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

在使用tf.lite.Optimize.DEFAULT后，并不是DNN模型中的所有值都是量化的

。tf.lite.Optimize.DEFAULT是TensorFlow Lite中的一个优化选项，用于将模型转换为适合在移动设备上运行的轻量级模型。其中的量化是指将浮点数参数转换为更小的整数表示，以减少模型的存储空间和计算量。

然而，并不是所有的值都可以被量化。在使用tf.lite.Optimize.DEFAULT进行模型优化时，只有部分参数会被量化，而其他参数仍然保持浮点数表示。这是因为某些操作需要使用浮点数进行计算，例如某些激活函数或者某些层的权重。因此，即使使用了tf.lite.Optimize.DEFAULT，仍然会有一部分参数保持浮点数表示。

这种情况下，可以通过使用其他的优化选项来进一步减小模型的大小和计算量。例如，可以尝试使用tf.lite.Optimize.OPTIMIZE_FOR_SIZE选项，该选项会更进一步地量化模型中的参数，以减小模型的大小。另外，还可以使用tf.lite.Optimize.OPTIMIZE_FOR_LATENCY选项，该选项会针对模型的推理延迟进行优化，以提高模型在移动设备上的推理速度。

对于tf.lite.Optimize.DEFAULT后并未量化的模型参数，其优势在于可以保留更高的精度，从而提高模型的准确性。然而，这也意味着模型的存储空间和计算量会相应增加。因此，在选择优化选项时，需要根据具体应用场景和需求进行权衡。

在腾讯云中，可以使用腾讯云AI智能优化平台（https://cloud.tencent.com/product/aiot）来进行模型优化和部署。该平台提供了丰富的工具和服务，可以帮助开发者快速优化和部署各类AI模型，包括DNN模型。具体的产品和服务可以根据具体需求进行选择和使用。

相关搜索:如何使所有模型属性在Yii2中都是安全的？模型更改后,擦除存储在CoreData中的所有数据如何使用Stepper在SwiftUI中更新模型中的值？在使用sklearn模型转换用于训练和预测的数据时，如何确保所有数据都是相同的数字？在表单中选择多个选项，并使用django将所有选择的值存储在模型中 SQL:使用count后选择列中包含特定值的所有元组使用列表理解在一个列表中查找其所有元素都是因子的元素没有使用Firestore分页适配器获取模型类中的所有值？在我的线性回归模型在Tensorflow.js中完成训练后，如何检索系数的值？在Python中，找到数组/列表中两个整数的最小乘积，假设数组/列表中的所有值都是非负的？是否可以使用聚合将所有分组文档中的数组属性的所有值合并到合并后的文档中？如何使用视图模型在SQLite中获取数据更改后的新数据？在使用TextEditingController设置初始值后，颤动编辑TextField中的值如何使用Python在GUI中打印字典中的所有值如何使用SQLite查询一个模型中与Django模型中的两个或多个值匹配的所有记录在Pandas中使用groupby后如何拆分列中的值？如何使用python在视频的所有帧中查找每个像素的值在Android Studio中，导入tensorflow lite模型后，如何使用生成的示例代码？Django Forms:如何使用现有模型中的值在表单中创建简单的下拉列表使用PostgreSQL规范在jsonb列中的所有值中进行搜索

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

TensorFlow 模型优化工具包 — 训练后整型量化

优化模型以缩减尺寸、延时和功耗，使准确率损失不明显为何应使用训练后整型量化我们之前发布的“混合”训练后量化方法可在许多情况下减少模型大小和延迟时间，但却必须进行浮点计算，这可能不适用于所有硬件加速器...凭借这一量化方案，我们可以在许多模型中获得合理的量化模型准确率，而不必重新训练依靠量化感知 (quantization-aware) 训练的模型。...与量化感知训练相比，此工具更易于使用，并可在大多数模型中实现出色的准确率。目前可能仍存在需要进行量化感知训练的用例，但我们希望随着训练后工具的不断改进，这种情况会越来越少。...我们会使用所记录的推理值，以确定在整型算法中执行模型全部张量所需的缩放比例参数。 Int8 量化方案需要注意的是，我们的全新量化规范已实现这一训练后用例，且该用例可针对某些运算使用每轴量化。...同时，我们也鼓励您尝试使用训练后量化法，因为它也许能满足模型的所有需求！文档和教程您可以在 TensorFlow 网站上找到关于训练后整型量化、新量化规范以及训练后整型量化教程的详细信息。

1.6K5 0

【AIDL专栏】纪荣嵘：深度神经网络压缩及应用

在某种意义上，DNN并不是越深越好，有些深度模型在两三千次迭代训练之后会出现梯度消失、不收敛等问题。...DNN有上千万的参数，需要大量的样本训练，但却难以在少量样本的情况下训练模型。而小样本训练问题在现实生活中很常见。 2、非均衡样本集训练（Biased training distribution）。...二、深度神经网络压缩（DNN Compression）主要是把大的深度模型变小，可以从三个方面入手： 1、参数并不是独特的或者惟一的，有一些参数之间可以做交换。 2、去除不必要的参数。...再把传统的权值传播转变成在哈希码0和1之间的权重传播，找到对应的规律，用相应的方式做优化和计算。 2014年发表在ArXiv的论文，把压缩问题看成量化问题，对网络中的参数做量化。...，前一部分跟后一部分的gradient使用迭代顺序求解，分为前、中、后三个步骤，可以使用BP算法的sequencial gradient update。

1.1K2 0

模型压缩一半，精度几乎无损，TensorFlow推出半精度浮点量化工具包，还有在线Demo

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号量子位授权转载近日，TensorFlow模型优化工具包又添一员大将，训练后的半精度浮点量化（float16 quantization）工具。...在分布式深度学习中，模型可能会有成千上万个参数，体积一个赛一个的大，如果能把所有常量值都用16位浮点数而不是32位浮点数来存储，那么模型大小就能压缩至一半，还是相当可观的。...小体积，高精度，有什么理由不试试半精度浮点量化工具呢？便捷使用想要把你训练过的32位模型转成16位，操作并不复杂。只需设置两行关键代码。...默认情况下，模型是这样在CPU上运行的：把16位参数“上采样”为32位，并在标准32位浮点运算中执行操作。这样做的原因是目前很多硬件还不支持加速fp16计算。...在未来，有更多硬件支持的情况下，这些半精度值就不再需要“上采样”，而是可以直接进行计算。在GPU上运行fp16模型更简单。

2.1K5 0

模型压缩一半，精度几乎无损，TensorFlow推出半精度浮点量化工具包，还有在线Demo

鱼羊发自凹非寺量子位报道 | 公众号 QbitAI 近日，TensorFlow模型优化工具包又添一员大将，训练后的半精度浮点量化（float16 quantization）工具。 ?...在分布式深度学习中，模型可能会有成千上万个参数，体积一个赛一个的大，如果能把所有常量值都用16位浮点数而不是32位浮点数来存储，那么模型大小就能压缩至一半，还是相当可观的。...小体积，高精度，有什么理由不试试半精度浮点量化工具呢？便捷使用想要把你训练过的32位模型转成16位，操作并不复杂。只需设置两行关键代码。...默认情况下，模型是这样在CPU上运行的：把16位参数“上采样”为32位，并在标准32位浮点运算中执行操作。这样做的原因是目前很多硬件还不支持加速fp16计算。...在未来，有更多硬件支持的情况下，这些半精度值就不再需要“上采样”，而是可以直接进行计算。在GPU上运行fp16模型更简单。

1.4K2 0

谷歌发布最新元学习框架「DVRL」，用强化学习量化模型中每个数据点的价值

---- 新智元报道来源：Google AI 编辑：QJP 【新智元导读】Google AI研究院最近的研究表明，并不是所有数据样本对于训练都同样有用，特别是对于深度神经网络（DNN）来说...由于这些场景的普遍存在，准确量化训练样本的值对于提高真实数据集上的模型性能具有很大的潜力。 ?...量化数据的价值对于给定的机器学习模型，并不是所有的数据都是相等的。一些数据与手头的任务有更大的相关性，或者相比其他数据有更丰富的信息内容。那么，到底该如何评估单一数据的价值呢？...1.去除高/低值样本后的模型性能：从训练集中剔除低值样本可以提高预测器模型的性能，特别是在训练集中含有损坏样本的情况下。另一方面，移除高值的样本，特别是当数据集很小时，会显著降低性能。...通过使用一个经过 RL 训练的 DNN 对这个数据值估计任务进行建模，并从一个代表目标任务绩效的小验证集中获得奖励。

7842 0

Ansor论文阅读笔记&&论文翻译

空间是在给定了计算定义后自动构建的，然后Ansor从搜索空间中采样完整的程序，并使用进化搜索和一个可学习的代价模型对采样程序进行微调。...当所有节点都unfold后，就构建了一个完整的张量化程序。这种方法对每个节点使用一组通unfold规则，因此它可以自动搜索而无需手动模板。...缓存节点融合后，现在最终输出节点将其结果写入缓存块，当块中的所有数据计算完毕后，缓存块中的结果将立即写入主内存。...在本节中，我们将介绍通过进化搜索和可学习的代价模型微调采样程序性能的性能调优器。微调是迭代执行的。在每次迭代中，我们首先使用进化搜索根据学习到的成本模型找到一小批性能还不错的程序。...为所有的DAG的所有张量化程序训练一个模型，我们将来自同一个DAG的所有程序的吞吐量归一化到[0, 1]范围内。在优化DNN时，测试的程序的数量通常少于30000。

1.9K3 0

word2vec原理(一) CBOW与Skip-Gram模型基础

word2vec原理(一) CBOW与Skip-Gram模型基础　　　　word2vec是google在2013年推出的一个NLP工具，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系...词向量基础　　　　用词向量来表示词并不是word2vec的首创，在很久之前就出现了。最早的词向量是很冗长的，它使用是词向量维度大小为整个词汇表的大小，对于每个具体的词汇表中的词，将对应的位置置为1。...由于CBOW使用的是词袋模型，因此这8个词都是平等的，也就是不考虑他们和我们关注的词之间的距离大小，只要在我们上下文之内即可。 ? 　　　　...一般得到霍夫曼树后我们会对叶子节点进行霍夫曼编码，由于权重高的叶子节点越靠近根节点，而权重低的叶子节点会远离根节点，这样我们的高权重节点编码值较短，而低权重值编码值较长。...我们在下一节的Hierarchical Softmax中再继续讲使用霍夫曼树和DNN语言模型相比的好处以及如何训练CBOW&Skip-Gram模型。（欢迎转载，转载请注明出处。

1K2 0

研学社·系统组 | 实时深度学习的推理加速和持续训练

像任何统计机器学习模型一样，深度神经网络的有效性极其依赖于假设输入和输出数据的分布并不会随时间地变化而产生明显的改变，从而最初学习到的复杂模型和模式可以在以后继续使用。...模型优化器尝试融合水平的和垂直的层级并对冗余网络进行剪枝和层级权重量化，然后将精简量化的模型输入到推理引擎中，引擎会进一步强调以降低占用来为目标硬件优化推理。...在大规模矩阵乘法中，所有的中间结果不需要 DRAM 访问就能在 64K ALU 中通行，因此也就大大降低了能耗和极大地提升了吞吐量。...众所周知，在大部分前沿的 DNN 架构中，全连接层会被过参数化。许多研究专注在全连接层的压缩，要么是使用哈希函数随机地桶分化（bucketizing）连接权重，要么是通过矢量量化压缩。...对一个带有 M 输入神经元和 M 输出神经元的层而言，M x M 权重被量化到 M 个箱（bins）中，每个箱中的所有权重共享同样的值，因此每个权重只有一个索引到需要存储的共享权重表格中。

7739 0

百度NLP | 神经网络模型压缩技术

Log 域量化压缩十分有效，其优点在于：在量化位数为 8 的情况下能够做到无损压缩，这意味着深度神经网络模型的 embedding 空间被量化成只有28=256 个离散值；而原模型无需重训。...我们采用这种方法，在百度搜索的深度神经网络语义模型进行了 1/4 无损压缩，即保证线上模型表达能力不变、应用效果持平的前提下，线上所有模型的内存占用减少了 75%。...量化向量维度为 2 时可实现 1/5 无损压缩； 3. 固定量化的维度，量化位数越大，压缩率越低，模型效果越好； 4. 固定压缩率，随着量化维度的增加，压缩效果先升后降，且在 2 维时取得最好效果。...这种多层次的划分由全自动优化所得。在百度搜索的深度神经网络语义模型应用中，我们通过多层次乘积量化实现了 1/8 无损压缩，并且原始模型无需重训，使用方便。...总结至此，我们介绍了 3 种 DNN 模型压缩算法，它们有各自的优点，适用于不同的应用场景： Log 域量化压缩算法能够实现 1/4 无损压缩，具有普适性，且原始模型无需重训，使用方便。

1.3K5 0

斯坦福博士韩松毕业论文：面向深度学习的高效方法与硬件

在该图的案例中，共有三层神经网络，剪枝前第 i 层和 i+1 层间的连接为密集型连接，剪枝后第 i 层和 i+1 层间的连接为稀疏连接。当所有与神经元相联结的突触都被移除掉，那么该神经元也将移除。...图 3.1：对深度神经网络的神经元与突触进行剪枝。在初始化训练阶段后，我们通过移除权重低于阈值的连接而实现 DNN 模型的剪枝，这种剪枝将密集层转化为稀疏层。...在本章节以下部分中，我们提供了如何剪枝神经网络和再训练模型以保留预测准确度的方法。我们还展示了剪枝后模型在商业化硬件上运行所产生的速度与能源效率提升。 ?...但是，在硬件中利用压缩的 DNN 模型是一项具有挑战性的任务。尽管压缩减少了运算的总数，但是它引起的计算不规则性对高效加速带来阻碍。...稀疏激活值：EIE 利用激活函数的动态稀疏性来节约算力和内存。EIE 通过避免在 70% 的激活函数上的计算节约了 65.16% 的能量，这些激活函数在典型深度学习应用中的值为零。

1.5K9 0

·word2vec原理讲解

(三) 基于Negative Sampling的模型　　　　word2vec是google在2013年推出的一个NLP工具，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，...CBOW与Skip-Gram用于神经网络语言模型 3. word2vec基础之霍夫曼树 ---- 1. 词向量基础　　　　用词向量来表示词并不是word2vec的首创，在很久之前就出现了。...由于CBOW使用的是词袋模型，因此这8个词都是平等的，也就是不考虑他们和我们关注的词之间的距离大小，只要在我们上下文之内即可。 ? 　　　　...一般得到霍夫曼树后我们会对叶子节点进行霍夫曼编码，由于权重高的叶子节点越靠近根节点，而权重低的叶子节点会远离根节点，这样我们的高权重节点编码值较短，而低权重值编码值较长。...我们在下一节的Hierarchical Softmax中再继续讲使用霍夫曼树和DNN语言模型相比的好处以及如何训练CBOW&Skip-Gram模型。

1.1K4 0

《解密并行和分布式深度学习:深度并发分析》摘要记录

在这种分区方法中，所有的DNN参数必须对所有参与的设备都是可访问的，这意味着它们应该被复制。然而，阻碍数据并行性扩展的一个瓶颈是BN操作符，它在调用时需要一个完整的同步点。...优势：(a)在正向求值和反向传播过程中，不需要将所有参数存储在所有处理器上(与模型并行性一样);(b)处理器之间(在层边界)有固定数量的通信点，源处理器和目标处理器总是已知的。...前一类中的方法与网络基础设施正交，后一类中应用的方法在使用集中(PS)和分散拓扑实现时不同。量化。...模型整合：集成学习与知识蒸馏。一种广泛使用的训练后巩固技术是集成学习。在集合中，w的多个实例在同一个数据集上分别训练，整体预测是集合成员预测的平均值。...考虑到集成消耗m倍的内存和计算能力，另一种训练后模型整合技术是使用知识蒸馏减少DNN的大小。在该方案中，训练分为两步进行：第一步，正常训练一个大型网络或集合；第二步训练单个神经网络来模拟大集合的输出。

4810 0

深度学习算法优化系列十 | 二值神经网络(Binary Neural Network，BNN)

在具体使用时，对于隐藏层单元，直接使用使用确定式二值化函数得到二值化的激活值。然后，对于权重，在进行参数更新时要时刻将超出[-1,1]的部分裁掉，即权重参数始终是[-1,1]之间的实数。...最后，在使用参数时，要将参数二值化。 BNN的训练前面已经解决了求导问题，二值化模型就可以直接训练了，具体过程如Algorithm1，这里用了BN层。 ?...Shift Based AdaMax First Layer 虽然所有层的激活值和参数都是二值的，但第一层（输入层）的值是连续的，因为是原始图片。...此外，在BNN中，所有的计算都变成了位运算，一个32bit的乘法需要损耗200单位(FPGA上)的能量，而一个位操作只损耗1个单位的能量。这在嵌入式设备上式具有非常大优势的。 ?...思考可以看到BNN在MNIST,CIFAR10,SVHN上实现了和普通DNN类似的精度，那么BNN能否在更复杂的数据集如ImageNet上也实现和DNN类似的精度并保持效果上的优势呢？

2.4K2 0

在定制硬件上实现DNN近似算法，一文概述其过去、现在与未来

本文评估了几大 DNN 近似算法，包括量化、权重减少，以及由此衍生出的输入计算减少和近似激活函数，并展示了定制硬件在实现 DNN 近似算法过程中的优势。...此外，SIMD 和 SIMT 架构在稀疏数据上操作时通常表现不佳；通过细粒度权重减少压缩后的 DNN 在定制硬件上的执行效率更高。...本文不仅综合评估了 DNN 高效推理的近似算法，还深入分析和对比了这些算法在定制硬件中的实现，包括 CNN 和 RNN。量化作者认为，DNN 近似算法的第一个关键主题是量化。...FPGA 和 ASIC 的灵活性允许低精度 DNN 的实现，从而通过并行化和减少对慢速片外存储的依赖来增加吞吐量。这部分主要介绍了三种量化方法：定点表征二值化和三值化对数量化 ?...通过使用分段线性函数来近似和量化这些复杂函数，可以使复杂计算简化为一系列的表查找操作。权衡和当前研究趋势这部分中，作者使用常规 DNN 模型和数据集作为基准，量化评估了这些工作的硬件和软件性能。

9801 0

低功耗计算机视觉技术前沿，四大方向，追求更小、更快、更高效

甚至Courbariaux、Rastegari等人提出了二值化的神经网络。为了进一步降低DNNs的内存需求，目前常采用的是参数量化和模型压缩结合的方法。...例如Han等人首先将参数量化到离散的bin中，然后使用Huffman编码来压缩这些bin，从而使模型大小减少89%，而精度却基本不受影响。...缺点及改进方向：1）使用量化技术的DNNs，往往需要进行多次再训练，这使得训练耗能非常大，因此如何降低训练成本是这种技术必须要考虑的；2）DNNs中不同层对特征的敏感性是不同的，如果所有层的位宽都一样，...为了获得针对移动设备有效的DNN模型，Tan等人提出了MNasNet，这个模型在控制器中使用了一个多目标奖励函数。...在知识蒸馏中，小的DNN模型使用学生-教师模式进行训练，其中小的DNN模型是学生，一组专门的DNN模型是教师；通过训练学生，让它模仿教师的输出，小的DNN模型可以完成整体的任务。

5821 0

寻找最佳的神经网络架构，韩松组两篇论文解读

v=25pIprMDEgc 一、模型量化是什么？本文研究了什么问题？模型量化是对深度神经网络（DNN）进行压缩和加速的一种广泛使用的技术。...在许多实时机器学习应用（如自动驾驶）中，DNN 受到延迟、能量和模型大小的严格限制。为了提高硬件的效率，许多研究者都提出将权值和激活值量化到低精度。 ?...在传统的量化方法中，DNN 所有层的权重和激活值使用固定数目的 bit 位，如图 1(a) 所示，固定精度量化为每层的权重和激活值都分配了 8bit。...在 agent 向所有层提供 action{a_k} 之后，测量量化模型将使用的资源量。...其中，acc_quant 是微调后量化模型的准确率，acc_origin 是 full-precision 模型在训练集上的 top-1 准确率，λ是缩放因子，在实验中作者设置为 0.1。

1.3K1 0

SysML 2019论文解读：推理优化

和这篇论文中所有研究一样，其量化是 2 位式的（4 级）。问题是这样的：「我们如何设置权重值的 4 个量化层级，使得我们可将权重值映射到其最近的量化层级并且准确度的降低最小？」...基于流的递归式图拆分很多当前最佳的 DNN 模型都太大了，难以直接使用回溯搜索来优化。但是，为了解决这个问题，可以使用一个有用的观察。也即，图替代可以在少量局部相连的算子上独立地执行。...这三种不同的神经网络使用了不同的 DNN 模块来实现优良的模型准确度，并展现出了不同的图架构。除了图像分类，研究者还评估了在文本分类和机器翻译上的表现。...在所有实验中，所使用的成本模型都是最小化执行时间。此外，参数 α 设置为 1.05，作为回溯搜索算法的剪枝参数。推理性能第一个比较是端到端的性能。...每条红线上的数字都是相对于最佳基准的相对提速。注意 MetaFlow 并不能唯一能执行图替代的框架。事实上，所有已有的系统在执行计算图之前都会根据自己的规则在内部执行图变换。

1K3 0

FPGA加速BCNN，模型20倍剪枝率、边缘设备超5000帧秒推理吞吐量

BCNN 训练和压缩本节详细讨论了 BCNN 模型细节，包括模型结构、BCNN 的基本构建块和操作、使用 SLR 进行权重剪枝以及基于象限二值化、 STE 的权重量化。...以二值化为例，目前有两种广泛使用的二值化方法，即确定性二值化和随机二值化。确定性二值化在方程式 7 中给出，激活值被二值化 + 1 和 - 1。...随着 DNN 模型增大，权重矩阵和激活值太大而无法存储在 FPGA 芯片存储器中。然而，剪枝和权重量化技术同时压缩了激活和权重表征，使得 FPGA 平台可以将所有中间结果存储在存储器中。...图 4：硬件设计架构对于 ResNet-18 网络，有 2 种残差块，这两种残差块都是 BCNN 模型的二值化块。...实验 BCNN 模型的训练研究者将 SLR 剪枝和基于 STE 的量化技术用于 NiN-Net 和 ResNet-18，这两个网络都是基于 BCNN。

4672 0

别扯高大上，告诉我哪些有用！

在实践过程中，我们发现：增加网络层对于卷积神经网络是一种有效的技术，但不一定对所有的dnn都有效。...，我们在第二个隐藏层和输出层中使用这个属性，其中所有的权重都是平方的。...在大的城市群中，直觉上相似的城市被放置在相对较近的地方。冷启动改进：用户参与度估计能提效！在旅游领域的机器学习应用中，任何时候都有很大一部分用户是新用户，或者是在很长一段时间后才使用产品的。...这在概念上类似于naivebayes推荐器，后者使用生成方法估计丢失的信息. 结果测试在离线分析中，与使用默认值相比，上述接合估计器将接合估计误差降低了42%。...虽然我们发现关注用户问题比简单地从文献调查中导入想法要好得多，但这本身并不是万能的。在用户问题和模型中的缺陷之间建立因果关系远非易事。在当前场景中，我们是在黑暗中探索的。

8512 0

为了这个羞羞的机器学习项目，我差点成为“鉴黄师”

之后，模型对视频中的口情色内容分成了十六种不同的经典类型。模型的核心是采用深度学习在程序上生成仿真动作。经过验证，该模型的效果优于马尔科夫链。...因此可以使用这些数据建立更加复杂的动作模型。 04 程序生成如上所述，一个完整的模式是从一系列的动作中创建的。研究者确定了在一秒钟内发生的典型动作。因此，下一步是找到共同的运动顺序。...所有状态都是独热编码，用零矢量表示“缺失”状态(例如，在视频开始之前)。通过纵向连接先前的状态向量来创建输入。在此项目中只训练80%的数据，因为剩下的20%数据要用于测试与比较。...换句话说，平均而言，马尔可夫模型在所有类别中都有7.6个百分点的错误。这看起来并不是很多，但它仍然是一个改进。因此，DNN模型有更少的错误率。...具体而言，由于DNN模型中的分类精度和平均绝对误差都是优越的，可以有把握地说它是一个更棒的模型。

5212 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