添加链接 注册    登录
link管理
链接快照平台
  • 输入网页链接，自动生成快照
  • 标签化管理网页链接
相关文章推荐
买醉的硬币  ·  Cannot start any VM ...·  4 月前    · 
会开车的企鹅  ·  Python ...·  7 月前    · 
爱喝酒的橙子  ·  【C#】HttpClientでWeb ...·  7 月前    · 
犯傻的水龙头  ·  openwrt 还原设置-掘金·  8 月前    · 
坚强的铁板烧  ·  抖音 给乔买裙子 微密圈 嘉宾付费帖 ...·  8 月前    · 
link管理  ›  loss = F.nll_loss(out, direction)是什么意思 - CSDN文库
https://wenku.csdn.net/answer/061b39d1de3f4017925a10d4e8f39cbc
绅士的大象
4 月前

loss = F.nll_loss(out, direction)是什么意思

时间: 2024-05-24 16:11:02 浏览: 17
这行代码是PyTorch中的一个损失[函数](https://geek.csdn.net/educolumn/ba94496e6cfa8630df5d047358ad9719?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6NDQ0MDg2MiwiZXhwIjoxNzA3MzcxOTM4LCJpYXQiOjE3MDY3NjcxMzgsInVzZXJuYW1lIjoid2VpeGluXzY4NjQ1NjQ1In0.RrTYEnMNYPC7AQdoij4SBb0kKEgHoyvF-bZOG2eGQvc&spm=1055.2569.3001.10083)，nll_loss表示负对数似然损失（negative log likelihood loss），通常用于多分类问题中。 其中，out是模型的输出，是一个[tensor](https://geek.csdn.net/educolumn/0ebc891269ff76b86c4b41f64bffd5db?spm=1055.2569.3001.10083)，表示每个类别的预测得分；direction是真实标签，也是一个[tensor](https://geek.csdn.net/educolumn/0ebc891269ff76b86c4b41f64bffd5db?spm=1055.2569.3001.10083)，表示样本的真实类别。损失[函数](https://geek.csdn.net/educolumn/ba94496e6cfa8630df5d047358ad9719?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6NDQ0MDg2MiwiZXhwIjoxNzA3MzcxOTM4LCJpYXQiOjE3MDY3NjcxMzgsInVzZXJuYW1lIjoid2VpeGluXzY4NjQ1NjQ1In0.RrTYEnMNYPC7AQdoij4SBb0kKEgHoyvF-bZOG2eGQvc&spm=1055.2569.3001.10083)的[作用](https://geek.csdn.net/educolumn/1006730a19828887f70dae3b8cbe1e07?spm=1055.2569.3001.10083)是计算模型输出与真实标签之间的差距，即预测值与真实值之间的误差，损失值越小，模型的预测效果越好。 所以，这行代码的作用是计算模型输出out与真实标签direction之间的负对数似然损失。
相关问题

test_loss += F.nll_loss(output, target, size_average=False).item()

这段代码是计算模型输出结果和真实标签之间的负对数似然损失函数(loss)，其中output是模型的输出结果，target是真实标签。F.nll_loss是PyTorch中的一个函数，用于计算负对数似然损失函数。size_average=False表示损失函数值不需要进行平均，item()方法用于获取张量tensor中的单个元素值。最终，test_loss是一个标量值，表示模型在测试集上的损失函数值。

def forward(self, pred, target, trans_feat): total_loss = F.nll_loss(pred, target)

这段代码是一个 PyTorch 模型的前向传递函数，其中 pred 是模型的输出，target 是真实标签，trans_feat 是一些转换特征。函数使用 PyTorch 的 F.nll_loss 函数计算交叉熵损失，其中 pred 是模型的输出概率，target 是真实标签的索引。该函数返回总损失 total_loss。

相关推荐

pdf

Pytorch损失函数nn.NLLLoss2d()用法说明

最近做显著星检测用到了NLL损失函数 对于NLL函数，需要自己计算log和softmax的概率值，然后从才能作为输入 输入 [batch_size, channel , h, w] 目标 [batch_size, h, w] 输入的目标矩阵，每个像素必须是类型.举...
pdf

解决keras GAN训练是loss不发生变化,accuracy一直为0.5的问题

主要介绍了解决keras GAN训练是loss不发生变化,accuracy一直为0.5的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
zip

ppcasom.zip_matlab例程_matlab_

4. PPCASOMANLLMEX.c：可能是计算负对数似然（Negative Log-Likelihood, NLL）的函数，这在评估模型性能时很重要。 5. Debugging.c：调试文件，用于查找和修复代码中的错误，确保算法运行无误。 6. clapack.h、gmp...

class SoftmaxFocalLoss(nn.Module): def __init__(self, gamma, ignore_lb=255, *args, **kwargs): super(FocalLoss, self).__init__() self.gamma = gamma self.nll = nn.NLLLoss(ignore_index=ignore_lb) def forward(self, logits, labels): scores = F.softmax(logits, dim=1) factor = torch.pow(1.-scores, self.gamma) log_score = F.log_softmax(logits, dim=1) log_score = factor * log_score loss = self.nll(log_score, labels) return loss

这是一个名为SoftmaxFocalLoss的...最后，使用NLLLoss函数计算log_score和labels之间的负对数似然损失loss，并返回该损失值。 这个损失函数的目的是在多分类问题中减小易分类样本的权重，以便更加关注困难样本的训练。

F.nll_loss只能接受二维数据吗？

在 PyTorch 中，F.nll_loss 函数通常用于处理分类任务，其中模型的输出是一个二维的对数概率分布。它期望输入的维度为 (batch_size, num_classes)，其中 batch_size 是批次大小，num_classes 是类别数量。 ...

F.nll_loss

F.nll_loss是PyTorch中的一个函数，用于计算负对数似然损失函数（negative log likelihood loss）。这个函数在多分类任务中经常被用来计算模型输出与目标结果之间的差距。在给定模型的输出和目标结果的情况下，F.nll...

def cross_entropy_logits(linear_output, label, weights=None): class_output = F.log_softmax(linear_output, dim=1) n = F.softmax(linear_output, dim=1)[:, 1] max_class = class_output.max(1) y_hat = max_class[1] # get the index of the max log-probability if weights is None: loss = nn.NLLLoss()(class_output, label.type_as(y_hat).view(label.size(0))) else: losses = nn.NLLLoss(reduction="none")(class_output, label.type_as(y_hat).view(label.size(0))) loss = torch.sum(weights * losses) / torch.sum(weights) return n, loss每一步解释

这是一个计算交叉熵损失函数的函数，输入参数包括线性输出（linear_output）、标签（label）和权重（weights）。函数中使用了PyTorch中的log_softmax函数和softmax函数，计算出分类输出（class_output）和概率值（n...

def train(config, model, train_iter, vali_iter, test_iter, K_on, fine_tune): start_time = time.time() if fine_tune: # 只优化最后的分类层 optimizer = torch.optim.Adam(model.fc.parameters(), lr=config.learning_rate, weight_decay=config.weight_decay) else: optimizer = torch.optim.Adam(model.parameters(), lr=config.learning_rate, weight_decay=config.weight_decay) best_pred = 0 # 记录验证集最优的结果 total_batch = 0 # 记录进行到多少batch last_improve = 0 # 记录上次验证集loss下降的batch数 flag = False # 记录是否很久没有效果提升 for epoch in range(config.num_epochs): for i, (trains, labels) in enumerate(train_iter): # 在不同的epoch中，batch的取法是不同的 t = time.time() model.train() # 训练 LOSS = margin_loss if ('multi' in config.classify_type) and ('level3' in config.classify_type) else nll_loss outputs = model(trains) optimizer.zero_grad() train_loss = LOSS(outputs, labels) train_loss.backward() optimizer.step()

如果分类类型中包含'multi'并且包含'level3'，则使用margin_loss作为损失函数，否则使用nll_loss作为损失函数。然后，将输入数据trains传入模型，得到模型的输出outputs。 接下来，将优化器的梯度清零，...

f.nll_loss(output, target)

f.nll_loss(output, target)是一个PyTorch中的函数，用于计算负对数似然损失（Negative Log Likelihood Loss）。它的输入包括模型的输出output和目标标签target，输出为一个标量值，表示模型的预测与真实标签之间的...

当两个三维数组想用F.nll_loss计算损失该如何设置

如果你有两个三维数组，并且想使用 F.nll_loss 计算损失，你需要将它们转换为二维形状以满足函数的要求。以下是一种可能的方法： python import torch import torch.nn.functional as F # 假设有两个三维数组...

loss = nn.NLLLoss()(class_output, label.type_as(y_hat).view(label.size(0)))怎么理解

nn.NLLLoss()是负对数似然损失函数，它的作用是将模型输出的概率转化为对数概率，并计算真实标签的对数概率的负数作为损失值。label.type_as(y_hat).view(label.size(0))是将真实标签转化为模型输出的形状，以便进行...

classification loss, Equation (4) of the paper cls_criterion = nn.NLLLoss() input_res = torch.FloatTensor(opt.batch_size, opt.resSize) input_att = torch.FloatTensor(opt.batch_size, opt.attSize) noise = torch.FloatTensor(opt.batch_size, opt.nz) one = torch.FloatTensor([1]) mone = one * -1 input_label = torch.LongTensor(opt.batch_size)

首先，代码创建了一个用于分类任务的损失函数cls_criterion，采用的是负对数似然损失函数（Negative Log Likelihood Loss，简称NLLLoss）。NLLLoss通常用于多分类问题，它将输入视为log概率，并计算真实标签的负...

model = CBOW(word_size, EMDEDDING_DIM) loss_function = nn.NLLLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001) #开始训练 for epoch in range(100): total_loss = 0 for context, target in data: context_vector = make_context_vector(context, word_to_ix) log_probs = model(context_vector) total_loss += loss_function(log_probs, torch.tensor([word_to_ix[target]])) optimizer.zero_grad() total_loss.backward() optimizer.step()

然后，定义损失函数为负对数似然损失函数（NLLLoss）。接着，创建一个优化器对象，使用随机梯度下降（SGD）算法来更新模型参数，学习率为 0.001。 接下来是训练过程。代码中使用了一个嵌套的循环结构，外层循环控制...

File "D:\pythonProject\venv\lib\site-packages\torch\nn\functional.py", line 2385, in nll_loss ret = torch._C._nn.nll_loss(input, target, weight, _Reduction.get_enum(reduction), ignore_index) IndexError: Target 3 is out of bounds.

这个错误是由于目标索引超出了范围，通常可能是由于目标标签中包含了超出了...如果您使用的是 PyTorch，还可以考虑使用 CrossEntropyLoss 代替 nll_loss 函数来计算损失，它会自动将目标标签转换为 one-hot 编码形式。

import numpy as np import torch import torch.nn as nn import torch.optim as optim class RNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(RNN, self).__init__() self.hidden_size = hidden_size self.i2h = nn.Linear(input_size + hidden_size, hidden_size) self.i2o = nn.Linear(input_size + hidden_size, output_size) self.softmax = nn.LogSoftmax(dim=1) def forward(self, input, hidden): combined = torch.cat((input, hidden), 1) hidden = self.i2h(combined) output = self.i2o(combined) output = self.softmax(output) return output, hidden def begin_state(self, batch_size): return torch.zeros(batch_size, self.hidden_size) # 定义数据集 data = """he quick brown fox jumps over the lazy dog's back""" # 定义字符表 tokens = list(set(data)) tokens.sort() token2idx = {t: i for i, t in enumerate(tokens)} idx2token = {i: t for i, t in enumerate(tokens)} # 将字符表转化成独热向量 one_hot_matrix = np.eye(len(tokens)) # 定义模型参数 input_size = len(tokens) hidden_size = 128 output_size = len(tokens) learning_rate = 0.01 # 初始化模型和优化器 model = RNN(input_size, hidden_size, output_size) optimizer = optim.Adam(model.parameters(), lr=learning_rate) criterion = nn.NLLLoss() # 训练模型 for epoch in range(1000): model.train() state = model.begin_state(1) loss = 0 for ii in range(len(data) - 1): x_input = one_hot_matrix[token2idx[data[ii]]] y_target = torch.tensor([token2idx[data[ii + 1]]]) x_input = x_input.reshape(1, 1, -1) y_target = y_target.reshape(1) pred, state = model(torch.from_numpy(x_input), state) loss += criterion(pred, y_target) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 100 == 0: print(f"Epoch {epoch}, Loss: {loss.item()}")代码缩进有误，请给出正确的缩进

好的，下面是正确的缩进： import numpy as np import torch import torch.nn as nn import torch.optim as optim class RNN(nn.Module): ... print(f"Epoch {epoch}, Loss: {loss.item()}")
pdf

PyTorch线性回归和逻辑回归实战示例.pdf

在 PyTorch 中实现逻辑回归，只需将线性层后的激活函数改为 torch.sigmoid 或直接使用内置的 nn.LogSoftmax 和 nn.NLLLoss。 这个实战示例提供了一个基础的 PyTorch 模型训练流程，适用于理解基本的神经网络...
zip

课程设计项目-基于Softmax的多波段遥感影像分类python源码+项目说明.zip

loss=nn.NLLLoss() ### 4.4 训练与验证 训练超参数设置如下，混淆矩阵可视化验证。 python epochs=100#训练次数 lr=0.001#学习率 batch_size=256#批次大小 iteration=train_data.shape[0]//batch_size ##...

最新推荐

recommend-type

docker 安装教程.md

附件是docker安装教程，文件绿色安全，请大家放心下载，仅供交流学习使用，无任何商业目的！
recommend-type

数据结构课程设计：模块化比较多种排序算法

本篇文档是关于数据结构课程设计中的一个项目，名为“排序算法比较”。学生针对专业班级的课程作业，选择对不同排序算法进行比较和实现。以下是主要内容的详细解析： 1. **设计题目**：该课程设计的核心任务是研究和实现几种常见的排序算法，如直接插入排序和冒泡排序，并通过模块化编程的方法来组织代码，提高代码的可读性和复用性。 2. **运行环境**：学生在Windows操作系统下，利用Microsoft Visual C++ 6.0开发环境进行编程。这表明他们将利用C语言进行算法设计，并且这个环境支持高效的性能测试和调试。 3. **算法设计思想**：采用模块化编程策略，将排序算法拆分为独立的子程序，比如`direct`和`bubble_sort`，分别处理直接插入排序和冒泡排序。每个子程序根据特定的数据结构和算法逻辑进行实现。整体上，算法设计强调的是功能的分块和预想功能的顺序组合。 4. **流程图**：文档包含流程图，可能展示了程序设计的步骤、数据流以及各部分之间的交互，有助于理解算法执行的逻辑路径。 5. **算法设计分析**：模块化设计使得程序结构清晰，每个子程序仅在被调用时运行，节省了系统资源，提高了效率。此外，这种设计方法增强了程序的扩展性，方便后续的修改和维护。 6. **源代码示例**：提供了两个排序函数的代码片段，一个是`direct`函数实现直接插入排序，另一个是`bubble_sort`函数实现冒泡排序。这些函数的实现展示了如何根据算法原理操作数组元素，如交换元素位置或寻找合适的位置插入。 总结来说，这个课程设计要求学生实际应用数据结构知识，掌握并实现两种基础排序算法，同时通过模块化编程的方式展示算法的实现过程，提升他们的编程技巧和算法理解能力。通过这种方式，学生可以深入理解排序算法的工作原理，同时学会如何优化程序结构，提高程序的性能和可维护性。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

STM32单片机小车智能巡逻车设计与实现：打造智能巡逻车，开启小车新时代

![stm32单片机小车](https://img-blog.csdnimg.cn/direct/c16e9788716a4704af8ec37f1276c4dc.png) # 1. STM32单片机简介及基础** STM32单片机是意法半导体公司推出的基于ARM Cortex-M内核的高性能微控制器系列。它具有低功耗、高性能、丰富的外设资源等特点，广泛应用于工业控制、物联网、汽车电子等领域。 STM32单片机的基础架构包括CPU内核、存储器、外设接口和时钟系统。其中，CPU内核负责执行指令，存储器用于存储程序和数据，外设接口提供与外部设备的连接，时钟系统为单片机提供稳定的时钟信号。 S
recommend-type

devc++如何监视

Dev-C++ 是一个基于 Mingw-w64 的免费 C++ 编程环境，主要用于 Windows 平台。如果你想监视程序的运行情况，比如查看内存使用、CPU 使用率、日志输出等，Dev-C++ 本身并不直接提供监视工具，但它可以在编写代码时结合第三方工具来实现。 1. **Task Manager**：Windows 自带的任务管理器可以用来实时监控进程资源使用，包括 CPU 占用、内存使用等。只需打开任务管理器（Ctrl+Shift+Esc 或右键点击任务栏），然后找到你的程序即可。 2. **Visual Studio** 或 **Code::Blocks**：如果你习惯使用更专业的
recommend-type

哈夫曼树实现文件压缩解压程序分析

"该文档是关于数据结构课程设计的一个项目分析，主要关注使用哈夫曼树实现文件的压缩和解压缩。项目旨在开发一个实用的压缩程序系统，包含两个可执行文件，分别适用于DOS和Windows操作系统。设计目标中强调了软件的性能特点，如高效压缩、二级缓冲技术、大文件支持以及友好的用户界面。此外，文档还概述了程序的主要函数及其功能，包括哈夫曼编码、索引编码和解码等关键操作。" 在数据结构课程设计中，哈夫曼树是一种重要的数据结构，常用于数据压缩。哈夫曼树，也称为最优二叉树，是一种带权重的二叉树，它的构造原则是：树中任一非叶节点的权值等于其左子树和右子树的权值之和，且所有叶节点都在同一层上。在这个文件压缩程序中，哈夫曼树被用来生成针对文件中字符的最优编码，以达到高效的压缩效果。 1. 压缩过程： - 首先，程序统计文件中每个字符出现的频率，构建哈夫曼树。频率高的字符对应较短的编码，反之则对应较长的编码。这样可以使得频繁出现的字符用较少的位来表示，从而降低存储空间。 - 接着，使用哈夫曼编码将原始文件中的字符转换为对应的编码序列，完成压缩。 2. 解压缩过程： - 在解压缩时，程序需要重建哈夫曼树，并根据编码序列还原出原来的字符序列。这涉及到索引编码和解码，通过递归函数如`indexSearch`和`makeIndex`实现。 - 为了提高效率，程序采用了二级缓冲技术，它能减少磁盘I/O次数，提高读写速度。 3. 软件架构： - 项目包含了两个可执行文件，`DosHfm.exe`适用于DOS系统，体积小巧，运行速度快；而`WinHfm.exe`则为Windows环境设计，提供了更友好的图形界面。 - 程序支持最大4GB的文件压缩，这是Fat32文件系统的限制。 4. 性能特点： - 除了基本的压缩和解压缩功能外，软件还提供了一些额外的特性，如显示压缩进度、文件一致性检查等。 - 哈夫曼编码的使用提高了压缩率，而二级缓冲技术使压缩速度提升了75%以上。 这个项目不仅展示了数据结构在实际问题中的应用，还体现了软件工程的实践，包括需求分析、概要设计以及关键算法的实现。通过这样的课程设计，学生可以深入理解数据结构和算法的重要性，并掌握实际编程技能。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

STM32单片机小车硬件优化策略：优化硬件设计，让小车更稳定更可靠

![STM32单片机小车硬件优化策略：优化硬件设计，让小车更稳定更可靠](https://static.mianbaoban-assets.eet-china.com/xinyu-images/MBXY-CR-c138c506ec1b17b643c23c4884fd9882.png) # 1. STM32单片机小车硬件优化策略概述 STM32单片机小车在实际应用中，硬件优化至关重要。本文将深入探讨STM32单片机小车硬件优化策略，从硬件设计、元器件选型、安装、调试、可靠性到维护等方面进行全面的分析，旨在帮助开发者提升小车的性能、稳定性和使用寿命。 # 2. 硬件设计优化 硬件设计优化是S
recommend-type

android studio购物车源码

在Android Studio中，购物车功能通常涉及到一个应用中的UI设计、数据管理、以及可能的网络请求。源码通常包含以下几个主要部分： 1. **UI组件**：如RecyclerView用于展示商品列表，每个商品项可能是Adapter中的ViewHolder。会有一个添加到购物车按钮和一个展示当前购物车内容的部分。 2. **数据模型**：商品类（通常包含商品信息如名称、价格、图片等）、购物车类（可能存储商品列表、总价等）。 3. **添加/删除操作**：在用户点击添加到购物车时，会处理商品的添加逻辑，并可能更新数据库或缓存。 4. **数据库管理**：使用SQLite或其他持久化解
recommend-type

数据结构课程设计：电梯模拟与程序实现

"该资源是山东理工大学计算机学院的一份数据结构课程设计，主题为电梯模拟，旨在帮助学生深化对数据结构的理解，并通过实际编程提升技能。这份文档包含了设计任务的详细说明、进度安排、参考资料以及成绩评定标准。" 在这次课程设计中，学生们需要通过电梯模拟的案例来学习和应用数据结构。电梯模拟的目标是让学生们： 1. 熟练掌握如数组、链表、栈、队列等基本数据结构的操作。 2. 学会根据具体问题选择合适的数据结构，设计算法，解决实际问题。 3. 编写代码实现电梯模拟系统，包括电梯的调度、乘客请求处理等功能。 设计进度分为以下几个阶段： - 2013年1月7日：收集文献资料，完成系统分析。 - 2013年1月10日：创建相关数据结构，开始编写源程序。 - 2013年1月13日：调试程序，记录问题，初步完成课程设计报告。 - 2013年1月15日：提交课程设计报告打印版，进行答辩。 - 2013年1月16日：提交电子版报告和源代码。 参考文献包括了严蔚敏的《数据结构》和《数据结构题集》，谭浩强的《C语言程序设计》以及与所选编程环境相关的C或C++资料，这些都是进行课程设计的重要参考资料。 在成绩评定部分，设计成绩由指导教师填写，并需要在设计结束后进行总结与心得的撰写，这有助于学生反思学习过程，提炼经验。
 
推荐文章
买醉的硬币  ·  Cannot start any VM after upgrade to Sonoma 14.2 - virtualbox.org
4 月前
会开车的企鹅  ·  Python 能写游戏吗？有没有什么开源项目？ - 知乎
7 月前
爱喝酒的橙子  ·  【C#】HttpClientでWeb APIクライアントを作る　(チュートリアル) #C# - Qiita
7 月前
犯傻的水龙头  ·  openwrt 还原设置-掘金
8 月前
坚强的铁板烧  ·  抖音 给乔买裙子 微密圈 嘉宾付费帖 NO.007期 【38V】 - 图夕夕
8 月前
Link管理   ·   51好读   ·   Sov5搜索   ·   小百科
link管理 - 链接快照平台