YOLO11训练中的过拟合识别与应对策略:讲解过拟合的表现、原因及应对方法(如数据增强、正则化、DropOut)



🎬 Clf丶忆笙:个人主页


⛺️ 努力不一定成功,但不努力一定不成功!



一、过拟合现象全面解析

1.1 过拟合的本质与定义

过拟合(Overfitting)是机器学习和深度学习中的一个核心概念,简单来说,它指的是模型在训练数据上表现优异,但在未见过的测试数据上表现较差的现象。这就像一个学生死记硬背课本上的例题,考试时遇到稍微变化的题目就不会做了。在YOLO11这样的目标检测模型中,过拟合表现为模型对训练集中的图像检测效果完美,但对新图像的检测能力显著下降。

从技术角度看,过拟合是模型过度学习了训练数据中的噪声和特定特征,而没有掌握数据的普遍规律。数学上,我们可以将模型的误差分解为偏差(Bias)、方差(Variance)和不可约误差(Irreducible Error)三部分:

Total Error = Bias 2 + Variance + Irreducible Error \text{Total Error} = \text{Bias}^2 + \text{Variance} + \text{Irreducible Error} Total Er

YOLO模型训练核心参数详解与调优技巧 目标检测是计算机视觉中的基础任务,YOLO(You Only Look Once)作为实时目标检测的代表性算法,其训练过程涉及大量关键参数。理解模型架构参数、优化器选择、学习率调度等核心概念,是提升检测性能的基础。在工程实践中,合理配置batch size、epochs等训练参数,结合数据增强技术,能显著改善模型在COCO等基准数据集上的表现。特别是对于迁移学习场景,预训练模型加载和参数微调策略直接影响模型收敛速度和最终精度。本文深入解析YOLOv8训练中的参数作用机制,为开发者提供实用的调优指南。 阅读详情

相关推荐

YOLOv8图像分类过拟合问题解析与解决方案

在深度学习领域,过拟合是模型训练过程中常见的问题,表现为模型在训练集上表现优异但在验证集上性能下降。这种现象源于模型过度记忆训练数据细节而非学习泛化特征。从技术原理看,过拟合通常由数据量不足、模型复杂度与数据规模不匹配、训练策略不当等因素导致。针对计算机视觉任务,特别是YOLOv8这类先进模型,解决过拟合需要综合数据增强、正则化技术和训练策略优化。数据层面可采用Mosaic增强、类别平衡等方法;模型层面可通过Dropout、权重衰减等正则化手段;训练过程则需合理设置学习率调度和早停机制。这些方法在工业质检、

weixin_33728708的博客 493

YOLO模型训练后评估指南:解读结果文件与性能优化

目标检测是计算机视觉的核心任务之一,旨在识别图像中物体的位置与类别。其性能评估依赖于一系列量化指标,如精准率(Precision)、召回率(Recall)和平均精度均值(mAP),这些指标共同衡量模型定位与分类的准确性。理解这些指标的原理对于模型迭代至关重要,它们能揭示模型在“不错杀”与“不漏检”之间的权衡能力,直接决定模型在安防、自动驾驶、工业质检等实际场景中的技术价值。通过系统分析训练后自动生成的评估文件,如混淆矩阵和PR曲线,工程师可以科学诊断模型是过拟合还是欠拟合,精准定位数据集的类别不平衡或标注偏

weixin_30439067的博客 345

基于YOLO与PyQt5的工程车辆检测系统:从模型训练到桌面应用实战

目标检测是计算机视觉的核心任务之一,旨在识别图像或视频中的物体并定位其位置。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并预测边界框和类别。这项技术的价值在于将视觉信息转化为结构化数据,是实现环境感知与自动化决策的关键。在智慧城市、工业自动化及安防监控等应用场景中,对特定目标(如工程车辆)的实时、准确检测需求迫切。本文聚焦于工程车辆检测这一具体应用,深入探讨了如何利用YOLO系列模型实现高效检测,并结合PyQt5框架开发出用户友好的桌面应用程序,为相关领域的项目落地提供了从数据准备、模型训练到系统

weixin_34277853的博客 301

【YOLOv11】039、YOLOv11模型调试:常见训练问题分析与解决(不收敛、过拟合等)

摘要:本文针对YOLOv11训练过程中的常见问题提供了系统解决方案。首先排查Loss不下降问题,建议检查数据加载、梯度流动和学习率设置;其次分析Loss震荡原因,提出调整batch size、优化数据增强和选择合适优化器的策略;然后针对过拟合问题,推荐组合使用正则化手段和智能早停策略;最后分享调试心法,强调从简单测试开始、监控关键指标和耐心观察的重要性。文章通过具体代码示例和实战经验,帮助开发者快速定位和解决模型训练中的典型问题,提升训练效率和模型性能。

企鹅码农的专属播客,分享10多年的实战案例和经验解读,包含YOLO、RT-DETR、AI等各个工作领域。 233

YOLO11训练中的批量归一化(BatchNorm)设置:BatchNorm在训练与推理时的差异,以及冻结BN层的场景

本文介绍了深度学习中的批量归一化(BatchNorm)技术及其变体。BatchNorm通过标准化每层输入数据分布,有效解决内部协变量偏移问题,提升模型训练稳定性和收敛速度。文章详细解析了BatchNorm的数学原理与实现方式,包括均值、方差计算及标准化公式。同时介绍了多种变体:GroupNorm通过分组处理解决小批次敏感问题;LayerNorm对单个样本特征归一化,适用于RNN和Transformer。这些归一化技术在YOLO11等目标检测模型中尤为重要,能加速收敛、防止梯度问题并减少过拟合。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 331

YOLO11训练中的标签平滑(Label Smoothing)技术:标签平滑的原理、参数设置及其对模型泛化能力的提升

YOLO11目标检测模型中的标签平滑技术通过软化独热编码标签,将正确类别概率设为(1-ε),其他类别设为ε/(K-1),有效防止模型过度自信。该技术从信息论角度增加了标签分布的熵,在独热编码与均匀分布间取得平衡,提升了模型泛化能力。在YOLO11的多组件损失函数中,标签平滑主要作用于分类损失部分,通过调整交叉熵损失优化目标,使模型在分类、定位和置信度预测间取得更好平衡。标签平滑参数ε通常取值0.01-0.2,需根据具体任务调整,是提升目标检测性能的重要正则化手段。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 152

YOLOv11微型数据集实战:从零构建室内人脸耳朵检测模型

目标检测是计算机视觉的核心任务,旨在识别图像中特定目标的位置与类别。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并利用边界框回归和分类头实现定位与识别。这项技术的核心价值在于将像素数据转化为结构化信息,为高层应用提供基础感知能力。在实际工程中,数据集的构建与处理是决定模型性能的关键环节,尤其对于细粒度识别或特定场景任务,通用大规模数据集往往难以满足需求。此时,制作一个高质量、场景聚焦的微型专用数据集,结合YOLO等高效架构进行快速验证与微调,成为解决实际问题的有效路径。本文以“室内人脸耳朵”这一具

weixin_34364071的博客 330

YOLOv11实战:从零构建石头剪刀布手势识别数据集与模型

目标检测是计算机视觉的核心任务之一,旨在识别图像中特定物体的位置与类别。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并利用边界框回归和分类器实现定位与识别。这项技术的价值在于能将视觉信息结构化,是实现自动化、智能化应用的关键。在众多应用场景中,手势识别因其在体感交互、智能控制等领域的潜力而备受关注。本文聚焦于使用最新的YOLOv11框架,详细阐述如何针对“石头剪刀布”这一经典手势,从零开始完成高质量**自定义数据集**的采集、标注与构建,并以此为基础进行模型训练与优化,最终实现实时检测。整个过程深

weixin_30598225的博客 416

基于YOLO的公路落石检测:从282张VOC数据集到完整模型训练部署

目标检测是计算机视觉的核心任务之一,旨在识别图像中特定物体的位置与类别。其主流算法如YOLO(You Only Look Once)通过单阶段网络结构,在精度与速度间取得了优异平衡,成为工业部署的首选。这项技术的核心价值在于将视觉感知能力赋予机器,使其能自动化完成监控、识别与预警。在智慧交通、地质灾害监测等应用场景中,目标检测技术正发挥着关键作用。本文聚焦于一个具体的工程实践——公路落石检测,深入探讨如何利用**YOLOv8**框架与**数据增强**策略,克服小样本数据集(如仅282张VOC格式图片)带来的

chuannaoxuan4674的博客 395

红蚂蚁检测数据集与YOLO训练实战:小目标检测全流程指南

目标检测是计算机视觉的核心任务之一,其原理是通过算法自动识别图像或视频中的特定物体并定位其位置。这项技术的核心价值在于将海量视觉信息转化为结构化数据,广泛应用于自动驾驶、工业质检、安防监控和农业科研等领域。在农业昆虫监测等场景中,小目标检测尤为关键,它要求模型能精准识别像素占比极小的物体,如密集的红蚂蚁。本文以红蚂蚁检测为具体案例,深入解析了包含1000张图片及VOC、COCO、YOLO三种格式标签的数据集构建,并详细阐述了基于YOLOv8框架的完整训练流程、针对小目标的图像增强策略(如Mosaic增强)以

weixin_34159110的博客 385

棉花病害检测YOLO数据集详解与模型训练实战指南

目标检测是计算机视觉的核心任务之一,其原理是通过算法自动识别图像中特定目标的位置与类别。在工业界,YOLO系列因其出色的速度与精度平衡,成为最流行的实时目标检测框架。其技术价值在于能够将复杂的视觉识别问题转化为高效的回归任务,广泛应用于自动驾驶、工业质检、安防监控等领域。在农业智能化场景中,作物病害的自动识别与检测是精准农业的关键环节,而高质量、已标注的专用数据集是模型研发的基石。本文聚焦于一个包含约4,600张已标注图像的棉花病害数据集,该数据集以YOLO格式交付,覆盖黄萎病、角斑病等典型病害,具备“开箱

weixin_30897079的博客 341

YOLOv11室内人脸耳朵检测数据集构建与模型训练全流程解析

目标检测是计算机视觉的核心任务之一,旨在识别图像中特定物体的位置与类别。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并利用回归和分类头预测边界框。这项技术在安防监控、自动驾驶、医疗影像分析等领域具有重要价值。在特定应用场景中,如智能门禁的活体检测辅助或视频会议的虚拟饰品佩戴,往往需要针对特定部位(如人耳)进行精细化检测。本文聚焦于**室内场景**下的**人脸耳朵检测**,详细介绍了从零构建一个高质量、针对性强的专用数据集,并利用YOLOv11模型完成训练、评估与优化的完整工程实践,为相关垂直应用提

weixin_34288121的博客 325

本体研究综述(转)

(这篇文章是从http://imarine.blog.163.com/中转载过来的,个人觉得对本体的介绍比较全面!)本体综述本体作为一种能在语义和知识层次上描述领域概念的建模工具,其目标是捕获相关领域的知识,确定该领域内共同认可的词汇,通过概念之间的关系来描述概念的语义,提供对该领域知识的共同理解。语义Web(the Semantic Web)是在本体理论基础之上对现有Web所进行的扩展[

zhenshideni611的专栏 1839

channel || channelGroup || ctx.writeAndFlush()发送字符串消息客户端接收不到的原因

一、原因 网络上传播的数据都是字节(二进制数据)类型。我们如果直接向网络流里面写入一个对象(如:String对象),是无法传输的。只有将对象序列化(转换为可以传输的字节类型)之后,才可以进行传输。所以问题的根源就很清楚了,需要把字符串转换成字节进行传输。、 二、解决办法 1、手动序列化 服务端: channelGroup.writeAndFlush(Unpooled.copiedBuffer("【客户端】"+remoteAddress+"已下线"+format.format(new Date()), Cha

haohaoxuexiyai的博客 4065

MaixCAM2 4K AI相机硬件解析与开发实战

嵌入式AI视觉开发中,边缘计算设备的选择直接影响项目落地效果。以NPU为核心的AI加速技术通过专用指令集优化,可在低功耗下实现10+TOPS算力,典型应用包括工业质检、智能门禁等实时场景。MaixCAM2作为新一代4K AI相机,搭载AX630 SoC芯片,其双核Cortex-A53与NPU的异构架构,在运行YOLOv11n模型时可达113FPS,显著优于传统方案。开发时需注意模型量化部署技巧,如INT8量化需500+张校准图片覆盖多光照条件,避免准确率下降。设备扩展性方面,PMOD接口支持热成像、ToF传

weixin_30819085的博客 694

1、使用Spark SQL查询Databricks:全面指南

本博客全面介绍了如何使用Spark SQL在Databricks平台上进行高效的数据查询与分析。内容涵盖SQL基础操作、数据过滤、复杂查询技巧、简单与高级计算、数据聚合、日期处理等核心主题,适合数据分析师、开发人员及SQL学习者。通过逐步讲解和实用示例,帮助读者掌握从入门到高级的SQL技能,并提供学习路径建议和免费代码资源,助力实际数据分析工作。

redis7keeper的博客 91

华为OD机试真题2026双机位C卷 Python&JS 实现【明日之星选举】

给定一组选票votes。votes[i]代表第 i 张选票的内容,包含一个字符串"zhangsan,hanmei",表示推荐zhangsan为明日之星,反对 hanmei 称为明日之星。赞成或反对使用逗号(,)分割。 给定一个数组n,表示最后将筛选出赞成票最多的n个人,如果赞成票相同,则反对票越少,排序越靠前;如果赞成票和反对票都相同,则按照姓名字典序升序排序。

MISAYAONE的博客 325

UWB芯片DW3000之PDOA测向实现源码

本文详细介绍如何基于UWB芯片DW3000之PDOA测向的源码实现。

DT程序员的博客 2619

【思考模型框架】MECE原则,确保分析时,考虑到的所有因素,既不重叠又无遗漏

MECE原则,是Mutually Exclusive and Collectively Exhaustive的缩写,中文译为“相互独立、完全穷尽”。MECE原则,这是一种逻辑思维和组织信息的方法,旨在确保分析时既没有遗漏也没有重复。MECE原则,相互独立、完全穷尽(Mutually Exclusive,Collectively Exhaustive)的原则MECE原则,确保分析时考虑到的所有因素既不重叠又无遗漏。

奶爸的编程之路,也就一周冷个三天 2758

华为OD机试真题 新系统2026-04-01 Python&JS 实现【勇攀数字高峰】

请你在给定的数字地形图中寻找登山路径,数字代表当前位置的海拔高度,要求从最低海拔出发,不断攀登,最终到达最高山峰。你需要寻找所有满足条件的登山路径。地图已经保证最低海拔和最高山峰都只有一个。

MISAYAONE的博客 860

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上一篇: YOLOv11 ONNX Runtime自定义算子实战:扩展Deformable Conv等非标准操作的完整指南
下一篇: Apache TVM深度学习编译器实战:YOLOv11跨硬件自动代码生成与优化全解析
Clf丶忆笙
Clf丶忆笙 优质创作者: Java、人工智能技术领域 优质创作者: Java、人工智能技术领域
博客等级 码龄12年 8663粉丝 1593原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

Clf丶忆笙

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
⌂ 换网址