E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
mmlab学习系列
PostgreSQL数据分页
继Golang
学习系列
第五天:Golang和PostgreSQL开发RESTfulAPI,有一个接口是查询文章,不过由于文章会有很多,所以需要分页显示,类似于下面的效果我使用的是PostgreSQL数据库
董广明
·
2020-08-03 10:33
postgresql
数据库
postgresql
数据库
Golang
学习系列
第六天:操作MongoDB
0.ssh连接linux(我用的centos7),略1.安装MongoDB可以直接到MongoDB官网https://docs.mongodb.com/manual/tutorial/install-mongodb-on-red-hat-tarball/根据样板安装:,可根据自己的电脑操作系统下载对应的版本,我下载的是mongodb-linux-x86_64-4.0.0.tgz安装包,不过也可以直
董广明
·
2020-08-03 10:32
数据库
MongoDB
golang
Golang
学习系列
第五天: Golang和PostgreSQL开发 RESTful API
继Golang
学习系列
第四天:操作数据库PostgreSQL,今天开始学习Golang和PostgreSQL开发RESTfulAPI接口,以Gorilla为例。
董广明
·
2020-08-03 10:32
golang
postgresql
golang
postgresql
机器
学习系列
04:梯度下降法及 Python 实现
本内容将介绍梯度下降法以及其三种类型(批量梯度下降法(BGD)、随机梯度下降法(SGD)和小批量梯度下降法(MBGD))。最后将给出使用随机梯度下降法拟合一个线性回归模型的Python代码。 在机器学习中,为了学得一个能够较好反映实际的模型,通常的方法:针对模型构建损失函数,然后使得损失函数最小化。在实际任务中,梯度下降法是使用较多的一种方法。一、梯度下降法 梯度下降法(Gradientd
空杯的境界
·
2020-08-03 10:35
01_机器学习
机器学习系列
机器
学习系列
08:深入理解拉格朗日乘子法、KKT 条件和拉格朗日对偶性
本内容将介绍支持向量机(SVM)中需要使用的基础知识:拉格朗日乘子法、KKT条件和拉格朗日对偶性。一、最优化问题 最优化问题通常分为无约束问题、等式约束问题和不等式约束问题。下面我们将介绍对这些问题如何求解。1.1无约束问题 对于变量x∈Rn\mathbf{x}\in\Bbb{R}^{n}x∈Rn的函数f(x)f(\mathbf{x})f(x),无约束优化问题如下:(1)minf(x)\
空杯的境界
·
2020-08-03 10:45
01_机器学习
机器学习系列
再谈SVM(hard-margin和soft-margin详细推导、KKT条件、核技巧)
前言:大概一个月前,通过李宏毅的机器
学习系列
视频,我自学了一点SVM,整理在:机器学习之SVM(HingeLoss+KernelTrick)原理推导与解析。
Cyril_KI
·
2020-08-03 10:07
Machine
Learning
笔记
算法与数学泛谈
svm
对偶问题
机器学习
Kotlin
学习系列
之:inline
inline:Kotlin中的一个关键字,用来修饰function,那么这个function就被称作inlinefunction(内联函数)。最初接触内联函数这个概念还是当初在学校学习C语言时候提到的,Java中是没有这一概念的,如今Kotlin又引入这一特性。那么inlinefunction有什么优势或者说特点呢?特点:当你调用一个inlinefunction的时候,编译器不会产生一次函数调用,
xlh1191860939
·
2020-08-03 08:06
Kotlin
Kotlin系列教程
Gradle
学习系列
之九——自定义Task类型
在本系列的上篇文章中,我们学习了多Project构建,在本篇文章中,我们将学到如何自定义Task类型。请通过以下方式下载本系列文章的Github示例代码:gitclonehttps://github.com/davenkin/gradle-learning.git在前面的文章中我们讲到,Gradle本身只是一个架子,真正起作用的是Task和Plugin。要真正了解Task和Plugin的工作机制并
weixin_34007879
·
2020-08-03 07:07
Caffe
学习系列
(8):solver优化方法
上文提到,到目前为止,caffe总共提供了六种优化方法:StochasticGradientDescent(type:"SGD"),AdaDelta(type:"AdaDelta"),AdaptiveGradient(type:"AdaGrad"),Adam(type:"Adam"),Nesterov’sAcceleratedGradient(type:"Nesterov")andRMSprop(
weixin_33774883
·
2020-08-03 06:23
Gradle
学习系列
之五——自定义Property
在本系列的上篇文章中,我们讲到了增量式构建,在本篇文章中,我们将讲到如何自定义Project的Property。请通过以下方式下载本系列文章的Github示例代码:gitclonehttps://github.com/davenkin/gradle-learning.git在前面的文章中我们讲到,设置和读取Project的Property是使用Gradle的一个很重要的方面。比如,很多Plugin
weixin_33686714
·
2020-08-03 06:31
VMware vSphere 5.1
学习系列
之三:安装 ESXi
一、ESXi系统要求ESXi硬件要求有关ESXi最高配置及其他更多详细信息,请查阅VMware官方文档。二、以交互方式安装ESXi安装ESXi系统交互方式安装是通过ESXi安装光盘进行安装。在VMwareWorkstation窗口中,在虚拟机esx1.jack.com页面中,点击Poweronthisvirtualmachine。虚拟机将从ESXi安装光盘启动。启动ESXi安装光盘引导菜单,默认选
舞夜狂飙
·
2020-08-03 05:05
http协议
学习系列
(https通信过程)
3.4.1什么是httpsHTTPS(全称:HypertextTransferProtocoloverSecureSocketLayer),是以安全为目标的HTTP通道,简单讲是HTTP的安全版。即HTTP下加入SSL层,HTTPS的安全基础是SSL,因此加密的详细内容请看SSL。见下图:https所用的端口号是443。3.4.2https的实现原理有两种基本的加解密算法类型:1)对称加密:密钥只
请叫我大师兄__
·
2020-08-03 02:41
http
/
https
Android Handler内存泄漏解决方法
AndroidContext内存泄漏的情况很多,有兴趣可阅读以下文章:Android
学习系列
(36)--App调试内存泄露之Context篇(上)Android
学习系列
(37)--App调试内存泄露之Context
TedSmile
·
2020-08-03 01:22
Android应用开发
深度
学习系列
9:基础网络结构(更新中)
1.基本卷积卷积可以看作对某个局部的加权求和;它是对应局部感知,它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体,而是先从局部开始认识,这就对应了卷积。CNN使用卷积方法能够获取对平移、缩放和旋转不变的观测数据的显著特征,因为图像的局部感受区域允许神经元或者处理单元可以访问到最基础的特征,例如定向边缘或者角点。一般CNN网络会使用多个卷积层来进行训练基本特征,然后使用flatte
IE06
·
2020-08-03 01:35
深度学习
深度
学习系列
8:openvino
1.为什么使用openvinoopenvino是intel开发的深度学习模型推理加速引擎,总体使用感觉就是方便,压缩后的模型再cpu上跑的速度可以媲美gpu(据称精度损失都小于5%)。另外,intel还在不断出配套的硬件,下半年要出货的keembay性价比已经超越了现在的海康nnie(p.s.这家的sdk极不友好);使用openvino还有一个优点,就是openvino内置优化过的opencv,处
IE06
·
2020-08-03 01:02
深度学习
深度
学习系列
2:框架tensorflow
1.背景tensorflow是一套可以通过训练数据的计算结果来反馈修改模型参数的一套框架,由谷歌公司于2015年11月开源,可以点击playground来可视化的尝试操作tensorflow,随便试了一下,挺好玩:使用如下语句进行安装:pipinstalltensorflowtensorflow近期发布了2.0预览版本,改动极大,在第4部分介绍。TensorFlow再这么完善下去,都可以不用再学p
IE06
·
2020-08-03 01:02
python
算法
强化学习系列
深度
学习系列
5:迁移学习和部署
1.迁移学习实际中,基本没有人会从零开始(随机初始化)训练一个完整的卷积网络。通常的做法是使用别人训练好的ConvNet的参数作为目标任务的初始化参数(甚至固定convnet的参数,只训练后面的参数)。下面使用pytorch来说明迁移学习的步骤。deftrain_model(model,criterion,optimizer,scheduler,num_epochs=25):since=time.
IE06
·
2020-08-03 01:01
算法
深度学习
强化
学习系列
7:无模型的蒙特卡洛法
1.无模型问题在很多时候,我们无法得知模型信息,比如前几节的蛇棋中,我们不知道棋盘梯子的信息和骰子的信息,用数学化的方法来说,就是我们用于决策的智能体不知道状态转移概率PPP。和有模型问题使用VVV计算的方法相比,我们需要保存并更新QQQ,很容易波动不收敛,因此需要的迭代次数一般需要更多。首先介绍蒙特卡洛法,这是一种策略迭代方法。2.采样的方法2.1计算公式当我们无法得知PPP的时候,一个直观的想
IE06
·
2020-08-03 01:30
python
算法
强化学习
强化学习系列
mmaction2 数据相关源码概览
文章目录0.前言1.Dataset构建过程2.数据预处理模块化实现3.视频采样方式实现4.数据增强方式实现5.DataLoader的实现0.前言github:open-
mmlab
/mmaction2从宏观角度记录一下与
清欢守护者
·
2020-08-03 00:10
PyTorch
Android
学习系列
(29)--App调试的几个命令实践
在Android的应用开发中,我们会用到各种代码调试;其实在Android的开发之后,我们可能会碰到一些随机的问题,如cpu过高,内存泄露等,我们无法简单的进行代码调试,我们需要一个系统日志等等,下面我把握工作中碰到的几个常用命令和方法给大家演示实践一下。1.logcat命令这个命令最简单常用,可查看帮助,我不多说,如果需要打印时间,加参数-vtimeadblogcat-vtime2.bugrep
dianan1505
·
2020-08-02 23:21
java.util.concurrent源码
学习系列
--Executor
Executor的系列类图如下:这一些了类或接口都是和任务提交和执行相关的。java.util.concurrent.AbstractExecutorService(implementsjava.util.concurrent.ExecutorServiceextendsjava.util.concurrent.Executor)java.util.concurrent.ThreadPoolExe
cq1982
·
2020-08-02 23:27
后端技术
Android
学习系列
(7)--App消息通知机制
有人说,程序员很安静,但我不完全同意,程序员的聒噪,是藏在代码后面,是藏在程序后面。这篇文章是android开发人员的必备知识,是我特别为大家整理和总结的,不求完美,但是有用。1.消息推送机制服务器器端需要变被动为主动,通知客户一些开发商认为重要的信息,无论应用程序是否正在运行或者关闭。我想到了一句话:Don'tcallme,iwillcallyou!QQ今天在右下角弹出了一个对话框:"奥巴马宣布
comeontony
·
2020-08-02 23:50
android
android 图形系统加速
学习系列
(一)
Android系统使用OpenGL的标准接口来支持3D图形功能,包含框架层及本地代码两个主要部分,这里先介绍本地代码部分。源代码目录为:frameworks\base\opengl\libs在这个代码路径下面会编译生成三个库:libEGL,libGLESv1_CM.so,libGLESv2.so,那么这三个库之间是个什么关系呢?首先说明一下主要实现的功能:EGL是用来管理绘图表面的(Drawing
andyhuabing
·
2020-08-02 22:20
Android系统框架学习
android
学习及系统开发
吴恩达机器
学习系列
课程笔记——非监督学习
该系列笔记内容是楼主在观看课程时记录的,其中图片是视频中ppt的截图,内容仅供参考,有问题欢迎大家指出。目录1.聚类(Clustering)1.1K均值算法(K-means)——迭代算法1.1.1失真代价函数(DistortionCostFunction)1.1.2聚类中心的随机初始化1.1.3聚类数量的选择2.降维(DimensionalityReduction)2.1主成分分析法(PCA,Pr
White_lies
·
2020-08-02 22:33
#
吴恩达机器学习
吴恩达机器
学习系列
课程笔记——机器学习系统设计
该系列笔记内容是楼主在观看课程时记录的,其中图片是视频中ppt的截图,内容仅供参考,有问题欢迎大家指出。目录1.误差分析1.1交叉验证错误率(CrossValidationError)1.2查准率和召唤率(Precision/Recall)1.2.1评估度量方法F~1~Score2.推荐系统2.1基于内容的推荐算法(ContentBasedRecommendations)2.2协同过滤(Colla
White_lies
·
2020-08-02 22:01
#
吴恩达机器学习
吴恩达机器
学习系列
课程笔记——过拟合问题以及正则化技术
该系列笔记内容是楼主在观看课程时记录的,其中图片是视频中ppt的截图,内容仅供参考,有问题欢迎大家指出。目录1.过拟合问题(OverfittingProblem)2.正则化技术(RegularizationMethod)什么是拟合在介绍拟合前先定义两个名词:偏差和方差偏差(Bias)又称为表观误差,是指个别测定值与测定的平均值之差,它可以用来衡量测定结果的精密度高低,这里描述的是根据样本拟合出的模
White_lies
·
2020-08-02 22:01
#
吴恩达机器学习
吴恩达机器
学习系列
课程笔记——神经网络
该系列笔记内容是楼主在观看课程时记录的,其中图片是视频中ppt的截图,内容仅供参考,有问题欢迎大家指出。目录1.神经元结构2.神经网络结构3.前向传播(ForwardPropagation)3.1例子3.1.1简单模型(逻辑运算)3.1.2复杂模型(多输出——分类问题)4.反向传播算法(BackpropagationAlgorithm)4.1梯度检验(GradientChecking)5.随机初始
White_lies
·
2020-08-02 22:01
#
吴恩达机器学习
吴恩达机器
学习系列
课程笔记——机器学习的评估和诊断
该系列笔记内容是楼主在观看课程时记录的,其中图片是视频中ppt的截图,内容仅供参考,有问题欢迎大家指出。目录1.机器学习评估方法1.1传统标准1.2交叉验证集2.机器学习诊断法(MachineLearningDiagnostics)2.1特征数量对拟合的影响2.2正则化参数对拟合的影响2.3样本数对拟合的影响——学习曲线(LearningCurves)2.4神经网络隐藏层神经元个数对拟合的影响1.
White_lies
·
2020-08-02 22:01
#
吴恩达机器学习
SVM之软间隔最大化
跟我一起机器
学习系列
文章将首发于公众号:月来客栈,欢迎文末扫码关注!
空字符(公众号:月来客栈)
·
2020-08-02 22:04
跟我一起机器学习
Gradle
学习系列
之十——自定义Plugin(本系列完)
在本系列的上篇文章中,我们讲到了如何自定义Task类型,在本篇文章中,我们将讲到如何自定义Plugin。请通过以下方式下载本系列文章的Github示例代码:gitclonehttps://github.com/davenkin/gradle-learning.git在Plugin中,我们可以向Project中加入新的Task,定义configurations和property等。我们3种方法可以自
weixin_34032792
·
2020-08-02 21:17
深入Java集合
学习系列
:深入CopyOnWriteArraySet
http://www.cnblogs.com/skywang12345/p/3498497.html?utm_source=tuicool概要本章是JUC系列中的CopyOnWriteArraySet篇。接下来,会先对CopyOnWriteArraySet进行基本介绍,然后再说明它的原理,接着通过代码去分析,最后通过示例更进一步的了解CopyOnWriteArraySet。内容包括:CopyOnW
weixin_30315435
·
2020-08-02 21:31
【机器
学习系列
】之支持向量回归SVR
【机器
学习系列
】之SVM硬间隔和软间隔【机器
学习系列
】之SVM核函数和SMO算法【机器
学习系列
】之支持向量回归SVR【机器
学习系列
】之sklearn实现SVM代码一、SVM回归模型概述对于SVM回归模型
張張張張
·
2020-08-02 20:18
机器学习
【机器
学习系列
】之SVM硬间隔和软间隔
【机器
学习系列
】之SVM硬间隔和软间隔【机器
学习系列
】之SVM核函数和SMO算法【机器
学习系列
】之支持向量回归SVR【机器
学习系列
】之sklearn实现SVM代码SVM概述假定给出训练样本集D={(x1
張張張張
·
2020-08-02 20:17
机器学习
强化
学习系列
11:从统计学习到深度学习
1.用深度学习计算V在传统的无模型强化学习中,v/q值的计算是用统计方法进行的,可以理解为一种贝叶斯方法。伴随着如今深度学习的火热,使用深度学习去刻画V值是一个不错的方向。2.基本概念其次介绍一些基本概念:感知机(perceptron):具有单一线性层的网络称为感知机,相当于一个全连接层+0/1函数。如果全连接层的个数多于一层,那么叫做多层感知机。激活函数:sigmoid、ReLU、hyperbo
IE06
·
2020-08-02 20:06
python
算法
强化学习系列
吴恩达机器
学习系列
课程笔记——代价函数
该系列笔记内容是楼主在观看课程时记录的,其中图片是视频中ppt的截图,内容仅供参考,有问题欢迎大家指出。目录1.平方误差代价函数(SquareErrorCostFunction)2.逻辑回归代价函数(LogisticRegressionCostFunction)3.神经网络代价函数(NeuralNetworkCostFunction)4.支持向量机代价函数(SVMCostFunction)4.1偏
White_lies
·
2020-08-02 20:51
#
吴恩达机器学习
手推机器
学习系列
笔记——手推SVM(1)硬间隔、软间隔、约束优化问题、对偶性证明、KKT条件
笔记是听了b站大神的白板推导机器
学习系列
课,再结合李航老师的《统计学习方法》、周志华老师的西瓜书以及其他优秀博主的博客而成(浑然天成!!!)
Fox_Alex
·
2020-08-02 20:22
机器学习
【机器
学习系列
】之SVM核函数和SMO算法
【机器
学习系列
】之SVM硬间隔和软间隔【机器
学习系列
】之SVM核函数和SMO算法【机器
学习系列
】之支持向量回归SVR【机器
学习系列
】之sklearn实现SVM代码一、SVM核函数SVM基本型假设的是训练样本是线性可分的
張張張張
·
2020-08-02 20:50
机器学习
手推机器
学习系列
笔记——手推SVM(2) 对偶问题探讨、Slater条件、核技巧、SMO算法推导+简单实现代码、数据集
一、两个问题在我的上一篇博客手推SVM(1)中有两个问题值得探讨:(传送门:https://blog.csdn.net/Fox_Alex/article/details/105113554)为什么转对偶?是否所有的都可以转对偶?何时转对偶?Slater条件通过查阅大量文献、博客、视频教程,就目前我对这两个问题的认识如下,希望能和大家一起探讨探讨:解答:问题1:转对偶对偶性在我的上一篇博客手推SVM
Fox_Alex
·
2020-08-02 20:01
机器学习
Mysql
学习系列
-- 表结构查看以及表结构修改
使用MySql数据库时,如果对表字典不够熟悉,我们就需要查看表结构。如果数据库是在远程linux上部署,很多时候我们只能通过mysql的命令来查看表结构。同样,如果我们想要修改表结构,添加、删除、修改列时,也只能通过Mysql命令来执行。OK,下面我们就一起来学习一下上面这些操作的命令是什么。一、查看表结构信息(1)查看表中列信息命令:desctable_name;效果如下:二、查看表结构命令:s
躬匠
·
2020-08-02 19:15
MySql
【Active Learning - 04】Generative Adversarial Active Learning
主动
学习系列
博文:【ActiveLearning-00】主动学习重要资源总结、分享(提供源码的论文、一些AL相关的研究者):https://blog.csdn.net/Houchaoqun_XMU/article
Houchaoqun_XMU
·
2020-08-02 16:42
【深度学习】
【机器学习】
【日积月累】
Java并发编程
学习系列
四:线程池
概念为什么要使用多线程呢?先从总体上来说:从计算机底层来说:线程可以比作是轻量级的进程,是程序执行的最小单位,线程间的切换和调度的成本远远小于进程。另外,多核CPU时代意味着多个线程可以同时运行,这减少了线程上下文切换的开销。从当代互联网发展趋势来说:现在的系统动不动就要求百万级甚至千万级的并发量,而多线程并发编程正是开发高并发系统的基础,利用好多线程机制可以大大提高系统整体的并发能力以及性能。再
hresh
·
2020-08-02 15:35
Java并发编程
AutoCAD 二次开发
学习系列
【6】 - 视口
一直对AutoCAD里的视口这个概念很模糊。今天写了个程序明白了一些。我的理解就是把当前的视图给分屏了。一般情况下咱们看得都是一个视图。如果你需要在一个屏幕里从不同的视角同时进行观看,这个就可以通过创建多个视口来完成。在ObjectARX里,有AcDbViewPortTable类和AcDbViewportTableRecord类来表示。步骤分3步:1.创建一到多个AcDbViewportTable
CHANGHAI1982
·
2020-08-02 15:49
AutoCAD
机器
学习系列
(五)——支持向量机SVM
支持向量机SVM目录支持向量机SVM1、硬间隔SVM-统计学习基础1)基本概念:2)对偶讲解2、软间隔3、核函数常用的核函数及对比:4、SMO求解SVM5、代码实现6、参考博客逻辑回归是基于似然度的分类方法,通过对数据建模得到软输出;而支持向量机属于基于判别式的硬输出分类方法。支持向量机并不关心数据的概率,而是基于判别式找到最优的超平面作为二分类问题的决策边界。简单来说就是能走直线就别兜弯子。不要
冰淇淋lining
·
2020-08-02 13:32
小白的学习笔记
Vue 微信小程序 uni-app
学习系列
《一》
下载开发工具http://www.dcloud.io/hbuilderx.html创建项目文件–》项目运行下载微信小程序开发工具,并且完成安装https://developers.weixin.qq.com/miniprogram/dev/devtools/download.html设置微信开发工具路径C:/ProgramFiles(x86)/Tencent/微信web开发者工具打开小程序开发工具
bseayin
·
2020-08-02 13:32
微信小程序
Vue
【Active Learning - 03】Adaptive Active Learning for Image Classification
主动
学习系列
博文:【ActiveLearning-00】主动学习重要资源总结、分享(提供源码的论文、一些AL相关的研究者):https://blog.csdn.net/Houchaoqun_XMU/article
Houchaoqun_XMU
·
2020-08-02 12:18
【深度学习】
【机器学习】
【日积月累】
HRNet提取骨架特征点+ ST-GCN训练自己的数据集代码实践问题记录
软硬件环境:python3.6.5Ubuntu18.04LTSPytorch1.1.0NVIDIATITANXP8GB项目链接https://github.com/open-
mmlab
/mmskeleton
Cheungleilei
·
2020-08-02 12:27
计算机视觉
行为检测学习记录
机器
学习系列
--KNN分类算法例子
url:机器
学习系列
--KNN分类算法用的是spark2.0.2,scala2.11importorg.apache.spark.
李孟lm
·
2020-08-01 14:12
数据挖掘
机器学习
Prometheus
学习系列
(三十四)exporters和集成
有许多库和服务器可帮助从第三方系统导出现有指标作为Prometheus指标。这对于无法直接使用Prometheus指标(例如,HAProxy或Linux系统统计信息)检测给定系统的情况非常有用。一、第三方导出器其中一些出口商作为普罗米修斯GitHub官方组织的一部分进行维护,这些出口商被标记为官方,其他出口商则由外部提供和维护。我们鼓励创建更多出口商,但不能审查所有出口商的最佳做法。通常,这些出口
飞雪K
·
2020-08-01 13:25
Java
学习系列
(五)Java面向对象之抽象类、接口、内部类、枚举类详解
抽象类、接口常常与设计模式紧密相连。掌握抽象类、接口等其实很简单。下面以说明+实例的方式来讲,这样更容易理解。抽象类先看一个关键字“abstract”,我们知道它是抽象的意思。所谓抽象,说的直白一点就是同一件事情,有不同的实现。比如呼吸这个动作,人需要肺呼吸,而鱼需要鳃呼吸。代码实现如下:abstractclassCommonMode{abstractvoidbreathe(Stringname)
iteye_20130
·
2020-08-01 12:24
Java学习系列
Spring Security OAuth专题学习-授权码模式及简化模式实例
本文是SpringSecurityOAuth2
学习系列
文章中的第四篇;主要讲解授权码模式(AuthenticationCode)及简化模式(Implicit)的使用。
icarusliu81
·
2020-08-01 12:05
Spring
Spring
Security
OAuth2应用示例
上一页
58
59
60
61
62
63
64
65
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他