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

三个JS将3D维度转换为2D

是指使用JavaScript编写的三个函数，用于将三维坐标转换为二维坐标。这种转换通常用于在计算机图形学和游戏开发中将三维场景投影到二维屏幕上。

第一个JS函数是"perspectiveProjection"，它实现了透视投影。透视投影是一种常用的三维到二维投影方法，它模拟了人眼观察物体时的透视效果。该函数接受三维坐标和相机参数作为输入，返回对应的二维坐标。透视投影可以用于创建逼真的三维场景。
第二个JS函数是"orthographicProjection"，它实现了正交投影。正交投影是另一种常用的三维到二维投影方法，它不考虑透视效果，将物体的每个点在三个坐标轴上的投影直接映射到二维平面上。该函数接受三维坐标和投影参数作为输入，返回对应的二维坐标。正交投影常用于创建平面图形和技术绘图。
第三个JS函数是"viewportTransformation"，它实现了视口变换。视口变换将归一化的二维坐标映射到屏幕上的实际像素坐标。该函数接受归一化的二维坐标和屏幕尺寸作为输入，返回对应的像素坐标。视口变换通常是最后一步，将投影后的二维坐标映射到屏幕上显示。

这三个函数的组合可以将三维坐标转换为屏幕上的二维坐标，从而实现在二维平面上显示三维场景。在实际应用中，可以根据具体需求选择透视投影或正交投影，并结合视口变换将结果显示在屏幕上。

腾讯云相关产品和产品介绍链接地址：

腾讯云云服务器（CVM）：提供弹性计算能力，支持多种操作系统和应用场景。详情请参考：https://cloud.tencent.com/product/cvm
腾讯云云数据库 MySQL 版：提供高性能、可扩展的关系型数据库服务。详情请参考：https://cloud.tencent.com/product/cdb_mysql
腾讯云对象存储（COS）：提供安全可靠的云端存储服务，适用于存储和管理各种类型的文件和数据。详情请参考：https://cloud.tencent.com/product/cos

相关搜索:Tensorflow将2D维度张量连接到3D维度张量将3D变换转换为2D 将Unity 2D代码转换为3D代码将3d位置转换为2d屏幕位置将2D位置/旋转转换为3D 将2D Numpy数组转换为3D数组无法将图像数组3d转换为2d 将hdf5转换为netcdf并重命名维度如何将3D图像转换为2D地图？如何将3d数组转换为2d数组无法将3d ply文件图像转换为2d图像将2D屏幕坐标转换为3D世界坐标 Graphics - 将3d点转换为2d投影的等式将2D numpy数组替换为3D (元素到向量)如何将3D点转换为2D透视投影？Unity将光线投射半径从3D转换为2D MATLAB:将2D数据转换为3D！怎么做？将简单的select结果转换为2D转置表 THREE.js将3D矢量转换为2D像素位置，解释z坐标如何将3D数组转换为argmax的2D数组？

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

人工智能使用深度学习将2D图像转换为3D图像

此外，他们证明了该系统可以从显微镜拍摄2D图像并虚拟地创建样品的3D图像，就好像它们是由另一台更高级的显微镜获得的一样。...校正像差的机会可能使研究活生物体的科学家能够从图像中收集数据，否则这些图像将无法使用。这项研究基于Ozcan及其同事开发的较早技术，该技术使他们能够以超分辨率渲染2D荧光显微镜图像。...研究人员将蠕虫的2D图像逐帧转换为3D，从而能够跟踪蠕虫体内单个神经元的活动。...从以不同深度拍摄的秀丽隐杆线虫的一或两个2D图像开始，Deep-Z产生了虚拟3D图像，这使团队可以识别蠕虫中的单个神经元，与扫描显微镜的3D输出相匹配。...研究人员还发现，即使仅使用与样品表面完全平行的3D切片训练神经网络，Deep-Z仍可以从样品倾斜或弯曲的2D表面生成3D图像。 ?

2.5K1 0

一文读懂深度学习中的各种卷积！！

下面就是3D卷积，其过滤器深度小于输入层深度（核大小 < 通道大小）。因此，3D过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为滤波器是滑过一个3D空间，所以输出数值也按3D空间排布。也就是说输出是一个3D数据。在3D卷积中，3D过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...空间可分卷积空间可分卷积操作的图像是2D空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。...空间维度（即高度和宽度）会变小，而深度会增大。用于创建有 128 层的输出的标准 2D 卷积，要使用 128 个过滤器首先，我们将深度卷积应用于输入层。

3711 0

【DL】一文读懂深度学习中的N种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

6492 0

一文读懂深度学习中的N种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

9262 0

卷积有多少种？一文读懂深度学习中的各种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

7462 0

卷积有多少种？一文读懂深度学习的各种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

9292 0

一文读懂深度学习中的N种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

7660 0

再谈“卷积”的各种核心设计思想，值得一看！

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

1.1K4 0

一文读懂 12种卷积方法

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

8863 0

卷积有多少种？一文读懂深度学习的各种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

9084 1

【DL】一文读懂深度学习中的N种卷积

下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。...因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 ? 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。...因此，某些作者强烈反对将转置卷积称为去卷积。人们称之为去卷积主要是因为这样说很简单。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。我们一直都可以使用直接的卷积实现转置卷积。...卷积的矩阵乘法：将 Large 输入图像（4×4）转换为 Small 输出图像（2×2）现在，如果我们在等式的两边都乘上矩阵的转置 CT，并借助「一个矩阵与其转置矩阵的乘法得到一个单位矩阵」这一性质，...1、空间可分卷积空间可分卷积操作的是图像的 2D 空间维度，即高和宽。从概念上看，空间可分卷积是将一个卷积分解为两个单独的运算。

7451 0

万字长文带你看尽深度学习中的各种卷积网络

看待 2D 卷积的另一个角度：将这个过程视作将一个 3D 过滤器矩阵滑动通过输入层。注意，这个输入层和过滤器的深度都是相同的（即通道数=卷积核数）。...标准 2D 卷积。通过使用 Dout 个过滤器，将深度为 Din 的层映射为另一个深度为 Dout 的层。 3.3D 卷积在上部分的最后一张图中，我们看到了将卷积在 3D 体积上的执行情况。...但是一般而言，我们依旧将这一操作视为深度学习中的 2D 卷积——3D 体积数据上的 2D 卷积：其过滤器和输入层的深度是一样的；3D 过滤器仅沿着 2 个方向（图像的高&宽）移动。...8.1 空间可分离卷积空间可分离卷积在图像的 2D 空间维度上执行，例如高和宽两个维度。从概念上来看，顾名思义，空间可分离卷积将卷积分解为两项单独的操作。...第三个优势是给人带来了些惊喜的。分组卷积能提供比标准 2D 卷积更好的模型。

8013 0

万字长文带你看尽深度学习中的各种卷积网络

看待 2D 卷积的另一个角度：将这个过程视作将一个 3D 过滤器矩阵滑动通过输入层。注意，这个输入层和过滤器的深度都是相同的（即通道数=卷积核数）。...标准 2D 卷积。通过使用 Dout 个过滤器，将深度为 Din 的层映射为另一个深度为 Dout 的层。 3.3D 卷积在上部分的最后一张图中，我们看到了将卷积在 3D 体积上的执行情况。...但是一般而言，我们依旧将这一操作视为深度学习中的 2D 卷积——3D 体积数据上的 2D 卷积：其过滤器和输入层的深度是一样的；3D 过滤器仅沿着 2 个方向（图像的高&宽）移动。...8.1 空间可分离卷积空间可分离卷积在图像的 2D 空间维度上执行，例如高和宽两个维度。从概念上来看，顾名思义，空间可分离卷积将卷积分解为两项单独的操作。...第三个优势是给人带来了些惊喜的。分组卷积能提供比标准 2D 卷积更好的模型。

6641 0

深度学习中的12种卷积网络，万字长文一文看尽

看待 2D 卷积的另一个角度：将这个过程视作将一个 3D 过滤器矩阵滑动通过输入层。注意，这个输入层和过滤器的深度都是相同的（即通道数=卷积核数）。...标准 2D 卷积。通过使用 Dout 个过滤器，将深度为 Din 的层映射为另一个深度为 Dout 的层 0 3 3D 卷积在上部分的最后一张图中，我们看到了将卷积在 3D 体积上的执行情况。...但是一般而言，我们依旧将这一操作视为深度学习中的 2D 卷积——3D 体积数据上的 2D 卷积：其过滤器和输入层的深度是一样的； 3D 过滤器仅沿着 2 个方向（图像的高&宽）移动。...8.1 空间可分离卷积空间可分离卷积在图像的 2D 空间维度上执行，例如高和宽两个维度。从概念上来看，顾名思义，空间可分离卷积将卷积分解为两项单独的操作。...第三个优势是给人带来了些惊喜的。分组卷积能提供比标准 2D 卷积更好的模型。

1.7K2 0

ThreeJS中三维世界坐标转换成二维屏幕坐标

var vector = worldVector.project(camera);//通过世界坐标获取转标准设备坐标 var w = window.innerWidth / 2;...var h = window.innerHeight / 2; var x = Math.round(vector.x *w + w);//标准设备坐标转屏幕坐标 var...y = Math.round(-vector.y * h + h); 3D坐标转换成2D坐标，是一种降维度操作，统称为投影。...同理使用函数vector.unproject(camera)则可以从屏幕2d坐标转换为3d空间坐标， var vector = new THREE.Vector3(mX, mY, 0.5 );//这里定义深度值为...0.5 //将鼠标坐标转换为3D空间坐标 vector.unproject(camera);

4.9K1 0

图像、视频生成大一统！MSRA+北大全华班「女娲」模型怒刷8项SOTA，完虐OpenAI DALL-E

使用VQ-VAE训练一个编码把原始连续像素转换为离散的token，训练后B[z]的维度为h×w×1×d作为图像的表示，其中1 代表图像没有时序维度。...视频可以被视为图像的一种时序展开，最近一些研究如VideoGPT和VideoGen将VQ-VAE编码器中的卷积从2D扩展到3D，并能够训练一种针对视频输入的特殊表征。...研究人员证明了仅使用2D VQ-GAN 就能够编码视频中的每一帧，并且能生成时序一致的视频，结果表示维度为h×w×s×d，其中s代表视频的帧数。...其中Y和C由三个不同的词典分别考虑高度，宽度和时序维度。...还提出了一个通用的3D encoder-decoder框架，能够同时覆盖文本、图像和视频。能同时考虑空间和时序维度的3D nearby-sparse attention机制。

8704 0

将传统的 2D 视频转为 3D (伪 3D ，左右眼)视频

将传统的 2D 视频转为 3D (伪 3D ，左右眼)视频当带上 VR 头戴设备时，观看普通的 2D 视频时，是无法正常观看的，需要将 2D 转为左右眼的视频，下面介绍一下将 2D 视频转换为左右眼的视频...首先介绍一下原理，为了达到左右眼的感官，将原有的视频的背板横向扩大为两倍再输入一份同样的视频与原有视频并排排列将背板中的文件生成新文件以上三步，需要使用 ffmpeg...的 vfilter 的三个 filter 参数：movie、pad、overlay 可以通过ffmpeg的命令行测试一下： ffmpeg -i /Users/StevenLiu/...转完之后，播放一下原视频与转完之后的视频，做一个效果的对比：下面是转之前的视频： ? 下面是转之后的 ?

5.8K2 0

卷积核的基本概况

2D卷积与3D卷积上面的多通道过程解释的详细点：假设输入层有 Din 个通道，而想让输出层的通道数量变成 Dout，我们需要做的仅仅是将 Dout个filters应用到输入层中。...通过将2D-卷积的推广，在3D-卷积定义为filters的深度小于输入层的深度（即卷积核的个数小于输入层通道数）因此，3D-filters需要在三个维度上滑动（输入层的长、宽、高）。...当filters滑过整个3D空间，输出的结构也是3D的： 2D-卷积和3D-卷积的主要区别为filters滑动的空间维度，3D-卷积的优势在于描述3D空间中的对象关系,它的计算过程是：卷积核的种类除了普通的卷积操作外...，将重排矩阵转置后与行向量转置后相乘，得到16个元素的1维列向量：第四步，对列向量进行重排为4*4的矩阵，得到最终结果：这样就通过转置卷积将2x2的矩阵反卷为一个4x4的矩阵，但从结果也可以看出反卷积的结果与原始输入信号不同...分组卷积有三个优点：有效的训练；模型参数随着filters组数的增加而减少；可以提供比标准2D卷积更好的模型。

1301 0

卧谈会之numpy

上面表达意思是尾部维度必须兼容！尾部维度：将多维数组右对齐！能够上下对应，这部分就是尾部，而对应的头部维度，则是维度大的数组比维度小的数组多出来的维度！...axis: 0 1 2 a (3d array): 256 x 256 x 3 b (2d array): 256 x 3 a + b (2d array...axis: 0 1 2 a (3d array): 256 x 256 x 1 b (2d array): 1 x 3 a + b (2d array...array): 220 x 3 a2 + b (4d array): 256 x 256 x 220 x 3 我们看到在a2的第三个维度增加了一个1，扩充为4维，便可以正常广播...如何实现a1到a2转化？ a2 = a1[:,:,np.newaxis,:]即可！

1K4 0

啥是卷积核？动画演示

2D卷积与3D卷积上面的多通道过程解释的详细点：假设输入层有 Din 个通道，而想让输出层的通道数量变成 Dout，我们需要做的仅仅是将 Dout个filters应用到输入层中。...通过将2D-卷积的推广，在3D-卷积定义为filters的深度小于输入层的深度（即卷积核的个数小于输入层通道数）因此，3D-filters需要在三个维度上滑动（输入层的长、宽、高）。...当filters滑过整个3D空间，输出的结构也是3D的： 2D-卷积和3D-卷积的主要区别为filters滑动的空间维度，3D-卷积的优势在于描述3D空间中的对象关系,它的计算过程是：卷积核的种类除了普通的卷积操作外...，将重排矩阵转置后与行向量转置后相乘，得到16个元素的1维列向量：第四步，对列向量进行重排为4*4的矩阵，得到最终结果：这样就通过转置卷积将2x2的矩阵反卷为一个4x4的矩阵，但从结果也可以看出反卷积的结果与原始输入信号不同...分组卷积有三个优点：有效的训练；模型参数随着filters组数的增加而减少；可以提供比标准2D卷积更好的模型。

2011 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