首页 > 其他 > 详细

DeepLearning之路（三）MLP

时间：2016-04-20 17:59:55      阅读：228      评论：0      收藏：0      [点我收藏+]

DeepLearning tutorial（3）MLP多层感知机原理简介+代码详解

@author：wepon

@blog：http://blog.csdn.net/u012162613/article/details/43221829

 

本文介绍多层感知机算法，特别是详细解读其代码实现，基于Python theano，代码来自：Multilayer Perceptron，如果你想详细了解多层感知机算法，可以参考：UFLDL教程，或者参考本文第一部分的算法简介。

经详细注释的代码：放在我的github地址上，可下载。

一、多层感知机（MLP）原理简介

多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构，如下图：

技术分享

 

从上图可以看到，多层感知机层与层之间是全连接的（全连接的意思就是：上一层的任何一个神经元与下一层的所有神经元都有连接）。多层感知机最底层是输入层，中间是隐藏层，最后是输出层。

 

输入层没什么好说，你输入什么就是什么，比如输入是一个n维向量，就有n个神经元。

隐藏层的神经元怎么得来？首先它与输入层是全连接的，假设输入层用向量X表示，则隐藏层的输出就是

f(W1X+b1)，W1是权重（也叫连接系数），b1是偏置，函数f 可以是常用的sigmoid函数或者tanh函数：

 

技术分享       技术分享
 

最后就是输出层，输出层与隐藏层是什么关系？其实隐藏层到输出层可以看成是一个多类别的逻辑回归，也即softmax回归，所以输出层的输出就是softmax(W2X1+b2)，X1表示隐藏层的输出f(W1X+b1)。

 

MLP整个模型就是这样子的，上面说的这个三层的MLP用公式总结起来就是，函数G是softmax

技术分享

 

因此，MLP所有的参数就是各个层之间的连接权重以及偏置，包括W1、b1、W2、b2。对于一个具体的问题，怎么确定这些参数？求解最佳的参数是一个最优化问题，解决最优化问题，最简单的就是梯度下降法了（SGD）：首先随机初始化所有参数，然后迭代地训练，不断地计算梯度和更新参数，直到满足某个条件为止（比如误差足够小、迭代次数足够多时）。这个过程涉及到代价函数、规则化（Regularization）、学习速率（learning rate）、梯度计算等，本文不详细讨论，读者可以参考本文顶部给出的两个链接。

 

了解了MLP的基本模型，下面进入代码实现部分。

二、多层感知机（MLP）代码详细解读（基于python+theano）

 
再次说明，代码来自：Multilayer Perceptron，本文只是做一个详细解读，如有错误，请不吝指出。
 
这个代码实现的是一个三层的感知机，但是理解了代码之后，实现n层感知机都不是问题，所以只需理解好这个三层的MLP模型即可。概括地说，MLP的输入层X其实就是我们的训练数据，所以输入层不用实现，剩下的就是“输入层到隐含层”，“隐含层到输出层”这两部分。上面介绍原理时已经说到了，“输入层到隐含层”就是一个全连接的层，在下面的代码中我们把这一部分定义为HiddenLayer。“隐含层到输出层”就是一个分类器softmax回归（也有人叫逻辑回归），在下面的代码中我们把这一部分定义为LogisticRegression。
 
代码详解开始：
 

（1）导入必要的python模块

主要是numpy、theano，以及python自带的os、sys、time模块，这些模块的使用在下面的程序中会看到。

 

[python] view plain copy
 
  1. import os  
  2. import sys  
  3. import time  
  4.   
  5. import numpy  
  6.   
  7. import theano  
  8. import theano.tensor as T  

 

（2）定义MLP模型（HiddenLayer+LogisticRegression）

这一部分定义MLP的基本“构件”，即上文一直在提的HiddenLayer和LogisticRegression

  • HiddenLayer
隐含层我们需要定义连接系数W、偏置b，输入、输出，具体的代码以及解读如下：
 
[python] view plain copy
 
  1. class HiddenLayer(object):  
  2.     def __init__(self, rng, input, n_in, n_out, W=None, b=None,  
  3.                  activation=T.tanh):  
  4.         """ 
  5. 注释： 
  6. 这是定义隐藏层的类，首先明确：隐藏层的输入即input，输出即隐藏层的神经元个数。输入层与隐藏层是全连接的。 
  7. 假设输入是n_in维的向量（也可以说时n_in个神经元），隐藏层有n_out个神经元，则因为是全连接， 
  8. 一共有n_in*n_out个权重，故W大小时(n_in,n_out),n_in行n_out列，每一列对应隐藏层的每一个神经元的连接权重。 
  9. b是偏置，隐藏层有n_out个神经元，故b时n_out维向量。 
  10. rng即随机数生成器，numpy.random.RandomState，用于初始化W。 
  11. input训练模型所用到的所有输入，并不是MLP的输入层，MLP的输入层的神经元个数时n_in，而这里的参数input大小是（n_example,n_in）,每一行一个样本，即每一行作为MLP的输入层。 
  12. activation:激活函数,这里定义为函数tanh 
  13.         """  
  14.           
  15.         self.input = input   #类HiddenLayer的input即所传递进来的input  
  16.   
  17. """ 
  18. 注释： 
  19. 代码要兼容GPU，则W、b必须使用 dtype=theano.config.floatX,并且定义为theano.shared 
  20. 另外，W的初始化有个规则：如果使用tanh函数，则在-sqrt(6./(n_in+n_hidden))到sqrt(6./(n_in+n_hidden))之间均匀 
  21. 抽取数值来初始化W，若时sigmoid函数，则以上再乘4倍。 
  22. """  
  23. #如果W未初始化，则根据上述方法初始化。  
  24. #加入这个判断的原因是：有时候我们可以用训练好的参数来初始化W，见我的上一篇文章。  
  25.         if W is None:  
  26.             W_values = numpy.asarray(  #asarray是将数据变成矩阵（这里数据变成theano的floatX格式）
  27.                 rng.uniform(  #将随机数标准化（low - high）
  28.                     low=-numpy.sqrt(6. / (n_in + n_out)),  
  29.                     high=numpy.sqrt(6. / (n_in + n_out)),  
  30.                     size=(n_in, n_out)  
  31.                 ),  
  32.                 dtype=theano.config.floatX  #将数据修改成theano的floatX格式
  33.             )  
  34.             if activation == theano.tensor.nnet.sigmoid:  
  35.                 W_values *= 4  
  36.             W = theano.shared(value=W_values, name=‘W‘, borrow=True) #shared就是把参数变成theano的全局变量 
  37.   
  38.         if b is None:  
  39.             b_values = numpy.zeros((n_out,), dtype=theano.config.floatX)  
  40.             b = theano.shared(value=b_values, name=‘b‘, borrow=True)  
  41.   
  42. #用上面定义的W、b来初始化类HiddenLayer的W、b  
  43.         self.W = W  
  44.         self.b = b  
  45.   
  46. #隐含层的输出  
  47.         lin_output = T.dot(input, self.W) + self.b  
  48.         self.output = (  
  49.             lin_output if activation is None  
  50.             else activation(lin_output)  
  51.         )  
  52.   
  53. #隐含层的参数  
  54.         self.params = [self.W, self.b]  
  • LogisticRegression

逻辑回归（softmax回归），代码详解如下。

（如果你想详细了解softmax回归，可以参考： DeepLearning tutorial（1）Softmax回归原理简介+代码详解）

 
[python] view plain copy
 
  1. """ 
  2. 定义分类层，Softmax回归 
  3. 在deeplearning tutorial中，直接将LogisticRegression视为Softmax， 
  4. 而我们所认识的二类别的逻辑回归就是当n_out=2时的LogisticRegression 
  5. """  
  6. #参数说明：  
  7. #input，大小就是(n_example,n_in)，其中n_example是一个batch的大小，  
  8. #因为我们训练时用的是Minibatch SGD，因此input这样定义  
  9. #n_in,即上一层(隐含层)的输出  
  10. #n_out,输出的类别数   
  11. class LogisticRegression(object):  
  12.     def __init__(self, input, n_in, n_out):  
  13.   
  14. #W大小是n_in行n_out列，b为n_out维向量。即：每个输出对应W的一列以及b的一个元素。    
  15.         self.W = theano.shared(  
  16.             value=numpy.zeros(  
  17.                 (n_in, n_out),  
  18.                 dtype=theano.config.floatX  
  19.             ),  
  20.             name=‘W‘,  
  21.             borrow=True  
  22.         )  
  23.   
  24.         self.b = theano.shared(  
  25.             value=numpy.zeros(  
  26.                 (n_out,),  
  27.                 dtype=theano.config.floatX  
  28.             ),  
  29.             name=‘b‘,  
  30.             borrow=True  
  31.         )  
  32.   
  33. #input是(n_example,n_in)，W是（n_in,n_out）,点乘得到(n_example,n_out)，加上偏置b，  
  34. #再作为T.nnet.softmax的输入，得到p_y_given_x  
  35. #故p_y_given_x每一行代表每一个样本被估计为各类别的概率      
  36. #PS：b是n_out维向量，与(n_example,n_out)矩阵相加，内部其实是先复制n_example个b，  
  37. #然后(n_example,n_out)矩阵的每一行都加b  
  38.         self.p_y_given_x = T.nnet.softmax(T.dot(input, self.W) + self.b)  
  39.   
  40. #argmax返回最大值下标，因为本例数据集是MNIST，下标刚好就是类别。axis=1表示按行操作。  
  41.         self.y_pred = T.argmax(self.p_y_given_x, axis=1)  
  42.   
  43. #params，LogisticRegression的参数       
  44.         self.params = [self.W, self.b]  


ok！这两个基本“构件”做好了，现在我们可以将它们“组装”在一起。

我们要三层的MLP，则只需要HiddenLayer+LogisticRegression，

如果要四层的MLP，则为HiddenLayer+HiddenLayer+LogisticRegression........以此类推。

下面是三层的MLP：

 

[python] view plain copy
 
  1. #3层的MLP  
  2. class MLP(object):  
  3.     def __init__(self, rng, input, n_in, n_hidden, n_out):  
  4.           
  5.         self.hiddenLayer = HiddenLayer(  
  6.             rng=rng,  
  7.             input=input,  
  8.             n_in=n_in,  
  9.             n_out=n_hidden,  
  10.             activation=T.tanh  
  11.         )  
  12.   
  13. #将隐含层hiddenLayer的输出作为分类层logRegressionLayer的输入，这样就把它们连接了  
  14.         self.logRegressionLayer = LogisticRegression(  
  15.             input=self.hiddenLayer.output,  
  16.             n_in=n_hidden,  
  17.             n_out=n_out  
  18.         )  
  19.   
  20.   
  21. #以上已经定义好MLP的基本结构，下面是MLP模型的其他参数或者函数  
  22.   
  23. #规则化项：常见的L1、L2_sqr  
  24.         self.L1 = (  
  25.             abs(self.hiddenLayer.W).sum()  
  26.             + abs(self.logRegressionLayer.W).sum()  
  27.         )  
  28.   
  29.         self.L2_sqr = (  
  30.             (self.hiddenLayer.W ** 2).sum()  
  31.             + (self.logRegressionLayer.W ** 2).sum()  
  32.         )  
  33.   
  34.   
  35. #损失函数Nll（也叫代价函数）  
  36.         self.negative_log_likelihood = (  
  37.             self.logRegressionLayer.negative_log_likelihood  
  38.         )  
  39.   
  40. #误差        
  41.         self.errors = self.logRegressionLayer.errors  
  42.   
  43. #MLP的参数  
  44.         self.params = self.hiddenLayer.params + self.logRegressionLayer.params  
  45.         # end-snippet-3  

 

MLP类里面除了隐含层和分类层，还定义了损失函数、规则化项，这是在求解优化算法时用到的。

 

（3）将MLP应用于MNIST（手写数字识别）

上面定义好了一个三层的MLP，接下来使用它在MNIST数据集上分类，MNIST是一个手写数字0～9的数据集。
 
首先定义加载数据 mnist.pkl.gz 的函数load_data()：
 
[python] view plain copy
 
  1. """ 
  2. 加载MNIST数据集 
  3. """  
  4. def load_data(dataset):  
  5.     # dataset是数据集的路径，程序首先检测该路径下有没有MNIST数据集，没有的话就下载MNIST数据集  
  6.     #这一部分就不解释了，与softmax回归算法无关。  
  7.     data_dir, data_file = os.path.split(dataset)  
  8.     if data_dir == "" and not os.path.isfile(dataset):  
  9.         # Check if dataset is in the data directory.  
  10.         new_path = os.path.join(  
  11.             os.path.split(__file__)[0],  
  12.             "..",  
  13.             "data",  
  14.             dataset  
  15.         )  
  16.         if os.path.isfile(new_path) or data_file == ‘mnist.pkl.gz‘:  
  17.             dataset = new_path  
  18.   
  19.     if (not os.path.isfile(dataset)) and data_file == ‘mnist.pkl.gz‘:  
  20.         import urllib  
  21.         origin = (  
  22.             ‘http://www.iro.umontreal.ca/~lisa/deep/data/mnist/mnist.pkl.gz‘  
  23.         )  
  24.         print ‘Downloading data from %s‘ % origin  
  25.         urllib.urlretrieve(origin, dataset)  
  26.   
  27.     print ‘... loading data‘  
  28. #以上是检测并下载数据集mnist.pkl.gz，不是本文重点。下面才是load_data的开始  
  29.       
  30. #从"mnist.pkl.gz"里加载train_set, valid_set, test_set，它们都是包括label的  
  31. #主要用到python里的gzip.open()函数,以及 cPickle.load()。  
  32. #‘rb’表示以二进制可读的方式打开文件  
  33.     f = gzip.open(dataset, ‘rb‘)  
  34.     train_set, valid_set, test_set = cPickle.load(f)  
  35.     f.close()  
  36.      
  37.   
  38. #将数据设置成shared variables，主要时为了GPU加速，只有shared variables才能存到GPU memory中  
  39. #GPU里数据类型只能是float。而data_y是类别，所以最后又转换为int返回  
  40.     def shared_dataset(data_xy, borrow=True):  
  41.         data_x, data_y = data_xy  
  42.         shared_x = theano.shared(numpy.asarray(data_x,  
  43.                                                dtype=theano.config.floatX),  
  44.                                  borrow=borrow)  
  45.         shared_y = theano.shared(numpy.asarray(data_y,  
  46.                                                dtype=theano.config.floatX),  
  47.                                  borrow=borrow)  
  48.         return shared_x, T.cast(shared_y, ‘int32‘)  
  49.   
  50.   
  51.     test_set_x, test_set_y = shared_dataset(test_set)  
  52.     valid_set_x, valid_set_y = shared_dataset(valid_set)  
  53.     train_set_x, train_set_y = shared_dataset(train_set)  
  54.   
  55.     rval = [(train_set_x, train_set_y), (valid_set_x, valid_set_y),  
  56.             (test_set_x, test_set_y)]  
  57.     return rval  


加载了数据，可以开始训练这个模型了，以下就是主体函数test_mlp()，将MLP用在MNIST上：
 
[python] view plain copy
 
  1. #test_mlp是一个应用实例，用梯度下降来优化MLP，针对MNIST数据集  
  2. def test_mlp(learning_rate=0.01, L1_reg=0.00, L2_reg=0.0001, n_epochs=10,  
  3.              dataset=‘mnist.pkl.gz‘, batch_size=20, n_hidden=500):  
  4.     """ 
  5. 注释： 
  6. learning_rate学习速率，梯度前的系数。 
  7. L1_reg、L2_reg：正则化项前的系数，权衡正则化项与Nll项的比重 
  8. 代价函数=Nll+L1_reg*L1或者L2_reg*L2_sqr 
  9. n_epochs：迭代的最大次数（即训练步数），用于结束优化过程 
  10. dataset：训练数据的路径 
  11. n_hidden:隐藏层神经元个数 
  12. batch_size=20，即每训练完20个样本才计算梯度并更新参数 
  13.    """  
  14.   
  15. #加载数据集，并分为训练集、验证集、测试集。  
  16.     datasets = load_data(dataset)  
  17.     train_set_x, train_set_y = datasets[0]  
  18.     valid_set_x, valid_set_y = datasets[1]  
  19.     test_set_x, test_set_y = datasets[2]  
  20.   
  21.   
  22. #shape[0]获得行数，一行代表一个样本，故获取的是样本数，除以batch_size可以得到有多少个batch  
  23.     n_train_batches = train_set_x.get_value(borrow=True).shape[0] / batch_size  
  24.     n_valid_batches = valid_set_x.get_value(borrow=True).shape[0] / batch_size  
  25.     n_test_batches = test_set_x.get_value(borrow=True).shape[0] / batch_size  
  26.   
  27.     ######################  
  28.     # BUILD ACTUAL MODEL #  
  29.     ######################  
  30.     print ‘... building the model‘  
  31.   
  32. #index表示batch的下标，标量  
  33. #x表示数据集  
  34. #y表示类别，一维向量  
  35.     index = T.lscalar()    
  36.     x = T.matrix(‘x‘)   
  37.     y = T.ivector(‘y‘)    
  38.                          
  39.   
  40.     rng = numpy.random.RandomState(1234)  
  41. #生成一个MLP，命名为classifier  
  42.     classifier = MLP(  
  43.         rng=rng,  
  44.         input=x,  
  45.         n_in=28 * 28,  
  46.         n_hidden=n_hidden,  
  47.         n_out=10  
  48.     )  
  49.   
  50. #代价函数，有规则化项  
  51. #用y来初始化，而其实还有一个隐含的参数x在classifier中  
  52.     cost = (  
  53.         classifier.negative_log_likelihood(y)  
  54.         + L1_reg * classifier.L1  
  55.         + L2_reg * classifier.L2_sqr  
  56.     )  
  57.   
  58.   
  59. #这里必须说明一下theano的function函数，givens是字典，其中的x、y是key，冒号后面是它们的value。  
  60. #在function被调用时，x、y将被具体地替换为它们的value，而value里的参数index就是inputs=[index]这里给出。  
  61. #下面举个例子：  
  62. #比如test_model(1)，首先根据index=1具体化x为test_set_x[1 * batch_size: (1 + 1) * batch_size]，  
  63. #具体化y为test_set_y[1 * batch_size: (1 + 1) * batch_size]。然后函数计算outputs=classifier.errors(y)，  
  64. #这里面有参数y和隐含的x，所以就将givens里面具体化的x、y传递进去。  
  65.     test_model = theano.function(  
  66.         inputs=[index],  
  67.         outputs=classifier.errors(y),  
  68.         givens={  
  69.             x: test_set_x[index * batch_size:(index + 1) * batch_size],  
  70.             y: test_set_y[index * batch_size:(index + 1) * batch_size]  
  71.         }  
  72.     )  
  73.   
  74.     validate_model = theano.function(  
  75.         inputs=[index],  
  76.         outputs=classifier.errors(y),  
  77.         givens={  
  78.             x: valid_set_x[index * batch_size:(index + 1) * batch_size],  
  79.             y: valid_set_y[index * batch_size:(index + 1) * batch_size]  
  80.         }  
  81.     )  
  82.   
  83. #cost函数对各个参数的偏导数值，即梯度，存于gparams  
  84.     gparams = [T.grad(cost, param) for param in classifier.params]  
  85.       
  86. #参数更新规则  
  87. #updates[(),(),()....],每个括号里面都是(param, param - learning_rate * gparam)，即每个参数以及它的更新公式  
  88.     updates = [  
  89.         (param, param - learning_rate * gparam)  
  90.         for param, gparam in zip(classifier.params, gparams)  
  91.     ]  
  92.   
  93.     train_model = theano.function(  
  94.         inputs=[index],  
  95.         outputs=cost,  
  96.         updates=updates,  
  97.         givens={  
  98.             x: train_set_x[index * batch_size: (index + 1) * batch_size],  
  99.             y: train_set_y[index * batch_size: (index + 1) * batch_size]  
  100.         }  
  101.     )  
  102.   
  103.   
  104.     ###############  
  105.     # 开始训练模型 #  
  106.     ###############  
  107.     print ‘... training‘  
  108.       
  109.   
  110.   
  111.     patience = 10000    
  112.     patience_increase = 2    
  113. #提高的阈值，在验证误差减小到之前的0.995倍时，会更新best_validation_loss    
  114.     improvement_threshold = 0.995    
  115. #这样设置validation_frequency可以保证每一次epoch都会在验证集上测试。    
  116.     validation_frequency = min(n_train_batches, patience / 2)  
  117.     
  118.   
  119.     best_validation_loss = numpy.inf  
  120.     best_iter = 0  
  121.     test_score = 0.  
  122.     start_time = time.clock()  
  123.       
  124. #epoch即训练步数，每个epoch都会遍历所有训练数据  
  125.     epoch = 0  
  126.     done_looping = False  
  127.   
  128.   
  129. #下面就是训练过程了，while循环控制的时步数epoch，一个epoch会遍历所有的batch，即所有的图片。  
  130. #for循环是遍历一个个batch，一次一个batch地训练。for循环体里会用train_model(minibatch_index)去训练模型，  
  131. #train_model里面的updatas会更新各个参数。  
  132. #for循环里面会累加训练过的batch数iter，当iter是validation_frequency倍数时则会在验证集上测试，  
  133. #如果验证集的损失this_validation_loss小于之前最佳的损失best_validation_loss，  
  134. #则更新best_validation_loss和best_iter，同时在testset上测试。  
  135. #如果验证集的损失this_validation_loss小于best_validation_loss*improvement_threshold时则更新patience。  
  136. #当达到最大步数n_epoch时，或者patience<iter时，结束训练  
  137.     while (epoch < n_epochs) and (not done_looping):  
  138.         epoch = epoch + 1  
  139.         for minibatch_index in xrange(n_train_batches):#训练时一个batch一个batch进行的  
  140.   
  141.             minibatch_avg_cost = train_model(minibatch_index)  
  142.             # 已训练过的minibatch数，即迭代次数iter  
  143.             iter = (epoch - 1) * n_train_batches + minibatch_index  
  144. #训练过的minibatch数是validation_frequency倍数，则进行交叉验证  
  145.             if (iter + 1) % validation_frequency == 0:  
  146.                 # compute zero-one loss on validation set  
  147.                 validation_losses = [validate_model(i) for i  
  148.                                      in xrange(n_valid_batches)]  
  149.                 this_validation_loss = numpy.mean(validation_losses)  
  150.   
  151.                 print(  
  152.                     ‘epoch %i, minibatch %i/%i, validation error %f %%‘ %  
  153.                     (  
  154.                         epoch,  
  155.                         minibatch_index + 1,  
  156.                         n_train_batches,  
  157.                         this_validation_loss * 100.  
  158.                     )  
  159.                 )  
  160. #当前验证误差比之前的都小，则更新best_validation_loss，以及对应的best_iter，并且在tsetdata上进行test  
  161.                 if this_validation_loss < best_validation_loss:  
  162.                     if (  
  163.                         this_validation_loss < best_validation_loss *  
  164.                         improvement_threshold  
  165.                     ):  
  166.                         patience = max(patience, iter * patience_increase)  
  167.   
  168.                     best_validation_loss = this_validation_loss  
  169.                     best_iter = iter  
  170.   
  171.                     test_losses = [test_model(i) for i  
  172.                                    in xrange(n_test_batches)]  
  173.                     test_score = numpy.mean(test_losses)  
  174.   
  175.                     print((‘     epoch %i, minibatch %i/%i, test error of ‘  
  176.                            ‘best model %f %%‘) %  
  177.                           (epoch, minibatch_index + 1, n_train_batches,  
  178.                            test_score * 100.))  
  179. #patience小于等于iter，则终止训练  
  180.             if patience <= iter:  
  181.                 done_looping = True  
  182.                 break  
  183.   
  184.     end_time = time.clock()  
  185.     print((‘Optimization complete. Best validation score of %f %% ‘  
  186.            ‘obtained at iteration %i, with test performance %f %%‘) %  
  187.           (best_validation_loss * 100., best_iter + 1, test_score * 100.))  
  188.     print >> sys.stderr, (‘The code for file ‘ +  
  189.                           os.path.split(__file__)[1] +  
  190.                           ‘ ran for %.2fm‘ % ((end_time - start_time) / 60.))  
文章完，经详细注释的代码：放在我的github地址上，可下载。
如果有任何错误，或者有说不清楚的地方，欢迎评论留言。

DeepLearning之路（三）MLP

原文：http://www.cnblogs.com/fclbky/p/5413304.html
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
分享档案
更多>
2021年09月23日 (328)
2021年09月24日 (313)
2021年09月17日 (191)
2021年09月15日 (369)
2021年09月16日 (411)
2021年09月13日 (439)
2021年09月11日 (398)
2021年09月12日 (393)
2021年09月10日 (160)
2021年09月08日 (222)
最新文章
更多>
教程昨日排行
更多>
友情链接
汇智网   PHP教程   插件网  
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣，分享程序人生！