GPT模型实战:从零开始搭建一个简单的文本生成器(Python代码示例)

OpenAI最新的4o图像生成模型 gpt-image-1 国内调用教程及深度解析:开发代码示例 gpt-image-1是OpenAI在2024年推出的新一代图像生成模型,也被称为"4o"模型。分辨率:支持生成更高清晰度的图像,最高可达1792×1024像素理解能力:更准确地理解复杂提示词,包括空间关系、数量和属性描述技术指标:生成图像的逼真度、一致性和艺术性均有显著提升适应性:更好地处理各类风格转换和特定领域的专业图像需求gpt-image-1代表了AI图像生成技术的最新突破,为创意表达和视觉内容创作开辟了新的可能性。 阅读详情

GPT模型实战:从零搭建Python文本生成器

在人工智能领域,文本生成技术正以前所未有的速度改变着我们与机器交互的方式。想象一下,你只需要几行代码,就能让计算机写出诗歌、生成故事甚至帮你完成工作报告——这正是GPT模型带来的革命性变化。本文将带你从零开始,用Python构建一个属于自己的文本生成器,无需深厚的机器学习背景,只要掌握基本的编程知识就能上手。

1. 环境准备与工具安装

在开始之前,我们需要准备好开发环境。推荐使用Python 3.8或更高版本,这是大多数现代AI库的最佳支持版本。我们将主要依赖Hugging Face的Transformers库,它提供了简单易用的API来访问各种预训练模型。

首先创建一个新的虚拟环境(这能避免包版本冲突):

python -m venv gpt_env
source gpt_env/bin/activate  # Linux/Mac
# 或者 gpt_env\Scripts\activate  # Windows

然后安装必要的依赖:

pip install torch transformers sentencepiece

提示:如果你有NVIDIA GPU并想加速计算,可以安装CUDA版本的PyTorch。访问PyTorch官网获取适合你系统的安装命令。

验证安装是否成功:

import torch
print(torch.cuda.is_available())  # 检查GPU是否可用
from transformers import pipeline
print(pipeline('text-generation')('Hello,')[0]['generated_text'])

2. 模型加载与初始化

Hugging Face提供了多种规模的GPT模型,从轻量级的GPT-2到更强大的变体。考虑到本地运行的硬件限制,我们从小型模型开始。

from transformers import GPT2LMHeadModel, GPT2Tokenizer

# 加载预训练模型和分词器
model_name = "gpt2"  # 也可尝试"gpt2-medium"或"gpt2-large"获取更强性能
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)

# 设置模型为评估模式(非训练模式)
model.eval()

模型加载后,了解其基本参数很重要:

参数名称说明典型值
max_length生成文本的最大长度50-200
temperature控制生成随机性(值越高越随机)0.7-1.0
top_k保留概率最高的k个token候选30-50
top_p核采样,从累积概率超过p的token中选择0.9-0.95
repetition_penalty抑制重复内容的惩罚因子1.0-2.0

3. 文本生成核心实现

现在我们来编写生成文本的核心函数。这个函数将处理用户输入,调用模型生成续写内容,并返回可读的文本结果。

def generate_text(prompt, max_length=100, temperature=0.7, top_k=50):
    # 将输入文本转换为模型可理解的token ID
    input_ids = tokenizer.encode(prompt, return_tensors="pt")
    
    # 生成文本
    output = model.generate(
        input_ids,
        max_length=max_length,
        temperature=temperature,
        top_k=top_k,
        do_sample=True,
        pad_token_id=tokenizer.eos_token_id
    )
    
    # 解码并返回生成的文本
    generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
    return generated_text

试试这个函数的效果:

print(generate_text("人工智能的未来发展趋势是"))

你可能得到类似这样的输出: "人工智能的未来发展趋势是向着更加智能化、个性化和人性化的方向发展。随着算法和计算能力的提升,AI将更深入地理解人类情感和需求..."

4. 参数调优与高级技巧

不同的参数设置会显著影响生成文本的质量。让我们通过几个实验来理解这些参数的作用。

4.1 温度参数实验

温度(temperature)控制生成的随机性:

prompt = "在一个遥远的星系"

# 低温度(更确定性)
print("低温结果:", generate_text(prompt, temperature=0.3))

# 高温度(更随机)
print("高温结果:", generate_text(prompt, temperature=1.2))

典型输出对比:

  • 低温可能产生:"在一个遥远的星系,存在着一个高度发达的文明..."
  • 高温可能产生:"在一个遥远的星系,香蕉会唱歌而星星像棉花糖一样柔软..."

4.2 Top-k和Top-p采样

这两种技术可以控制生成时的候选词范围:

# 仅使用top-k
print(generate_text("量子物理的基本概念是", top_k=30, top_p=None))

# 使用top-p(核采样)
print(generate_text("量子物理的基本概念是", top_k=0, top_p=0.92))

实际应用中,可以组合使用这些技术:

def balanced_generation(prompt):
    return generate_text(
        prompt,
        temperature=0.8,
        top_k=40,
        top_p=0.9,
        repetition_penalty=1.2
    )

4.3 处理长文本生成

当需要生成较长内容时,可以分段生成:

def generate_long_text(prompt, total_length=500, chunk_size=150):
    result = prompt
    for _ in range(total_length // chunk_size):
        chunk = generate_text(
            result,
            max_length=len(result.split())+chunk_size,
            temperature=0.7
        )
        result = chunk
    return result

注意:生成长文本时,可能会遇到重复或跑题的问题。可以通过调整repetition_penalty参数或添加更多上下文提示来改善。

5. 实际应用案例

现在我们将这个文本生成器应用到几个实际场景中,展示其多功能性。

5.1 自动写作助手

def writing_assistant(topic, style="formal"):
    prompt = f"以{style}风格写一段关于{topic}的文字:\n\n"
    return generate_text(
        prompt,
        temperature=0.7 if style=="formal" else 1.0,
        max_length=200
    )

print(writing_assistant("气候变化的影响", "学术"))
print(writing_assistant("夏日海滩", "诗意"))

5.2 代码生成

GPT模型也能帮助生成代码片段:

def generate_code(task, language="Python"):
    prompt = f"用{language}编写一个{task}的代码:\n\n"
    result = generate_text(
        prompt,
        temperature=0.5,  # 代码需要更确定性
        max_length=300
    )
    # 提取代码块
    return result.split("```")[1] if "```" in result else result

print(generate_code("快速排序算法"))

5.3 对话系统基础

构建一个简单的问答对话系统:

def chat_with_gpt():
    print("开始对话(输入'退出'结束)")
    context = ""
    while True:
        user_input = input("你:")
        if user_input.lower() == '退出':
            break
        context += f"\n用户:{user_input}\nAI:"
        response = generate_text(
            context,
            temperature=0.8,
            max_length=len(context)+100
        )
        # 只获取最新回复
        ai_response = response.split("AI:")[-1].strip()
        print("AI:", ai_response)
        context = response[:2000]  # 保持上下文长度

chat_with_gpt()

6. 性能优化技巧

随着使用深入,你可能会遇到性能问题。以下是几个优化建议:

6.1 减少内存占用

# 使用低精度推理
model.half()  # 转换为半精度浮点

# 启用缓存
model.config.use_cache = True

# 限制最大内存
from transformers import AutoConfig
config = AutoConfig.from_pretrained(model_name)
config.max_memory = {0: "6GB"}  # 根据你的GPU调整

6.2 批处理生成

同时生成多个文本可以提高效率:

def batch_generate(prompts):
    inputs = tokenizer(prompts, return_tensors="pt", padding=True)
    outputs = model.generate(
        **inputs,
        max_length=100,
        num_return_sequences=1,
        do_sample=True
    )
    return [tokenizer.decode(out, skip_special_tokens=True) for out in outputs]

print(batch_generate([
    "科技创新的重要性在于",
    "环保生活应该从"
]))

6.3 使用量化模型

# 加载8位量化模型
from transformers import BitsAndBytesConfig
quant_config = BitsAndBytesConfig(load_in_8bit=True)
quant_model = GPT2LMHeadModel.from_pretrained(model_name, quantization_config=quant_config)

7. 常见问题与解决方案

在实际使用中,你可能会遇到以下问题:

  • 生成内容不相关:尝试降低temperature值,或提供更明确的提示
  • 重复内容:增加repetition_penalty(如1.5)或使用top-p采样
  • 速度慢:考虑使用更小的模型或启用GPU加速
  • 内存不足:尝试量化模型或减少max_length

调试技巧:

# 检查输入token长度
print(len(tokenizer.encode("你的输入文本")))

# 监控GPU内存
print(torch.cuda.memory_allocated() / 1024**2, "MB used")

8. 扩展思路与进阶方向

掌握了基础文本生成后,你可以尝试以下进阶方向:

  • 微调模型:在特定领域数据上继续训练模型
from transformers import Trainer, TrainingArguments

training_args = TrainingArguments(
    output_dir="./results",
    per_device_train_batch_size=4,
    num_train_epochs=3,
    save_steps=10_000,
    save_total_limit=2,
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=your_dataset  # 需要准备训练数据
)
trainer.train()
  • 多模态应用:结合图像生成或语音合成
  • 部署为API:使用FastAPI或Flask创建web服务
from fastapi import FastAPI
app = FastAPI()

@app.post("/generate")
async def generate(prompt: str):
    return {"result": generate_text(prompt)}
  • 构建记忆系统:结合向量数据库实现长期记忆

在本地运行GPT模型虽然不如云端大模型强大,但它提供了完全的控制权和隐私保护。我在实际项目中发现,对于特定领域的任务,经过适当调优的小型GPT模型往往能产生令人惊喜的结果。最重要的是保持实验精神——不同的参数组合、提示工程技巧都可能带来质的飞跃。

从零实现GPT文本生成器:PyTorch手写Transformer核心原理 文本生成器是大语言模型最基础的应用形态,其本质依赖自回归建模机制——通过位置编码、多头注意力与残差连接协同完成序列预测。理解这一过程需穿透框架封装,直击因果掩码、LayerNorm初始化、CrossEntropyLoss错位标签等底层实现细节。这些技术不仅决定生成质量与训练稳定性,更构成模型可解释性与调试能力的根基。在字符级最小可行GPT实践中,开发者能真实掌握注意力权重如何被tril掩码约束、float('-inf')为何不可替换为-65504、以及weight=1对梯度流的关键作用。本文聚焦PyTorc 阅读详情

相关推荐

【毕业论文参考】如何在Python中构建一个简单的生成式AI模型

生成式AI是通过机器学习模型生成新的数据点(如文本、图像或音频)的技术。与传统的判别式模型不同,生成式模型注重学习数据的分布,并尝试从中采样新数据。生成对抗网络(GAN):通过对抗性训练生成逼真的数据。变分自编码器(VAE):通过隐变量模型生成高质量数据。Transformer 和 GPT 系列:专注于生成自然语言文本。在本教程中,我们将以文本生成为例,使用Python和深度学习框架实现一个简单的生成式AI模型。通过本文的学习,您已经掌握了如何使用Python构建一个简单的生成式AI模型。

二进制的梦想 1838

GPT模型实战:从零开始搭建一个简单的文本生成器(附Python代码)

本文详细介绍了如何从零开始搭建一个基于GPT模型的文本生成器,包含完整的Python代码实现。通过分步骤讲解模型架构、训练流程和文本生成方法,帮助开发者快速掌握GPT模型的核心原理和应用技巧。文章特别提供了实际应用案例和性能优化建议,适合想要深入理解GPT架构并实现文本生成功能的开发者。

weixin_29048309的博客 323

Python文章自动生成器火了!没错,它的名字叫“狗屁不通”

【导读】最近,一个名字相当接地气的“狗屁不通”文章生成器(https://github.com/menzi11/BullshitGenerator)火了,截至目前 GitHub 上 Star 数已超过 7300,还上了微博热搜。这个神器可以生成各种各样奇葩文章,比如领导专用“彩虹屁”万字长文。只有你想不到,没有这个神器写不成的文章。但是,生成的文章确实也是“狗屁不通”。这次我们就来解读一下,这个...

1734

利用 50 行 Python 代码构建一个在线文本生成器!

本指南将引导你学习构建一个自动完成任意输入文本的Web应用程序。 作者 |Dev Sharma 译者 |苏本如,责编 | 郭芮 出品 | CSDN(ID:CSDNnews) 以下为译文: 在本文中,我们将使用OpenAI的新一代表语言模型GPT-2来建立模型,使用Panel框架来构建web页面的仪表板。本指南分为两部分。在第一部分中,我们将加载我们的模型并编写一个...

CSDN资讯 2410

用开源大模型GPT-J本地部署故事生成器实战指南

大语言模型(LLM)是当前AI内容生成的核心技术,其原理基于海量文本的自回归预测与上下文建模;开源模型如GPT-J凭借参数规模适中、权重完全开放、支持本地化部署等特性,在可控性、隐私性与成本效益上展现出独特技术价值;广泛应用于小说创作、游戏文案、教育素材定制等需个性化、低延迟、高安全性的场景;本文聚焦于GPT-J这一60亿参数开源模型,详解如何在消费级硬件上完成环境搭建、量化推理、Prompt工程与迭代生成,实现真正属于创作者的私有化AI写作工作流。

weixin_30835649的博客 366

Python AI教程之 GPT-Neo:GPT-3 的开源 AI 内容生成器替代方案

GPT-Neo 是 GPT-3 的开源 AI 内容生成器,以及如何使用它来使用 Python 生成文本。在本教程中,我们将讨论名为GTP-Neo的开源AI内容生成器GPT-3替代方案。GPT代表生成预训练变压器,这是一种神经网络机器学习模型,使用互联网数据训练,根据提示生成文本。GPT 由 OpenAI 开发,可以通过其 API 和 API 密钥进行访问。该服务不是免费的,当您获得API密钥时,对允许的用例有严格的指导方针。GPT-Neo是GPT-2 /3的替代AI引擎,可通过变压器库获得。

iCloudEnd的博客 6754

GPT实战系列-LangChain实现简单链

LangChain使构建由LLMs驱动的应用程序变得简单,使用LangChain,可以在统一的界面中轻松与不同类型的LLMs进行交互,管理模型版本,管理对话版本,并将LLMs连接在一起。

Alex_StarSky的博客 1606

量化金融笔记1-股票量化基础

股票量化基础 文章目录什么是股票股票的定义及其诞生所解决的问题股票的主体和流通股票的常规分类股票价格收益率什么是股票价格的收益率股票价格收益率计算在python中的实现两种收益率算法的特点及应用场合股票交易规则场内交易与场外交易A股、B股、H股国内多层次的资本市场股票交易指令和撮合机制股票交易时间股票交易成本股票复权股票数据介绍与提取行业分类和指数行情数据因子数据标的数据基本面数据 什么是股票 股票的定义及其诞生所解决的问题 股票的定义:股票是一种有价证券,是股份有限公司公开发行的用以证明投资者的股东身份

折桂狂人的博客 2398

aitextgen快速入门:从零开始构建AI文本生成器的终极教程

aitextgen是一款强大的Python工具,专为基于GPT-2的文本AI训练和生成而设计。本教程将带你从零开始,轻松掌握使用aitextgen构建自己的AI文本生成器的全过程,无需深厚的AI背景,让你快速体验AI创作的乐趣。 ## 一、aitextgen简介:开启AI文本生成之旅 aitextgen作为一款专注于文本生成的工具,其设计理念是提供一个高效、易用的AI文本生成解决方案。它基于G

gitblog_00004的博客 621

二维“能量源”(电场、磁场、功率)入射边界设置方法

comsol光学仿真设计相关学习笔记和经验 1. 二维“能量源”(电场、磁场、功率)入射边界设置方法 2.边界条件设置薄膜材料

VJCP_90909Bu0的博客 5203

手把手教你用smarteye搭建免费GB28181监控平台(含海康设备接入避坑指南)

本文提供了一份基于SmartEye搭建免费GB28181视频监控平台的实战指南。详细介绍了从服务器部署、GB28181协议核心配置,到海康威视等主流设备接入的完整流程,并重点分享了设备注册失败、无法预览等常见问题的深度排错方法,旨在帮助中小企业及开发者低成本实现多品牌监控设备的统一管理。

pz89012345的博客 328

50行python代码自动生成文章_利用 50 行 Python 代码构建一个在线文本生成器!

原标题:利用 50 行 Python 代码构建一个在线文本生成器!本指南将引导你学习构建一个自动完成任意输入文本的Web应用程序。 作者 | Dev Sharma译者 | 苏本如,责编 | 郭芮出品 | CSDN(ID:CSDNnews)以下为译文:在本文中,我们将使用OpenAI的新一代表语言模型GPT-2来建立模型,使用Panel框架来构建web页面的仪表板。本指南分为两部分。在第一部分中,我...

weixin_39910043的博客 491

Excel数据透视表实战:分组折线图制作与动态分析指南

数据可视化是数据分析的关键环节,其核心原理在于将抽象数据转化为直观图形,以揭示趋势、对比差异。在众多图表类型中,折线图因其能清晰展示连续数据随时间或其他序列的变化趋势,而成为趋势分析的利器。其技术价值在于通过视觉编码,将多维数据关系降维呈现,从而辅助决策。在业务分析、运营监控等应用场景中,常需对比不同分组(如产品线、销售区域)在同一时间序列上的表现,这正是分组折线图要解决的核心问题。本文聚焦于利用Excel数据透视表这一强大工具,高效构建动态分组折线图,并深入探讨数据透视表在数据重塑和图表自动化中的实战应用

weixin_29057237的博客 383

OpenAI的GPT-2:用Python构建世界上最先进的文本生成器的简单指南

介绍 “The world’s best economies are directly linked to a culture of encouragement and positive feedback.” 你能猜到上面那句话是谁说的吗?这并不是某位总统或首相,当然也不是像Raghuram Rajan那样的顶尖经济学家说出来的。 这句话是由我们的机器产生的!是的,你没听错,这是一个在O...

TensorFlowNews 2762

Mac微信聊天记录备份终极指南:用软链接轻松迁移到外接硬盘(附重签名教程)

本文详细介绍了如何通过软链接技术将Mac微信聊天记录备份迁移到外接硬盘,解决内置存储空间不足的问题。教程包括备份文件定位、软链接创建及微信重签名步骤,帮助用户高效管理微信数据,释放Mac存储空间。

uuu88的博客 1175

CTF-MISC:BUUCTF练习汇总(1-25题,不包括签到题)

解题思路:该题比较基础,wireshark打开过滤HTTP流量包,追踪HTTP流后可以看到base64密文,解密后得到jpg图片,打开图片即可看到flag,在线OCR识别即可提取出flag值。解题思路:zip压缩包解压需要密码,图片中的盲文为解压的密码,解压后得到MP3音频文件,内容为典型的摩斯密码;解题思路:由题目可以为LSB隐写,使用StegSolve打开图片查看最低有效位得到PNG信息,另存为图片后发现是二维码,扫描后即可得到flag。对应摩斯电码为:-.-. - …-. .-- .–. . …

燕麦葡萄干的博客 1万+

python生成器有几种写法,python生成器有什么用

这些问题都值得深思。正如 Open AI 官博所说,虽然 GPT 2 还面临检测等方面的挑战,但它的潜力还很大, Open AI 表示,未来这个模型还将继续进行改进,他们期望语言模型能够在性能上有更大的提升,以此提供更高的输出质量和准确性。GPT 2 是 OpenAI 推出的一个中文生成模型,由加拿大工程师 Adam King 制作的网站上,任何人都能调教简化版的 GPT-2,它能够识别从新闻、歌词、诗歌、食谱、代码的各种输入,甚至还为《复仇者联盟》写了一个细节丰富的续集,内容可读性相当高。

w12130826的博客 805

【unity实战】完美的2D横版平台跳跃玩家控制器,使用InputSystem+有限状态机实现人物加速减速 多段跳 长短跳 多段攻击 冲锋 冲锋残影 滑墙 蹬墙跳 滑墙 土狼时间 预输入 攀爬 爬楼梯

【unity实战】使用unity的新输入系统InputSystem+有限状态机设计一个玩家状态机控制——实现玩家的待机 移动 闪避 连击 受击 死亡状态切换这次来实现一个2d平台平台跳跃玩家控制器,平台人物控制要做的好,要考虑的问题会有很多,比如移动加速减速 多段跳 冲锋 冲锋残影 滑墙 蹬墙跳 土狼时间 预输入 攀爬 爬楼梯//减速至于为什么叫这个名字(土狼时间)呢?其实这个名词来自于华纳兄弟动画公司,一部古老的动画系列影片《Looney Tunes》

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 6050

Magic 卡牌文本生成器:基于 GPT-2 的开源项目介绍

Magic 卡牌文本生成器:基于 GPT-2 的开源项目介绍 1. 项目基础介绍 本项目是一个开源的 Magic 卡牌文本生成器,基于 GPT-2 模型开发而成。项目主要使用 Python 编程语言,同时包含了 HTML 和 Dockerfile 文件,以支持 API 的部署和前端用户界面。 2. 项目核心功能 项目的核心功能是通过 GPT-2 模型生成 Magic 卡牌的文本内容,包括卡牌名称、...

gitblog_01101的博客 437

Ubuntu系统等保3级配置核查与加固

虽然这种方法在某些老旧的系统中仍然有效,但现代Linux发行版通常不推荐使用hosts.deny和hosts.allow文件来管理防火墙规则,因为它们的功能已经被更现代的防火墙管理工具(如iptables或firewalld)所取代。如果你想禁止特定的环境变量,可以从这个列表中移除它们,或者如果你想完全阻止所有环境变量的传递,可以将其设置为空。你可以通过ssh-keygen生成密钥对,并将公钥添加到用户的~/.ssh/authorized_keys文件中。修改配置后,需要重启SSH服务以使更改生效。

悦分享 189

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

AI5 - 当Python遇见GPT:自动化脚本生成的效率奇迹

Python与GPT结合实现自动化脚本生成 本文探讨Python与GPT模型结合实现自动化脚本生成的技术方案。通过Python调用GPT API,可将自然语言任务描述转化为可执行代码,大幅提升开发效率。文章介绍了环境搭建方法,包括安装OpenAI库、获取API密钥等基础配置,并通过两个实际案例展示了自动化生成的实现过程:1)生成简单的问候交互脚本;2)创建CSV数据分析脚本。这种技术组合适用于数据处理、Web爬虫、API开发等多种场景,开发者只需关注任务描述,GPT模型即可自动生成高质量代码。文中提供的完整

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

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

测试 GPT3.5 与 GPT4:哪个模型写的代码更优?

【CSDN 编者按】与 GPT3.5(旧的 chatGPT )相比,GPT4 在代码生成方面有了很大的进步,但仍存在速度较慢问题。原文链接:https://wandb.ai/capecape/gpt3vsgpt4/reports/Testing-GTP3-5-vs-GPT4-Which-Model-Writes-Better-Code---VmlldzozODAzMzQz未经授权,禁止转载!作者...

CSDN资讯 5481

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

python实现50行代码_利用 50行Python 代码构建一个在线文本生成器!

本指南将引导你学习构建一个自动完成任意输入文本的Web应用程序。作者 |Dev Sharma译者 |苏本如,责编 | 郭芮出品 | CSDN(ID:CSDNnews)以下为译文:在本文中,我们将使用OpenAI的新一代表语言模型GPT-2来建立模型,使用Panel框架来构建web页面的仪表板。本指南分为两部分。在第一部分中,我们将加载我们的模型并编写一个预测函数。在第二部分中,我们将构建一个web...

weixin_39926311的博客 407
上一篇: 高动态范围结构光三维测量技术:从多曝光融合到深度学习的演进与应用
下一篇: R语言实战:COX时变系数模型在临床生存分析中的应用与实现
kamilios
博客等级 码龄10年 57粉丝 2008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  | 博主筛选后可见
 
 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
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