2019 年 3月随笔档案 - python我的最爱

深度学习原理与框架-图像补全(原理与代码) 1.tf.nn.moments(求平均值和标准差) 2.tf.control_dependencies(先执行内部操作) 3.tf.cond(判别执行前或后函数) 4.tf.nn.atrous_conv2d 5.tf.nn.conv2d_transpose(反卷积) 7.tf.train.get_checkpoint_state(判断sess是否存在

摘要：1. tf.nn.moments(x, axes=[0, 1, 2]) # 对前三个维度求平均值和标准差，结果为最后一个维度，即对每个feature_map求平均值和标准差参数说明：x为输入的feature_map, axes=[0, 1, 2] 对三个维度求平均，即每一个feature_map都阅读全文

posted @ 2019-03-29 20:39 python我的最爱阅读(2527) 评论(0) 推荐(0) 编辑

深度学习原理与框架- tf.nn.atrous_conv2d(空洞卷积) 问题：空洞卷积增加了卷积核的维度，为什么不直接使用7*7呢

摘要：空洞卷积，从图中可以看出，对于一个3*3的卷积，可以通过使用增加卷积的空洞的个数，来获得较大的感受眼，从第一幅图中可以看出3*3的卷积，可以通过补零的方式，变成7*7的感受眼，这里补零的个数为1，即dilated等于2 空洞卷积在语义分割中的使用较多，因为涉及到向下卷积和向上卷积，为了不使用pa 阅读全文

posted @ 2019-03-28 21:41 python我的最爱阅读(1015) 评论(0) 推荐(0) 编辑

深度学习原理与框架- tf.nn.conv2d_transpose(反卷积操作) tf.nn.conv2d_transpose(进行反卷积操作) 对于stride的理解存在问题？

摘要：反卷积操作：首先对需要进行维度扩张的feature_map 进行补零操作，然后使用3*3的卷积核，进行卷积操作，使得其维度进行扩张，图中可以看出，2*2的feature经过卷积变成了4*4. 3*3的卷积经过扩张以后形成了5*5 feature_map为偶数 feature_map为偶数代码：主阅读全文

posted @ 2019-03-28 21:39 python我的最爱阅读(667) 评论(0) 推荐(0) 编辑

深度学习原理与框架- batch_normalize(归一化操作)

摘要：1. batch_normalize(归一化操作)，公式：传统的归一化公式 (number - mean) / std， mean表示均值， std表示标准差而此时的公式是 scale * (num - mean) / std + beta #scale 和 beta在计算的过程中会进行不断的更新阅读全文

posted @ 2019-03-28 21:38 python我的最爱阅读(4795) 评论(0) 推荐(0) 编辑

深度学习原理与框架-CNN在文本分类的应用 1.tf.nn.embedding_lookup(根据索引数据从数据中取出数据) 2.saver.restore(加载sess参数)

摘要：1. tf.nn.embedding_lookup(W, X) W的维度为[len(vocabulary_list), 128]， X的维度为[?, 8]，组合后的维度为[?, 8, 128] 代码说明一下：即根据每一行X中的一个数，从W中取出对应行的128个数据，比如X[1, 3]个数据是3062 阅读全文

posted @ 2019-03-24 23:37 python我的最爱阅读(612) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tfrecord数据集的读取与训练(代码) 1.tf.train.batch(获取batch图片) 2.tf.image.resize_image_with_crop_or_pad(图片压缩) 3.tf.train.per_image_stand..(图片标准化) 4.tf.train.string_input_producer(字符串入队列) 5.tf.TFRecord(读

摘要：1.tf.train.batch(image, batch_size=batch_size, num_threads=1) # 获取一个batch的数据参数说明：image表示输入图片，batch_size表示一个batch的大小，num_threads表示使用几个线程进行执行实例说明 2.tf 阅读全文

posted @ 2019-03-23 18:06 python我的最爱阅读(543) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tfrecord数据集的制作 1.tf.train.Examples(数据转换为二进制) 3.tf.image.encode_jpeg(解码图片加码成jpeg) 4.tf.train.Coordinator(构建多线程通道) 5.threading.Thread(建立单线程) 6.tf.python_io.TFR(TFR读入器)

摘要：1. 配套使用: tf.train.Examples将数据转换为二进制，提升IO效率和方便管理对于int类型： tf.train.Examples(features=tf.train.Features(feature=tf.train.Feature(int64_list=tf.train.In 阅读全文

posted @ 2019-03-22 18:44 python我的最爱阅读(928) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorboard可视化展示(代码) 1.tf.reuse_default_graph(进行结构图的重置) 2.tf.summary.FileWriter(writer实例化) 3. write.add_graph(graph的写入) 4. tf.summary.merge_all(将summary进行合并) 5.write.add_summary(将所有summary)

摘要：1. tf.reuse_default_graph() # 对graph结构图进行清除和重置操作 2.tf.summary.FileWriter(path)构造writer实例化，以便进行后续的graph写入参数说明：path表示路径 3.writer.add_graph(sess.graph) 阅读全文

posted @ 2019-03-21 21:53 python我的最爱阅读(2616) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Alexnet(迁移学习代码) 1.sys.argv[1:](控制台输入的参数获取第二个参数开始) 2.tf.split(对数据进行切分操作) 3.tf.concat(对数据进行合并操作) 4.tf.variable_scope(指定w的使用范围) 5.tf.get_variable(构造和获得参数) 6.np.load(加载.npy文件)

摘要：1. sys.argv[1:] # 在控制台进行参数的输入时，只使用第二个参数以后的数据参数说明：控制台的输入:python test.py what, 使用sys.argv[1:]，那么将获得what这个数值 2. tf.split(value=x, num_or_size_split=2, a 阅读全文

posted @ 2019-03-20 19:20 python我的最爱阅读(1129) 评论(0) 推荐(0) 编辑

深度学习原理与框架-递归神经网络-时间序列预测(代码) 1.csv.reader(进行csv文件的读取) 2.X.tolist(将数据转换为列表类型)

摘要：1. csv.reader(csvfile) # 进行csv文件的读取操作参数说明：csvfile表示已经有with oepn 打开的文件 2. X.tolist() 将数据转换为列表类型参数说明：X可以是数组类型等等代码说明：使用的是单层的rnn网络，迭代的终止条件为，第n的100次循环的损阅读全文

posted @ 2019-03-18 23:56 python我的最爱阅读(854) 评论(1) 推荐(0) 编辑

深度学习原理与框架-递归神经网络-RNN_exmaple(代码) 1.rnn.BasicLSTMCell(构造基本网络) 2.tf.nn.dynamic_rnn(执行rnn网络) 3.tf.expand_dim(增加输入数据的维度) 4.tf.tile(在某个维度上按照倍数进行平铺迭代) 5.tf.squeeze(去除维度上为1的维度)

摘要：1. rnn.BasicLSTMCell(num_hidden) # 构造单层的lstm网络结构参数说明：num_hidden表示隐藏层的个数 2.tf.nn.dynamic_rnn(cell, self.x, tf.float32) # 执行lstm网络，获得state和outputs 参数说明阅读全文

posted @ 2019-03-18 00:12 python我的最爱阅读(374) 评论(0) 推荐(0) 编辑

深度学习原理与框架-递归神经网络-RNN网络基本框架(代码?) 1.rnn.LSTMCell(生成单层LSTM) 2.rnn.DropoutWrapper(对rnn进行dropout操作) 3.tf.contrib.rnn.MultiRNNCell(堆叠多层LSTM) 4.mlstm_cell.zero_state(state初始化) 5.mlstm_cell(进行LSTM求解)

摘要：问题：LSTM的输出值output和state是否是一样的 1. rnn.LSTMCell(num_hidden, reuse=tf.get_variable_scope().reuse) # 构建单层的LSTM网络参数说明：num_hidden表示隐藏层的个数，reuse表示LSTM的参数进行复阅读全文

posted @ 2019-03-17 13:09 python我的最爱阅读(729) 评论(0) 推荐(0) 编辑

深度学习原理与框架-猫狗图像识别-卷积神经网络(代码) 1.cv2.resize(图片压缩) 2..get_shape()[1:4].num_elements(获得最后三维度之和) 3.saver.save(训练参数的保存) 4.tf.train.import_meta_graph(加载模型结构) 5.saver.restore(训练参数载入)

摘要：1.cv2.resize(image, (image_size, image_size), 0, 0, cv2.INTER_LINEAR) 参数说明：image表示输入图片，image_size表示变化后的图片大小，0， 0表示dx和dy， cv2.INTER_LINEAR表示插值的方式为线性插值阅读全文

posted @ 2019-03-16 10:42 python我的最爱阅读(4365) 评论(1) 推荐(1) 编辑

深度学习原理与框架-Tensorflow卷积神经网络-cifar10图片分类(代码) 1.tf.nn.lrn(局部响应归一化操作) 2.random.sample(在列表中随机选值) 3.tf.one_hot(对标签进行one_hot编码)

摘要：1.tf.nn.lrn(pool_h1, 4, bias=1.0, alpha=0.001/9.0, beta=0.75) # 局部响应归一化，使用相同位置的前后的filter进行响应归一化操作参数说明：pool_h1表示输入数据，4表示使用前后几层进行归一化操作，bias表示偏移量，alpha和阅读全文

posted @ 2019-03-14 13:29 python我的最爱阅读(2331) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorflow卷积神经网络-卷积神经网络mnist分类 1.tf.nn.conv2d(卷积操作) 2.tf.nn.max_pool(最大池化操作) 3.tf.nn.dropout(执行dropout操作) 4.tf.nn.softmax_cross_entropy_with_logits(交叉熵损失) 5.tf.truncated_normal(两个标准差内的正态分布)

摘要：1. tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME') # 对数据进行卷积操作参数说明：x表示输入数据，w表示卷积核， strides表示步长，分别表示为样本数，长，宽，通道数，padding表示补零操作 2. tf.nn.max_p 阅读全文

posted @ 2019-03-14 00:20 python我的最爱阅读(427) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorflow卷积神经网络-神经网络mnist分类

摘要：使用tensorflow构造神经网络用来进行mnist数据集的分类相比与上一节讲到的逻辑回归，神经网络比逻辑回归多了隐藏层，同时在每一个线性变化后添加了relu作为激活函数，神经网络使用的损失值为softmax概率损失值，即为交叉熵损失值代码：使用的是mnist数据集作为分类的测试数据，数据的阅读全文

posted @ 2019-03-13 23:16 python我的最爱阅读(228) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorflow基本操作-mnist数据集的逻辑回归 1.tf.matmul(点乘操作) 2.tf.equal(对应位置是否相等) 3.tf.cast(将布尔类型转换为数值类型) 4.tf.argmax(返回最大值的索引) 5.tf.nn.softmax(计算softmax概率值) 6.tf.train.GradientDescentOptimizer(损失值梯度下降器)

摘要：1. tf.matmul(X, w) # 进行点乘操作参数说明：X，w都表示输入的数据， 2.tf.equal(x, y) # 比较两个数据对应位置的数是否相等，返回值为True，或者False 参数说明：x，y表示需要比较的两组数 3.tf.cast(y, 'float') # 将布尔类型转换为阅读全文

posted @ 2019-03-13 00:59 python我的最爱阅读(404) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorflow基本操作-实现线性拟合

摘要：代码：使用tensorflow进行数据点的线性拟合操作第一步：使用np.random.normal生成正态分布的数据第二步：将数据分为X_data 和 y_data 第三步：对参数W和b, 使用tf.Variable()进行初始化，对于参数W，使用tf.random_normal([1], -1 阅读全文

posted @ 2019-03-12 23:57 python我的最爱阅读(282) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorflow基本操作-变量常用操作 1.tf.random_normal(生成正态分布随机数) 2.tf.random_shuffle(进行洗牌操作) 3. tf.assign(赋值操作) 4.tf.convert_to_tensor(转换为tensor类型) 5.tf.add(相加操作) tf.divide(相乘操作) 6.tf.placeholder(输入数据占位

摘要：1. 使用tf.random_normal([2, 3], mean=-1, stddev=4) 创建一个正态分布的随机数参数说明：[2, 3]表示随机数的维度，mean表示平均值，stddev表示标准差代码：生成一个随机分布的值 2. np.random.shuffle(y) # 对数据按照行阅读全文

posted @ 2019-03-12 22:49 python我的最爱阅读(668) 评论(0) 推荐(0) 编辑

深度学习原理与框架-Tensorflow基本操作-Tensorflow中的变量

摘要：1.tf.Variable([[1, 2]]) # 创建一个变量参数说明：[[1, 2]] 表示输入的数据，为一行二列的数据 2.tf.global_variables_initializer() 进行变量全局的初始化操作参数说明：如果代码中存在变量，那么一定需要进行初始化操作 3.tf.mat 阅读全文

posted @ 2019-03-12 21:29 python我的最爱阅读(323) 评论(0) 推荐(0) 编辑

深度学习原理与框架-RNN网络框架-LSTM框架 1.控制门单元 2.遗忘门单元 3.记忆门单元 4.控制门单元更新 5.输出门单元 6.LSTM网络结构

摘要：LSTM网络是有LSTM每个单元所串接而成的，从下面可以看出RNN与LSTM网络的差异， LSTM主要有控制门单元和输出门单元组成控制门单元又是由遗忘门单元和记忆门单元的加和组成。 1.控制门单元，与最后的输出层做相乘操作，决定什么样的信息会被保留 2.遗忘门单元：上一层的控制门单元Ct-1直阅读全文

posted @ 2019-03-12 14:52 python我的最爱阅读(1609) 评论(0) 推荐(0) 编辑

深度学习原理与框架-RNN网络架构-RNN网络 1.RNN的前向传播 2.RNN的反向传播

摘要：对于神经网络而言，每一个样本的输入与输入直接都是独立的，即预测的结果之间并没有联系而对于RNN而言：不仅仅是有当前的输入，而且上一层的隐藏层也将进行输入，用于进行结果的预测。因此每一个输入都与之前的输入可以通过隐藏层的输入而产生联系。这种特性在自然语言的处理中使用较广，即当前输入预测下一个词，与阅读全文

posted @ 2019-03-12 14:29 python我的最爱阅读(331) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积网络细节-三代物体检测算法 1.R-CNN 2.Fast R-CNN 3.Faster R-CNN

摘要：目标检测的选框操作：第一步：找出一些边缘信息，进行图像合并，获得少量的边框信息 1.R-CNN，第一步：进行图像的选框，对于选出来的框，使用卷积计算其相似度，选择最相似ROI的选框，即最大值抑制ROI，进行了选框的合并第二步：对每一个选出来的框进行回归和分类，回归的目的是为了对选框位置信息进行调阅读全文

posted @ 2019-03-12 12:01 python我的最爱阅读(382) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积网络细节-图像分类与图像位置回归任务 1.模型加载 2.串接新的全连接层 3.使用SGD梯度对参数更新 4.模型结果测试 5.各个模型效果对比

摘要：对于图像的目标检测任务：通常分为目标的类别检测和目标的位置检测目标的类别检测使用的指标：准确率，预测的结果是类别值，即cat 目标的位置检测使用的指标：欧式距离，预测的结果是(x, y, w, h) x和y表示的是左上角的位置，w和h表示的是矩形框的宽和高目标检测是分类和回归都进行的一种算法阅读全文

posted @ 2019-03-12 11:23 python我的最爱阅读(678) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积网络细节-经典网络架构 1.AlexNet 2.VGG

摘要：1.AlexNet是2012年最早的第一代神经网络，整个神经网络的构架是8层的网络结构。网络刚开始使用11*11获得较大的感受野，随后使用5*5和3*3做特征的提取，最后使用3个全连接层做得分值得运算，使用的是softmax分类器 2. VGG-net，网络的特点是全部使用3*3的卷积，通常有两个版阅读全文

posted @ 2019-03-12 10:20 python我的最爱阅读(307) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积网络细节-网络设计技巧 1. 3个3*3替换7*7卷积核 2. 1*1 和 3*3 替换 3*3卷积核

摘要：感受野：对于第一次卷积，如果卷积核是3*3，那么卷积的感受野就是3*3，如果在此卷积上，再进行一次卷积的话，那么这次的卷积的感受野就是5*5 因为5*5的区域，卷积核为3*3，卷积后每一个点的感受野是3*3，卷积后的区域为3*3 第二次卷积还用用3*3的卷积的话，第二次卷积的结果就变成了1*1，因阅读全文

posted @ 2019-03-12 10:07 python我的最爱阅读(3116) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积网络细节-迁移学习 1.冻结层数，只进行部分层的训练

摘要：迁移学习：主要有3类，第一类，使用别人训练好的权重参数，作为初始化权重参数，进行接下来的训练第二类：使用别人训练好的权重参数，冻结预测层之前的所有的权重参数，进行接下来的训练第三类：使用别人训练好的权重参数，即finetune，不冻结最后一个卷积层和全连接层，对这两个层进行参数的更新和训练代阅读全文

posted @ 2019-03-12 09:45 python我的最爱阅读(2367) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积网络细节-数据增强策略 1.翻转 2.随机裁剪 3.平移 4.旋转角度

摘要：数据增强表示的是，在原始图像的基础上，对数据进行一定的改变，增加了数据样本的数量，但是数据的标签值并不发生改变，图片中可以看出对猫这张图片进行了灰度值的变化，但是猫的标签并没有发生改变常见的数据增强的策略： 1. Horizontal flips 翻转，左右翻转，将左边的像素点放在右边，将右边阅读全文

posted @ 2019-03-12 09:31 python我的最爱阅读(2478) 评论(0) 推荐(0) 编辑

深度学习原理与框架-卷积神经网络-cifar10分类(图片分类代码) 1.数据读入 2.模型构建 3.模型参数训练

摘要：卷积神经网络：下面要说的这个网络，由下面三层所组成卷积网络：卷积层 + 激活层relu+ 池化层max_pool组成神经网络：线性变化 + 激活层relu 神经网络：线性变化(获得得分值) 代码说明：代码主要有三部分组成第一部分：数据读入第二部分：模型的构建，用于生成loss和梯度值阅读全文

posted @ 2019-03-12 00:43 python我的最爱阅读(1420) 评论(4) 推荐(1) 编辑

深度学习原理与框架-卷积神经网络基本原理 1.卷积层的前向传播 2.卷积参数共享 3. 卷积后的维度计算 4. max池化操作 5.卷积流程图 6.卷积层的反向传播 7.池化层的反向传播

摘要：卷积神经网络的应用:卷积神经网络使用卷积提取图像的特征来进行图像的分类和识别分类相似图像搜索目标识别语义分割卷积神经网络与神经网络的形状对比，卷积是有厚度的卷积在提取特征时的图像变化，从刚开始较低水平的特征图，到最后较高水平的特征图的变化，原先提取的是图片的特征，后面提取到的是一些高级阅读全文

posted @ 2019-03-11 16:17 python我的最爱阅读(757) 评论(0) 推荐(0) 编辑

深度学习原理与框架-神经网络-线性回归与神经网络的效果对比 1.np.c_[将数据进行合并] 2.np.linspace(将数据拆成n等分) 3.np.meshgrid(将一维数据表示为二维的维度) 4.plt.contourf(画出等高线图，画算法边界)

摘要：1. np.c[a, b] 将列表或者数据进行合并，我们也可以使用np.concatenate 参数说明：a和b表示输入的列表数据 2.np.linspace(0, 1, N) # 将0和1之间的数分成N份参数说明：0表示起始数据，1表示末尾数据，N表示生成的分数 3.xx, yy = np.me 阅读全文

posted @ 2019-03-07 16:46 python我的最爱阅读(1809) 评论(0) 推荐(0) 编辑

深度学习原理与框架-神经网络-cifar10分类(代码) 1.np.concatenate(进行数据串接) 2.np.hstack(将数据横着排列) 3.hasattr(判断.py文件的函数是否存在) 4.reshape(维度重构) 5.tanspose(维度位置变化) 6.pickle.load(f文件读入) 7.np.argmax(获得最大值索引) 8.np.maximum(阈值比较)

摘要：横1. np.concatenate(list, axis=0) 将数据进行串接，这里主要是可以将列表进行x轴获得y轴的串接参数说明：list表示需要串接的列表，axis=0，表示从上到下进行串接 2.np.hstack(list) 将列表进行横向排列参数说明：list.append([1, 2 阅读全文

posted @ 2019-03-06 23:59 python我的最爱阅读(1567) 评论(0) 推荐(0) 编辑

深度学习原理与框架-神经网络架构 1.神经网络构架 2.激活函数(sigmoid和relu) 3.图片预处理(减去均值和除标准差) 4.dropout(防止过拟合操作)

摘要：神经网络构架：主要时表示神经网络的组成，即中间隐藏层的结构对图片进行说明：我们可以看出图中的层数分布： input layer表示输入层，维度(N_num, input_dim) N_num表示输入层的样本个数， input_dim表示输入层的维度，即变量的个数 hidden layer1 表示阅读全文

posted @ 2019-03-05 19:33 python我的最爱阅读(975) 评论(0) 推荐(0) 编辑

深度学习原理与框架-神经网络结构与原理 1.得分函数 2.SVM损失函数 3.正则化惩罚项 4.softmax交叉熵损失函数 5. 最优化问题(前向传播) 6.batch_size(批量更新权重参数) 7.反向传播

摘要：神经网络由各个部分组成 1.得分函数：在进行输出时，对于每一个类别都会输入一个得分值，使用这些得分值可以用来构造出每一个类别的概率值，也可以使用softmax构造类别的概率值，从而构造出loss值，得分函数表示最后一层的输出结果，得分函数的维度对应着样本的个数和标签的类别数得分结果的实例说明：一阅读全文

posted @ 2019-03-05 18:41 python我的最爱阅读(761) 评论(0) 推荐(0) 编辑

机器学习进阶-疲劳检测(眨眼检测) 1.dist.eculidean(计算两个点的欧式距离) 2.dlib.get_frontal_face_detector(脸部位置检测器) 3.dlib.shape_predictor(脸部特征位置检测器) 4.Orderdict(构造有序的字典)

摘要：1.dist.eculidean(A, B) # 求出A和B点的欧式距离参数说明：A，B表示位置信息 2.dlib.get_frontal_face_detector()表示脸部位置检测器 3.dlib.shape_predictor(args['shape_predictor]) 表示脸部特征位阅读全文

posted @ 2019-03-03 13:42 python我的最爱阅读(2014) 评论(0) 推荐(0) 编辑

机器学习进阶-人脸关键点检测 1.dlib.get_frontal_face_detector(构建人脸框位置检测器) 2.dlib.shape_predictor(绘制人脸关键点检测器) 3.cv2.convexHull(获得凸包位置信息)

摘要：1.dlib.get_frontal_face_detector() # 获得人脸框位置的检测器, detector(gray, 1) gray表示灰度图， 2.dlib.shape_predictor(args['shape_predictor']) # 获得人脸关键点检测器， predictor 阅读全文

posted @ 2019-03-02 22:29 python我的最爱阅读(9696) 评论(0) 推荐(2) 编辑

机器学习进阶-目标追踪-SSD多进程执行 1.cv2.dnn.readnetFromCaffe(用于读取已经训练好的caffe模型) 2.delib.correlation_tracker(生成追踪器) 5.cv2.writer(将图片写入视频中) 6.cv2.dnn.blobFromImage(图片归一化) 10.multiprocessing.process(生成进程)

摘要：1. cv2.dnn.readNetFromCaffe(prototxt, model) 用于进行SSD网络的caffe框架的加载参数说明:prototxt表示caffe网络的结构文本，model表示已经训练好的参数结果 2.t=delib.correlation_tracker() 使用deli 阅读全文

posted @ 2019-03-01 13:04 python我的最爱阅读(5056) 评论(1) 推荐(2) 编辑

搜索

常用链接

积分与排名

随笔分类

随笔档案

阅读排行榜

评论排行榜

推荐排行榜

最新评论