机数生成器mt19937是正确的吗？我的Vue "wheel.vue“组件有什么问题？当它呈现为html时，它看起来是空的？为什么我的Unity CharController破折号函数不能推动我朝着正确的方向前进，尽管看起来是正确的值？我想访问javascript函数中的一个输入字段，它的id是用php代码生成的。Moment.JS说date在使用.format()时是无效的，但在使用isvalid()函数时是有效的，我该如何解决这个问题？“生成函数返回null。有问题的小部件是:信息生成函数永远不能返回null。若要返回空格，请执行以下操作：”我的代码是一个c#随机生成的数学测验，我需要在结束时显示用户的正确和错误答案的结果我在Java中遇到了很多随机性的问题，想知道是否有人可以帮助我？我是个编程新手。

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

用StyleGAN生成“权力的游戏”人物（上）

在神经网络想象出Jon和Daenerys的孩子是什么样子之前(我猜，剧透警告)，我们需要退后一步，明确定义我们到底需要什么来确保我们不会这样做: 如果你读过这篇文章，在生成的图像上得到Jon Snow头发的高斯曲率是目前最紧迫的问题...因此，图像生成器的最终架构如下所示：当然，如果不知道这些卷积滤波器的权重是多少，我们的生成器模型现在能做的就是输出随机噪声。真糟糕。我们现在需要的，除了一个充满图像的硬盘，还有一个丢失功能。...我们需要一些东西来告诉我们的生成器是错是对，也就是一个老师。对于图像分类，这种损失函数几乎是数学之神赋予我们的。...因为一旦我们有了这样一个函数，我们就可以使用已知的方法(即反向传播和梯度下降)使其最大化。不幸的是，在对数和余弦看来，Sansa Stark和高斯噪声几乎是一样的。...让我再说一遍：拍一张图片，然后返回一个数字，上面写着它是真的还是假的（“1”是真的，0”是假的）。输入：图像。输出：二进制值。你明白了吗？这不仅仅是一个损失函数，而是一个完整的神经网络。

1.4K7 0

对抗生成网络-文字到图片的合成Generative Adversarial Text to Image Synthesis

使用描述生成图片的话，能够正确表达文本的正确图像样例是很多的，比如鸟，生成的图片各种鸟都不能说是错的，文字的改变会影响大片区域pixel的变化，而且没有什么关联性。...下载原论文地址原始GAN Gan的损失函数 x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。...而作者论文实际是这么来做生成网络的，首先我们将之前得到的文本向量，用网络全连接层对文本向量压缩，最后得到128维向量，在原来的随机噪声后面直接相连（concate）输入生成网络中生成图片。...在做风格转换的时候，首先使用S提取生成器一张图像的风格信息，得到s(style)，然后将随机噪声替换为s，s和文本进行组合输入给生成器得到某风格下的图像。...后两个方法看起来，生成的花几乎都是一种花看看插值的作用左边是对描述内容的文本插值，可以清楚地看到这个目标的变化结果。

2.2K11 0

【数据链路层】封装成帧和透明传输和差错控制

注：最后有面试挑战，看看自己掌握了吗文章目录前言链路层功能功能封装成帧和透明传输组帧的四种方法透明传输差错控制检错编码差错链路层的差错控制检错编码纠错编码链路层代码实现博主昵称...------局域网IEEE就用这种方法透明传输链路层好像看不到这样的信息单纯传送数据到目标差错控制检错编码插错都是由噪声引起的全局性：线路本身电气特性所产生的随机噪声，是信道固有的、随即存在...---------------解决办法：提高信噪比或者避免干扰局部性-----外部短暂原因造成的冲击噪声--------是产生差错的主要原因-----------利用编码技术拉解决差错位错—比特位错误...--------因材施教链路层的差错控制检错编码奇偶校验码—1的个数的奇偶------检错能力50% 循环冗余码CRC------数据发送之前，按照某种关系附加一定冗余位要传的数据 / 生成多项式...，有兴趣的伙伴可以在看完我的协议栈设计的基础上在进行追加 } 到这里我们就算介绍完了数据链路层以太网的数据包发送和接收的过程及实现，我们先在此简单总结一下：我们的数据发送，向上层提供的接口函数是：

8002 0

琼恩·雪诺和龙母的孩子会长啥样？让StyleGAN告诉你

来源：https://arxiv.org/abs/1603.07285 图像生成器的最终架构如下所示： ? 当然，如果没有任何关于卷积滤波器权重的合理概念，我们的生成器模型目前只能发出随机噪声。...现在，我们需要一个损失函数，而不是装满图像的硬盘。我们需要有个东西来告诉生成器它是对是错，也就是一个老师。对于图像分类，下面这个损失函数就很好。当我们配对好图像和标签后，可以这样做： ?...但不幸的是，在对数函数和余弦函数看来，珊莎·史塔克和高斯噪声几乎是一回事。 ?...这不是一个简单的损失函数问题，而是一个完全不同的神经网络。判别器区分生成图像真假的模型被称为判别器网络。 ? 判别器是一个卷积神经网络，被训练用来预测输出的图像是真还是假。...其中 G 是生成器，ϵ是向量，其组成部分是随机采样的小数字。但我们有 StyleGAN，正如其名，我们可以控制图像风格。就像我们对潜在向量所做的逐层注入一样，我们也可以对噪声这么做。

5479 0

深度 | 随机计算图：在随机结点中执行反向传播的新方法

首先，要更加正式的描述一下这个问题。假设近似推理（approximate inference）的学习目标如下： ? 或者是一个强化学习的目标函数： ?...这里双层圆环内的θ是可调参数的集合，蓝色的菱形是可以取随机值的随机点，但是它们的分布会依赖于θ（或许是通过一些复杂的已知函数来得到，例如神经网络），橙色的圆圈内的函数 f(x) 是我们要最大化的值。...反过来，如果 T 是可逆的，那么 T(x|θ) 逆就是一个「白噪声」/「标准噪声」的变换：它使用一些依赖于参数 θ 的随机变量，并将它们变成参数独立的随机变量。...注意，这个概率密度是比较容易计算的，如果我们将生成的样本 ε 进行参数重设，那么我们将得到我们所寻找的 x，即 x=T(ε|θ)，所以目标函数就可以表示为： ?...我并不认为这是一个有趣的场景，所以我们会考虑看起来很奇怪的二阶矩白噪声化处理变换 [T(x|μ,σ)]^-1=x−μσ+μ，其中 T(ε|μ,σ)=σ(ϵ−μ)+μ。

1.1K8 1

数据增强之图像变换与自定义transforms

在照片的拍照过程中，可能会由于设备、光线问题，造成色彩上的偏差，因此需要调整这些属性，抵消这些因素带来的扰动。...若为 a，则仅在 x 轴错切（保持x轴平行），在 (-a, a) 之间随机选择错切角度若为 (a, b)，x 轴在 (-a, a) 之间随机选择错切角度，y 轴在 (-b, b) 之间随机选择错切角度...实现椒盐噪声。椒盐噪声又称为脉冲噪声，是一种随机出现的白点或者黑点，白点称为盐噪声，黑点称为椒噪声。...信噪比 (Signal-Noise Rate，SNR) 是衡量噪声的比例，图像中正常像素占全部像素的占比。定义一个AddPepperNoise类，作为添加椒盐噪声的 transform。...在构造函数中传入信噪比和概率，在__call__()函数中执行具体的逻辑，返回的是 image。

4863 0

干货 | 季节性的分析才不简单，小心不要在随机数据中也分析出季节性

但实际上，这事儿却比我预期的要复杂点儿。在这篇文章中，我将分享我在处理这个项目时遇到的一些问题以及我是如何应对的。...系列分解首先，我将时间序列分解为趋势，季节性和噪声成分。这些成分看起来像这个样子。 ? 这个时间序列有多季节性？...但是，在谷歌搜索季节性分解的几个例子中，我遇到的每个季节性成分都显示出周期性。所以，我制作了一个 0 到 1000 之间随机数据点组成的时间序列，并对其进行了分解。分解以后看起来像这样。 ?...考虑到我们的系列看起来更接近随机数据，而不是纯粹的季节性数据，季节性分解如果说会有结果的话，那它似乎将指向一个弱季节性。在此，我对这个结论持怀疑态度，于是决定寻找更多的证据。...随机生成的时间序列的ACF 在这里，有一些尖峰，但它们都非常牢固地在锥体内，所以这个ACF不支持季节性趋势的存在。这是我们时间序列的 ACF。 ?

3.1K2 0

干货 | 季节性的分析才不简单，小心不要在随机数据中也分析出季节性

但实际上，这事儿却比我预期的要复杂点儿。在这篇文章中，我将分享我在处理这个项目时遇到的一些问题以及我是如何应对的。...系列分解首先，我将时间序列分解为趋势，季节性和噪声成分。这些成分看起来像这个样子。 ? 这个时间序列有多季节性？...但是，在谷歌搜索季节性分解的几个例子中，我遇到的每个季节性成分都显示出周期性。所以，我制作了一个 0 到 1000 之间随机数据点组成的时间序列，并对其进行了分解。分解以后看起来像这样。 ?...考虑到我们的系列看起来更接近随机数据，而不是纯粹的季节性数据，季节性分解如果说会有结果的话，那它似乎将指向一个弱季节性。在此，我对这个结论持怀疑态度，于是决定寻找更多的证据。...随机生成的时间序列的ACF 在这里，有一些尖峰，但它们都非常牢固地在锥体内，所以这个ACF不支持季节性趋势的存在。这是我们时间序列的 ACF。 ?

9411 0

训练不稳定、调参难度大，这里有 7 大法则带你规避 GAN 训练的坑！

因此，在浏览了一些对人有所启发的论文和 Github 代码仓库后，我决定亲自尝试训练一个简单的 GAN。不出所料，我立刻就遇到了一些问题。本文的目标读者是从 GAN 入门的热爱深度学习的朋友。...最终，生成器研究清楚了问题，开始生成看起来真实的猫图像。训练 GAN 的方法类似于博弈论中的极大极小算法，两个网络试图达到同时考虑二者的纳什均衡。更多细节，请参阅本文底部给出的参考资料。...我最终用一个 0-0.1 之间的随机数来代表「标签 0」（真实图像），并使用一个 0.9-1 之间的随机数来代表「标签 1」（生成图像）。在训练生成器时则不用这样做。...此外，添加一些带噪声的标签是有所帮助的。在我的实验过程中，我将输入给判别器的图像中的 5% 的标签随机进行了反转，即真实图像被标记为生成图像、生成图像被标记为真实图像。 4....7.不要采用早停法（early stopping）可能是由于我缺乏耐心，我犯了一个愚蠢的错误——在进行了几百个 minibatch 的训练后，当我看到损失函数仍然没有任何明显的下降，生成的样本仍然充满噪声时

2K3 0

AI入门 | 十分钟了解当前热门的扩散模型（Diffusion Model）

扩散模型重复反复地进行加入噪声和去噪处理,模拟多种随机过程,从而学会如何从随机性中提取复杂的模式。这是生成式模型的重要技术与研究方向之一。什么是机器学习中的扩散模型？...1.去噪扩散概率模型 (DDPM)DDPM是用于概率数据生成的一种扩散模型，专门用于生成高质量的数据。如前所述，扩散模型通过对随机噪声应用一系列转换来生成数据。...这个过程是怎样进行的呢？首先，DDPM从含有随机噪声的数据（比如模糊的图片）开始。然后，它逐步应用一系列复杂的变换，这些变换是DDPM在训练过程中学习到的。...想象一下，你有一堆数据，比如一系列图片或声音，你想基于这些来创造一些全新但又看起来很自然的样本。这就是SGMs擅长的事情！SGMs的核心技术是一种叫做“评分函数”的智能计算方法。...它们通过一种评分函数来引导模型。这个评分函数是随机微分方程的解答，它帮助模型学习如何适应并理解数据的分布。这就像是告诉模型在数据的海洋中如何航行，以便找到正确的路径。

11.1K0 0

使用 GAN 网络生成名人照片

生成式对抗网络（GANs）是一组模型，他们基本上学习创建与其给出的输入数据类似的合成数据。 ? 鉴别器的任务是确定给定图像是否看起来自然（即，是来自数据集的图像）还是看起来它是人工创建的。...生成器的任务是创建与原始数据分布类似的自然外观图像，这些图像看起来足够自然以欺骗鉴别器网络。首先给生成器一个随机噪声，使用它产生假图像，然后将这些假图像与原始图像一起发送到鉴别器。...第二部分 'z'是随机噪声样本，G（z）是使用噪声样本生成的图像。这个术语的解释和之前很相似。生成器总是希望最大化鉴别器被生成的图像蒙骗的概率。...3）模型输入和网络结构我将图像的宽，高，channel和噪声参数作为模型的输入，随后生成器也会使用它们生成假图像。生成器结构： ?...在解卷积层之后，生成器结构具有致密层和全连接层（除输出层外每一层都有批量标准化，leaky ReLu和dropout）。生成器将随机噪声向量z，之后把它重塑为4D形状并把它传递给一系列上采样层。

3621 0

图像生成器——用GAN生成辛普森家族

GAN背后潜在的原理就是在一个零和博弈的框架里包含了两个彼此相互对抗的神经网络，即生成器和鉴别器。生成器生成器将随机噪声作为输入，并生成样本作为输出。...它的目标是生成实际上看起来是假的，但会让判别器认为是真实图像的样本。我们可以将生成器视为一个造假者。...数据流和反向传播尽管极小极大表示两种对抗网络相互对抗看起来很合理，但是我们依然不知道如何让它们自我改进，最终将随机噪声转变成一个逼真图像。 ? ? 随机噪声到逼真的图像让我们从判别器开始吧。...生成器将随机噪声作为输入，将样本输出来欺骗判别器让它认为那是一个真实的图像。一旦生成器的输出经过判别器，我们就能知道判别器判断出了那是一个真实图像或者是一个伪造图像。...一些研究者发现调整判别器和生成器之间的训练运行比率对结果也有好处。在我的项目里1：1的比率是表现最好的，但也能随意使用它。

1.7K1 0

随机计算图：连续案例

去年我介绍了一些现代的变分推理理论。这些方法通常与深度神经网络结合使用，形成深度生成模型（例如VAE），或者利用随机控制丰富确定性模型，从而导致更好的探索。或者您可能对分期推算感兴趣。...基本上，这个想法是这样的：如果一些随机变量可以被分解成其他随机变量的组合，那么我们能够转换我们的随机计算图，使得我们不需要通过随机反向传播，并且将随机性注入到模型中作为独立噪声？...这是这个评估者与评分函数之间至关重要的区别：后来我们用他们的“分数”对随机方向进行了平均，而在这里我们学习了独立噪声的仿射变换，使得变换后的样本位于大f（x）。...广义的重新参数化技巧重新画面化技巧可以被看作是将一些独立噪声转换成期望的随机变量T（ε|θ）。...但是，如果T是一个身份地图，那么它什么都不做，那么[m23.png]，我们恢复得分函数估计量。这个公式看起来不错，但是要求我们知道[m24.png]的分布来对εε进行取样。

1.6K0 0

R语言BUGSJAGS贝叶斯分析: 马尔科夫链蒙特卡洛方法（MCMC）采样|附代码数据

MCMC本质上是一种特殊类型的随机数生成器，旨在从难以描述（例如，多元，分层）的概率分布中采样。在许多/大多数情况下，后验分布是很难描述的概率分布。...二元正态例子请记住，MCMC采样器只是随机数生成器的一种。我们可以使用Metropolis-Hastings采样器来开发自己的随机数生成器，生成进行简单的已知分布。...让我们运行更长的时间，看看是否得到的东西看起来更像是随机数生成器（白噪声）########### 再试一次-运行更长的时间chain.length <- 20000oldguess <- startingvo2...<- guesses[-c(1:bur现在，让我们再次看一下链条在评估这些迹线图时，我们希望看到看起来像白噪声的“平稳分布”。...-我们寻找以下内容来评估收敛性：当视为“轨迹图”时，每个参数的链应看起来像白噪声（模糊的毛毛虫）或类似的噪声多个具有不同起始条件的链条看起来应该相同我们可能在这里可以做得更好的一种方法是使链条运行更长的时间

1.5K2 0

使用 SecureRandom 产生随机数采坑记录

，从我们的监控来看，接口执行阻塞，看起来像陷入了某种死循环。...但是 /dev/random 是一个阻塞数字生成器，如果它没有足够的随机数据提供，它就一直等，这迫使 JVM 等待。键盘和鼠标输入以及磁盘活动可以产生所需的随机性或熵。...内核中随机数发生器 PRNG 为一个字符设备 random,代码实现在 drivers/char/random.c，该设备实现了一系列接口函数用于获取系统环境的噪声数据，并加入熵池。.../dev/random 可生成高随机性的公钥或一次性密码本。若熵池空了，对/dev/random 的读操作将会被阻塞，直到收集到了足够的环境噪声为止。...这表示对/dev/urandom 的读取操作不会产生阻塞，但其输出的熵可能小于/dev/random 的。它可以作为生成较低强度密码的伪随机数生成器，对大多数应用来说，随机性是可以接受的。

3.5K2 0

一文读懂自动编码器

通常，自动编码器中使用的激活函数是非线性的，典型的激活函数是ReLU（整流线性函数）和sigmoid/S函数。网络背后的数学原理理解起来相对容易。...因此，我们基本上是在一些概括的非线性压缩之后重建原始图像。编码网络可以用激活函数传递的标准神经网络函数表示，其中z是潜在维度。...自动编码器的目的是选择编码器和解码器函数，这样就可以用最少的信息来编码图像，使其可以在另一侧重新生成。...另一个问题就是空间的可分性，上图中有几个数字被很好地分离，但也有一些区域被标签字符是随机分布的，这让我们很难区分字符的独特特征（在这个图中就是数字0-9）。还有一个问题是无法研究连续的潜在空间。...但是也许不希望每次都生成一摸一样的数字‘2’，就好像上述端游例子所提的植物，所以我们根据一个随机数和“已学”的数值‘2’分布范围，在潜在空间给这一过程添加了一些随机噪声。

8662 0

开发 | 自Ian Goodfellow之后，GANs还有哪些开拓性进展？

生成对抗网络（GANs）概述我在之前的博文，《9篇你要知道的深度学习论文》，里提到过Ian Goodfellow生成对抗网络的论文。...辨别模型的任务是决定一张图片是自然的（来自数据集）还是人工合成的。生成器的任务是生成看起来自然，和原始数据分布类似的图片。这可以被看做是一个两者间的零和或极小极大博弈。...为了矫正这个问题，Emily Denton, Soumith Chintala, Arthur Szlam, 和Rob Fergus四人发表了《基于拉普拉斯金字塔生成式对抗网络的深度生成图像模型（Deep...如果我没理解错的话，它主要的目标是，如果把两幅图送到经过训练的卷积网络后，再比较两幅图各自的特征激活量，两幅图是相似的。...有了这个新的损失函数，生成器可以确保输出看起来自然的更高清图像，同时相比低清图像，也有相似的像素空间。 ?

7727 0

自 Ian Goodfellow 之后，GANs 还有哪些开拓性进展？

辨别模型的任务是决定一张图片是自然的（来自数据集）还是人工合成的。生成器的任务是生成看起来自然，和原始数据分布类似的图片。这可以被看做是一个两者间的零和或极小极大博弈。...为了矫正这个问题，Emily Denton, Soumith Chintala, Arthur Szlam, 和Rob Fergus四人发表了《基于拉普拉斯金字塔生成式对抗网络的深度生成图像模型（Deep...每一层都有它自己的CNN，并由两部分训练。一部分是低清图像，另一部分是噪声向量（这是传统GAN的唯一输入）。这就是在多输入情况下，CGAN发挥作用的时候了。...如果我没理解错的话，它主要的目标是，如果把两幅图送到经过训练的卷积网络后，再比较两幅图各自的特征激活量，两幅图是相似的。...有了这个新的损失函数，生成器可以确保输出看起来自然的更高清图像，同时相比低清图像，也有相似的像素空间。 ?

6636 0

对抗性攻击的原理简介

你可能认为深度学习很容易形成非线性决策边界，是的整体上是这样的，但几乎每一个深度学习架构都是分段线性的（想想激活函数）。所以当一个点靠近线性边界时，即使是少量的噪声也能将其推到决策边界的另一侧。...随着 epsilon 的增加模型更有可能被愚弄，但扰动也变得更容易识别。对抗噪声可能看起来像随机噪声，但它肯定不是。它会根据像素在最终分类结果中的重要性，为每个像素添加不同数量的噪声。...我所知道的唯一算法是 SVM 的高斯或 RBF 核，它的 VC 维数为无穷大，这意味着理论上它甚至可以在神经网络无法做到的无穷维中分离点。正是因为这个原因，RBF-SVM 对对抗样本具有鲁棒性。...对于除 RBF-SVM 之外的任何其他分类器，研究人员都可以生成任何被预测为 0、1、2….、9 的数字并且无论从人还是从机器角度看输入中也没有任何明显的噪声。...看看下面的图片，一组是好的，另一组是坏的，但是对人类的眼睛来说，它们看起来是一样的。

3844 0

对抗性攻击的原理简介

你可能认为深度学习很容易形成非线性决策边界，是的整体上是这样的，但几乎每一个深度学习架构都是分段线性的（想想激活函数）。所以当一个点靠近线性边界时，即使是少量的噪声也能将其推到决策边界的另一侧。...随着 epsilon 的增加模型更有可能被愚弄，但扰动也变得更容易识别。对抗噪声可能看起来像随机噪声，但它肯定不是。它会根据像素在最终分类结果中的重要性，为每个像素添加不同数量的噪声。...我所知道的唯一算法是 SVM 的高斯或 RBF 核，它的 VC 维数为无穷大，这意味着理论上它甚至可以在神经网络无法做到的无穷维中分离点。正是因为这个原因，RBF-SVM 对对抗样本具有鲁棒性。...对于除 RBF-SVM 之外的任何其他分类器，研究人员都可以生成任何被预测为 0、1、2….、9 的数字并且无论从人还是从机器角度看输入中也没有任何明显的噪声。...看看下面的图片，一组是好的，另一组是坏的，但是对人类的眼睛来说，它们看起来是一样的。

5955 0

点击加载更多

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