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

如何在一行中将一张图像放在左侧，另一张图像放在中间？

要在一行中将一张图像放在左侧，另一张图像放在中间，可以使用HTML和CSS来实现。以下是一种常见的实现方式：

<!DOCTYPE html>
<html>
<head>
<style>
.container {
  display: flex;
  justify-content: center;
  align-items: center;
}

.image {
  width: 50%;
}

.left-image {
  text-align: left;
}

.center-image {
  text-align: center;
}
</style>
</head>
<body>

<div class="container">
  <div class="image left-image">
    <img src="left-image.jpg" alt="Left Image">
  </div>
  <div class="image center-image">
    <img src="center-image.jpg" alt="Center Image">
  </div>
</div>

</body>
</html>

上述代码中，我们使用了flex布局来实现图像的对齐和居中。通过设置容器的display: flex;属性，我们可以将两个图像放在同一行，并使用justify-content: center;和align-items: center;属性来使它们在水平和垂直方向上居中对齐。

然后，我们为每个图像创建了一个div元素，并为它们分别添加了left-image和center-image类。通过设置这些类的text-align属性，我们可以将左侧图像左对齐，将中间图像居中对齐。

你可以将left-image.jpg和center-image.jpg替换为你实际使用的图像的路径。这样，两张图像就会在一行中，左侧图像左对齐，中间图像居中对齐。

请注意，以上代码只是一种实现方式，你可以根据具体需求和设计进行调整和修改。

相关搜索:如何在堆栈中将图像放在顶部？如何在flutter中将文本放在svg图像上如何在HTML中将一个图像放在另一个图像上？如何在android中将一个图像放在另一个图像上如何在javascript/html中将图像放在画布球的顶部如何在HTML中将图像放在弯曲的标题容器后面？如何在bootstrap 4中将按钮放在图像的中心如何在HTML电子邮件代码中将文本放在图像上？如何在Xamarin中将图像放在一行内的每一列中？如何在Oracle APEX 5.1中将图像放在导航栏上如何在Xamarin表单中将图像放在一行内的每一列中？如何在Angular 8中将base64图像放在垫卡上如何在UITextFIeld中将图标/图像放在文本的最后一个字母旁边？如何在Swift的表格视图控制器中将不同的图像放在文本旁边？在React Native中将图像数组一个部分地放在另一个上另一种方法是在不使用绝对位置、顶部和左侧的情况下将按钮放在图像上

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

机器学习小白看过来，带你全面了解分类器评价指标

AI 研习社按：为你的分类器选择正确的评价指标十分关键。如果选不好，你可能会陷入这样的困境：你认为自己的模型性能良好，但实际上并非如此。

02

Claude 3.5 Sonnet VS GPT-4o 识图测试，谁更强？

GPT-4o 和 Claude 3.5 是时下最热门的大模型，已经有相当多的文章介绍二者差异，不过因为维度不一致、形成的结论是“公说公有理、婆说婆也有理”。

01

使用 RetinaNet 进行航空影像目标检测

通过使用金字塔池化模块(Pyramid Pooling Module)，在整合基于不同区域的上下文后，PSPNet在效果上超过了FCN、DeepLab和DilatedNet等时下最佳的方法。

01

图像与滤波

像素：一张图片在不停的放大到再也无法放大的时候，呈现在我们眼前的是一个个小的颜色块，这种带有颜色的小方块就可以被称为像素

02

CVPR 2018 | Spotlight论文：变分U-Net，可按条件独立变换目标的外观和形状

选自arxiv 作者：Patrick Esser等机器之心编译参与：Nurhachu Null、刘晓坤由于深度生成模型通常是直接生成目标图像，没有对本质形状和外观之间的相互影响建模，导致在空间转换时出现性能退化。来自德国海德堡大学的研究者提出了条件 U-Net，将变分自编码器输出的外观条件化。实验证明，这个模型能够完成条件图像生成和转换。在多个数据集上进行的定性和定量实验表明，该方法比目前最先进的方法都有所提升。研究展示页：https://compvis.github.io/vunet/ 简介最近

05

CVPR 2018 | Spotlight论文：变分U-Net，可按条件独立变换目标的外观和形状

最近用于图像合成的生成模型备受关注 [7, 12, 18, 24, 49, 51, 32]。生成目标的图像需要对它们的外观和空间布局的详细理解。因此，我们必须分辨基本的目标特征。一方面，与观察者视角相关的有目标的形状和几何轮廓（例如，一个人坐着、站着、躺着或者拎着包）。另一方面，还有由颜色和纹理为特征的本质外观属性（例如棕色长卷发、黑色短平头，或者毛茸茸的样式）。很明显，目标可以自然地改变其形状，同时保留本质外观（例如，将鞋子弄弯曲也不会改变它的样式）。然而，由于变换或者自遮挡等原因，目标的图像特征会在这个过程中发生显著变化。相反，衣服的颜色或者面料的变化对其形状是没有影响的，但是，它还是很清晰地改变了衣服的图像特征。

02

图像分析及简单算法

“图片是由很多像素点组成，每个像素点是由[R,G,B]三原色组成，每一种原色用范围在0～255的整数表示。所以图像分析实际上是对这些数据的分析及计算”

01

LFW人脸数据集筛选有多张图的人

LFW人脸图像数据集是一个大型的人脸数据集，经常用于做人脸识别算法的衡量或比赛，其人脸图像来自网络，且在下载的图像包中要已经全部按照人名分别放在对应文件夹里了，这一点挺方便的。

02

每日一学——线性分类笔记（上）

线性分类上一篇笔记介绍了图像分类问题。图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest Neighbor分类器存在以下不足：分类器必须记住所有训练数据并将其存储起来，以便于未来测试数据用于比较。这在存储空间上是低效的，数据集的大小很容易就以GB计。对一个测试图像进行分类需要和所有训练图像作比较，算法计算

05

线性分类器

线性分类上一篇笔记介绍了图像分类问题。图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest Neighbor分类器存在以下不足： 1. 分类器必须记住所有训练数据并将其存储起来，以便于未来测试数据用于比较。这在存储空间上是低效的，数据集的大小很容易就以GB计。 2. 对一个测试图像进行分类需要和所有训练图像作

09

基础干货——线性分类（上）

图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest Neighbor分类器存在以下不足：

01

每日一学 | 线性分类笔记（上）

图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest Neighbor分类器存在以下不足：

01

干货——线性分类（上）

图像分类的任务，就是从已有的固定分类标签集合中选择一个并分配给一张图像。我们还介绍了k-Nearest Neighbor （k-NN）分类器，该分类器的基本思想是通过将测试图像与训练集带标签的图像进行比较，来给测试图像打上分类标签。k-Nearest Neighbor分类器存在以下不足：

02

origin绘图过程的一些经验

1.在 “帮助->learning center ”选项卡中可以查找教程及下载APP 2.如果不小心将工具栏拖到了屏幕中间或者不小心删除了某个工具栏，可以在“查看->工具栏->重新初始化”里边进行重置工具栏。 3.图像数字化（Digitize 从图上扣点）：工具栏上的位置在“查看（V）”的V字右下边，点击之后选择需要扣点的图片位置，即可打开图片进行扣点或者扣线。需要旋转的可以点击“旋转图像”再点下边出现的微旋按钮将图片旋转，然后移动刚刚打开的图片上的四条线使其对齐坐标轴上下边界，输入坐标轴起始值和终止值，再手动选点（注意选点要双击）或者自动选点，然后点击得到坐标值。 4.数据处理（Data Manipulation）：比如剔除噪声或者筛选数据。菜单栏下边第一行的工具栏中，中间部分有个红加号，旁边一个梯子，这是添加列，后边有像漏斗一样的为筛选工具，漏斗前边像直方图的工具能为列添加随机数。先选中某列数据，点漏斗会加上筛选器到列标签上，再到列标签上点漏斗可以设置筛选规则。 5.做出散点图之后，在“快捷分析”里边可以对散点图进行快速拟合也可以计算积分面积，选择需要的分布方式（线性、高斯分布）对其拟合，会出现黄色矩形框，同时出现对散点的拟合曲线。点击右上角的三角展开对话，可以将矩形扩展到整条曲线。若图中有多个y值的散点图，也可以切换对另一条曲线进行拟合。 6.在已经画好的图形旁边的空白可以对线颜色和粗细进行调整，双击点可以对数据点进行相关修改。 7.在左侧竖向的工具栏中可以添加文字、箭头、直线，进行缩放、读取线中某个点的坐标，对点进行标注（按enter）等操作。 8.右侧的工具栏，可以添加上下左右的坐标轴，可以调换坐标轴，以及调整刻度。 9.批量绘图:如果你有同样类型的几组数据，并且要通过他们绘制同样xy轴的图形，则可以先用一组数据绘出一幅图，再点击可以选择以同样的格式对其他book或者其他列进行批量绘图。 10.模板：将绘制好的一张图右键点击图表上方的对话框头再点存为模板后即可以在“绘图”里边的模板中找到并使用。 11.复制格式：一张图做的很美观，另一张图可以复制它的格式。首先在第一张图上右击空白处，点“复制格式”然后再到第二张图上右击空白再点复制格式下边那个。将格式存为主题可以后调用。 12.origin怎么把柱状图变宽也就是把整个图片拉长缩短，Origin作图的最基本原则是 “想要修改什么，就直接双击什么（或者在相应位置点击右键）”

01

美人秀色空绝世，我用PS-GAN试伊妆

近日，北京航空航天大学和中国科学院大学等机构的研究者新提出的姿态稳健型空间可感知式 GAN（PSGAN），可以很方便地实现可定制化的妆容迁移，真可谓：美人秀色空绝世，我用 AI 试伊妆。

03

TensorFlow和深度学习入门教程

关键词：Python，tensorflow，深度学习，卷积神经网络正文如下：前言上月导师在组会上交我们用tensorflow写深度学习和卷积神经网络，并把其PPT的参考学习资料给了我们，这是codelabs上的教程：《TensorFlow and deep learning,without a PhD》 https://codelabs.developers.google.com/codelabs/cloud-tensorflow-mnist/#0 当然需要安装python，教程推荐使用pytho

06

如何用Python和深度神经网络寻找近似图片？

给你10万张图片，让你从中找出与某张图片最为近似的10张，你会怎么做？不要轻言放弃，也不用一张张浏览。使用Python，你也可以轻松搞定这个任务。

01

边缘计算笔记（二）: 从tensorflow生成tensorRT引擎的方法

完整内容主要介绍使用TensorFlow开发的深度神经网络如何部署在NVIDIA Jetson上，并利用TensorRT加速到5倍。

04

【深度学习入门】——亲手实现图像卷积操作

深度学习中有一个很重要的概念就是卷积神经网络 CNN,卷积神经网络中又有卷积层、池化层的概念。尤其是卷积层，理解难度比较大，虽然书中或者是视频中都有详细介绍过它的基础概念，但对于求知欲望很强烈的我，我总心里痒痒的，总想亲手实现，看看效果，怕的就是自己会眼高手低，做技术人最可怕的就是眼高手低。所以，我打算用 python 来亲自验证一遍。

02

19:肿瘤检测

19:肿瘤检测总时间限制: 1000ms 内存限制: 65536kB描述一张CT扫描的灰度图像可以用一个N*N（0 < N <= 100）的矩阵描述，矩阵上的每个点对应一个灰度值（整数），其取值范围是0-255。我们假设给定的图像中有且只有一个肿瘤。在图上监测肿瘤的方法如下：如果某个点对应的灰度值小于等于50，则这个点在肿瘤上，否则不在肿瘤上。我们把在肿瘤上的点的数目加起来，就得到了肿瘤在图上的面积。任何在肿瘤上的点，如果它是图像的边界或者它的上下左右四个相邻点中至少有一个是非肿瘤上的点，则该点称为

05

算法（BMP图像格式处理）

张爱玲：人生是一袭华丽的袍子，里面爬满了虱子。林世霖：BMP是一幅美丽的图画，里面爬满了算法。

02

几行代码构建全功能的对象检测模型，他是如何做到的？

如今，机器学习和计算机视觉已成为一种热潮。我们都看过关于自动驾驶汽车和面部识别的新闻，可能会想象建立自己的计算机视觉模型有多酷。然而，进入这个领域并不总是那么容易，尤其是在没有很强的数学背景的情况下。如果你只想做一些小的实验，像PyTorch和TensorFlow这样的库可能会很枯燥。

01

几行代码构建全功能的对象检测模型，他是如何做到的？

如今，机器学习和计算机视觉已成为一种热潮。我们都看过关于自动驾驶汽车和面部识别的新闻，可能会想象建立自己的计算机视觉模型有多酷。然而，进入这个领域并不总是那么容易，尤其是在没有很强的数学背景的情况下。如果你只想做一些小的实验，像PyTorch和TensorFlow这样的库可能会很枯燥。

02

Adobe用机器学习“反PS”，修没修图一眼就看出来

这是一张著名的PS照片，2008年伊朗政府在媒体上公布了他们成功发射导弹的照片，但是紧接着就有人出来打脸，证明了这张图是伪造的，可以看到底部的烟雾连形状都一毛一样。随着技术的发展，近几年人工智能也参与到“PS大战”中，譬如此前风靡reddit的deepfakes，以及将奥巴马换到某视频上做出一条假新闻等等。

02

数学表达式一键变图，CMU开发实用工具Penrose，堪称图解界LaTeX

在有些人眼里，数学公式就是一堆数字和符号，但在另一些人看来，这些数字和符号是可以动的，而且极富美感。为什么会有这种差距？那是因为对于后者来说，这些数字和符号的背后是一幅灵动的图，他们可以根据公式约定的规律进行变换，让人感受到数学规律带来的美感。

02

举个卡戴珊的例子，讲讲Hinton的Capsule是怎么回事 | 教程+代码

Nick Bourdakos 文李林若朴编译自 HackerNoon 量子位出品 | 公众号 QbitAI Capsule Networks，或者说CapsNet，这个名字你应该已经听过好几次

05

李飞飞团队最新论文：如何对图像中的实体精准“配对”？

编译 | 费棋【导语】近日，李飞飞的斯坦福大学视觉实验室发布了一篇即将在 CVPR 2018上要介绍的论文 Referring Relationships（指称关系），这篇论文主要研究的问题是给出一

08

【深度学习基础】一步一步讲解卷积神经网络

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。

01

【深度学习入门】——亲手实现图像卷积操作[通俗易懂]

深度学习中有一个很重要的概念就是卷积神经网络 CNN,卷积神经网络中又有卷积层、池化层的概念。尤其是卷积层，理解难度比较大，虽然书中或者是视频中都有详细介绍过它的基础概念，但对于求知欲望很强烈的我，我总心里痒痒的，总想亲手实现，看看效果，怕的就是自己会眼高手低，做技术人最可怕的就是眼高手低。所以，我打算用 python 来亲自验证一遍。

02

可能是最好玩的深度学习模型：CycleGAN的原理与实验详解

CycleGAN是在今年三月底放在arxiv的一篇文章，文章名为Learning to Discover Cross-Domain Relations with Generative Adversar

04

【重磅】谷歌发布图像超分辨率 RAISR：时间提高 100 倍，可实时在移动端运行

【新智元导读】谷歌博客今天便忙不迭地更新，介绍他们最新的图像高清生成技术 RAISR。据悉，RAISR 生成图像的质量比当前超分辨率技术更好、时间最高快 100 倍，能够实时在移动设备上运行，还能消除低分辨率图像中的混叠伪影（aliasing artifacts）。每天，网络被用于分享、存储无数照片，让人们能够探索世界，研究新的话题，甚至能与朋友、家人分享旅程。然而，这些照片中有许多分辨率很低，它们或受拍摄设备分辨率的限制，或被故意降低分辨率以适应手机、平板以及网速的限制。随着家庭以及移动高清播放设备的普

06

iOS图片像素点颜色处理

在开发过程中会遇到一些很小但有意思的功能，有一个功能是把一张图片的灰度作为另一张图片的alpha。功能实现很简单，把实现过程和遇到的一些知识分享给大家。

05

干货 | 可能是近期最好玩的深度学习模型了：CycleGAN的原理与实验详解

AI科技评论按：本文作者何之源，原文载于知乎专栏AI Insight，AI科技评论获其授权发布。 CycleGAN是在今年三月底放在arxiv（arXiv: 1703.10593）的一篇文章，文章名为《Learning to Discover Cross-Domain Relations with Generative Adversarial Networks》。同一时期还有两篇非常类似的DualGAN (arXiv: 1704.02510) 和DiscoGAN (arXiv: 1703.05192)，简单

08

二值图拓扑性质 —— 迭代修正

除了将二值图中的局部处理结果直接加起来以外，我们还可以用这些局部处理结果来生成一张新的二值图。根据原图中的对应图像单元的局部计算结果，我们可以确定：新的二值图中相应图像单元的值。新的二值图可以被作为：另一个计算周期的输入。这个操作被称为：迭代修正。

01

深度 | 脆弱的神经网络：UC Berkeley详解对抗样本生成机制

选自ML Blog of Berkeley 作者：Daniel Geng、Rishi Veerapaneni 机器之心编译参与：陈韵竹、刘晓坤、李泽南用于「欺骗」神经网络的对抗样本（adversarial example）是近期计算机视觉，以及机器学习领域的热门研究方向。只有了解对抗样本，我们才能找到构建稳固机器学习算法的思路。本文中，UC Berkeley 的研究者们展示了两种对抗样本的制作方法，并对其背后的原理进行了解读。通过神经网络进行暗杀——听起来很疯狂吧？也许有一天，这真的可能上演，不过方式

【相机标定篇】Halcon标定助手逐步使用（2）

最近一直在现场做一个比较重要的项目，也近两个月了，深入自动化行业愈久，愈发觉得此行业的艰辛，也更加希望国家在资源上能更倾向此行业。可能西方国家早已在二战期间将工业化进程结束，例如1936年，德国博世公司早已研发了ABS防抱死系统，而当时委员长还被扣在西安

05

一文梳理2020年大热的对比学习模型

对比学习的概念很早就有了，但真正成为热门方向是在2020年的2月份，Hinton组的Ting Chen提出了SimCLR，用该框架训练出的表示以7%的提升刷爆了之前的SOTA，甚至接近有监督模型的效果。在SimCLR推出后，各路大佬们又陆续提出了不少有意义的工作，本文将对2020年的一些对比学习经典研究进行总结，方便大家快速掌握这个方向的原理和发展脉络。

03

css应知应会第三集

background-image:repeating-linear-gradient();

02

深度学习与计算机视觉教程(15) | 视觉模型可视化与可解释性（CV通关指南·完结🎉）

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

06

带你入门PPT(2)

PPT版式设计，是PPT设计中最为重要的部分。选择一个好的版式，有助于信息的表达，衬托主题，方便受众理解内容。下文将介绍常用的一些PPT版式设计。在开始介绍之前，我们先回顾下之前讲到的PPT设计基本原则，这些原则对于版式设计也需遵守。

02

深度学习论文笔记（七）---Deconvolution network-2016年（Learning Deconvolution Network for Semantic Segmentation ）

本文介绍了一种用于图像分割的深度卷积网络，通过学习输入图像的像素级标签，来自动构建一个图像分割的模型。该模型采用卷积神经网络作为特征提取器，并通过反卷积操作来将特征图扩展到原始图像大小，以生成像素级别的分类结果。实验结果表明，该方法在分割精度和计算效率方面都取得了较好的效果。

00

Python气象绘图教程（五）

1、figure中的figsize(控制画布大小)、dpi(图像解析度)，在figure上添加子图

02

TensorFlow和深度学习入门教程

前言上月导师在组会上交我们用tensorflow写深度学习和卷积神经网络，并把其PPT的参考学习资料给了我们，这是codelabs上的教程：《TensorFlow and deep learning,without a PhD》 https://codelabs.developers.google.com/codelabs/cloud-tensorflow-mnist/#0 当然需要安装python，教程推荐使用python3。好多专业词太难译了，查了下，大家有些都是不译的。比如：dropou

06

“照骗”难逃Adobe的火眼金睛——用机器学习让P图无所遁形

译者 | shawn 编辑 | 姗姗出品 | 人工智能头条（公众号ID：AI_Thinker）【导读】下图是 2008 年伊朗政府发布的一张图片，然而强大的网友们却凭借着肉眼，看出来图中黄色圈出的部分和红色圈出的部分是一模一样的，不得不说网友们真的是火眼金睛。而在今年的 CVPR 计算机视觉大会， Adobe 展示了他们最新的研究，旨在利用机器学习识别经过处理过的图像。这篇研究论文在业内虽然谈不上什么突破性，而且也还没有转化为商业化产品，但是看到作为图像编辑软件龙头老大的 Adobe 进行这样的研究，

01

“照骗”难逃Adobe的火眼金睛——用机器学习让P图无所遁形

【导读】下图是 2008 年伊朗政府发布的一张图片，然而强大的网友们却凭借着肉眼，看出来图中黄色圈出的部分和红色圈出的部分是一模一样的，不得不说网友们真的是火眼金睛。而在今年的 CVPR 计算机视觉大会， Adobe 展示了他们最新的研究，旨在利用机器学习识别经过处理过的图像。这篇研究论文在业内虽然谈不上什么突破性，而且也还没有转化为商业化产品，但是看到作为图像编辑软件龙头老大的 Adobe 进行这样的研究，着实是一件有趣的事。今天人工智能头条就为大家介绍一下这个有趣的工作！

02

你看到的最直白清晰的CNN讲解

这篇博客介绍的是深度神经网络中常用在图像处理的模型——卷积神经网络（CNN），CNN在图像分类中（如kaggle的猫狗大战）大显身手。这篇博客将带你了解图像在计算机中是如何存储的，什么是卷积，卷积神经网络的四个重要环节（局部感知、参数共享、多卷积核、池化），不会涉及复杂的公式。计算机是怎么存储图片的为了更好的理解计算机对图片的存储，我找了一个非常简单的图片，是一个385*385（像素）的jpg格式的图片，如图1所示，这个图片就是一个白色为底色，数字为黑色的数字“2”，也就是说，图片中只涉及两种颜色——

寻找下一款Prisma APP：深度学习在图像处理中的应用探讨

在9月23日到9月24日的MDCC 2016年中国移动者开发大会“人工智能与机器人”专场中，阿里云技术专家周昌进行了题为《寻找下一款Prisma APP：深度学习在图像处理中的应用探讨》的演讲。演讲中，他主要介绍深度学习在图像处理领域中的应用，主要内容包括：传统的图像处理：如超分辨、灰度图彩色化、2D/3D转换等；图像/视频风格化；图像生成。

03

利用深度学习识别滑动验证码缺口位置

做爬虫的同学肯定或多或少会为验证码苦恼过，在最初的时候，大部分验证码都是图形验证码。但是前几年「极验」验证码横空出世，行为验证码变得越来越流行，其中之一的形式便是滑块验证码。

03

利用深度学习识别滑动验证码缺口位置

做爬虫的同学肯定或多或少会为验证码苦恼过，在最初的时候，大部分验证码都是图形验证码。但是前几年「极验」验证码横空出世，行为验证码变得越来越流行，其中之一的形式便是滑块验证码。

04

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