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

对DNN中丢包的理解

DNN（Deep Neural Network，深度神经网络）中丢包是指在网络传输过程中，由于网络拥塞、链路故障或其他原因导致数据包丢失的现象。DNN中丢包会对模型的训练和推理产生一定的影响。

在DNN的训练过程中，丢包可能导致训练数据的缺失或错误，从而影响模型的准确性和稳定性。丢包会导致模型无法获得完整的训练数据，从而可能降低模型的性能。为了解决这个问题，可以采取以下措施：

数据冗余：通过在传输过程中增加冗余数据，可以提高数据的可靠性。例如，可以使用冗余编码技术，将原始数据进行冗余编码，使得即使部分数据包丢失，也能够恢复原始数据。
重传机制：当检测到数据包丢失时，可以通过重传机制重新发送丢失的数据包。这可以通过使用TCP协议等可靠传输协议来实现。
前向纠错：通过在数据包中添加冗余信息，可以实现前向纠错。接收端可以利用冗余信息来纠正部分丢失的数据包，从而减少丢包对模型的影响。

DNN中丢包的解决方案不仅仅局限于网络层面，还可以从应用层面进行优化。例如，可以通过增加模型的鲁棒性，使其对丢包更加容忍。此外，还可以通过优化网络架构、调整超参数等方式来减少丢包对模型的影响。

在腾讯云中，推荐使用云服务器（CVM）来部署和运行DNN模型。腾讯云的云服务器提供高性能的计算能力和稳定的网络环境，可以满足DNN模型训练和推理的需求。具体产品介绍和链接如下：

腾讯云云服务器（CVM）：提供高性能、可扩展的云服务器实例，支持多种规格和配置，适用于各类应用场景。详情请参考：https://cloud.tencent.com/product/cvm

腾讯云CDN：提供全球分布式的内容分发网络，可以加速数据传输，减少丢包和延迟。详情请参考：https://cloud.tencent.com/product/cdn

腾讯云弹性公网IP：提供灵活的公网IP资源，可以实现公网访问和负载均衡。详情请参考：https://cloud.tencent.com/product/eip

腾讯云私有网络（VPC）：提供安全可靠的虚拟网络环境，可以隔离和保护DNN模型的数据和计算资源。详情请参考：https://cloud.tencent.com/product/vpc

总结：DNN中丢包是指在网络传输过程中数据包丢失的现象，可能对模型的训练和推理产生影响。解决方案包括数据冗余、重传机制和前向纠错等。腾讯云提供的云服务器、CDN、弹性公网IP和私有网络等产品可以满足DNN模型部署和运行的需求。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

直觉有害！Facbook最新研究：易于解释的神经元会误导DNN的学习

关于AI是什么，学界和业界已经给出了非常多的定义，但是对于AI理解，探讨尚不足。换句话说，计算机科学家解释深度神经网络（DNNs）的能力大大落后于我们利用其取得有用结果的能力。

03

Facebook：易于解释的神经元可能会阻碍深度神经网络的学习

AI 模型能「理解」什么？为什么能理解这些东西？回答这些问题对于复现和改进 AI 系统至关重要。但遗憾的是，计算机科学家在解释深度神经网络（DNN）方面的能力远远落后于我们利用这些网络获取有用成果的能力。

03

GLUE排行榜上全面超越BERT的模型近日公布了！

GLUE 榜单链接：https://gluebenchmark.com/leaderboard

02

开发 | 表现比 BERT 更胜一筹？微软用于学习通用语言嵌入的 MT-DNN 即将开源

AI 科技评论按：不久前，微软发布了用于学习通用语言嵌入的多任务深度神经网络模型——MT-DNN，它集成了 MTL 和 BERT 语言模型预训练二者的优势，在 10 项 NLU 任务上的表现都超过了 BERT，并在通用语言理解评估（GLUE）、斯坦福自然语言推理（SNLI）以及 SciTail 等多个常用 NLU 基准测试中取得了当前最佳成绩。微软在官方博客上对该模型进行了介绍，AI 科技评论编译如下。

02

开发 | 表现比 BERT 更胜一筹？微软用于学习通用语言嵌入的 MT-DNN 即将开源

AI 科技评论按：不久前，微软发布了用于学习通用语言嵌入的多任务深度神经网络模型——MT-DNN，它集成了 MTL 和 BERT 语言模型预训练二者的优势，在 10 项 NLU 任务上的表现都超过了 BERT，并在通用语言理解评估（GLUE）、斯坦福自然语言推理（SNLI）以及 SciTail 等多个常用 NLU 基准测试中取得了当前最佳成绩。微软在官方博客上对该模型进行了介绍，AI 科技评论编译如下。

01

深度学习之DNN与前向传播算法

深度神经网络（Deep Neural Networks，以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。从感知机到神经网络在感知机原理小结中，我们介绍过感知机的模型，它是一个有若干输入和一个输出的模型，如下图: 📷 输出和输入之间学习到一个线性关系，得到中间输出结果： 📷 接着是一个神经元激活函数: 从而得到我们想要的输出结果1或者-1。这个模型只能用于二元分类，且无法学习比较复杂的非线性模型，因此在工业界无法使用。而神经

06

Facebook、MIT等联合发表451页手稿：用「第一性原理」解释DNN

蒸汽机推动了工业革命的发生，并改变了制造业。然而，直到热力学定律和统计力学原理的发展，科学家们才能够在理论层面完全解释蒸汽机的工作原理。

04

451页长文！Facebook科学家用马斯克坚信的「第一性原理」阐释DNN， LeCun站台

一次访谈中他表示，「神经网络主要是从现实中获取大量信息，很多来自无源光学方面，并创建矢量空间，本质上将大量光子压缩成矢量空间。」

04

PyTorch学习系列教程：深度神经网络【DNN】

趁着清明小假期，决定继续输出几篇文章。对于PyTorch学习教程系列，有了前几篇推文做铺垫，这次打算用三篇文章分别介绍一下深度学习中的三大基石：DNN、CNN、RNN。本文就从DNN开始，即深度神经网络。

04

深度神经网络（DNN）模型与前向传播算法

深度神经网络（Deep Neural Networks，以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。

04

深度学习之DNN与前向传播算法

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四前言深度神经网络（Deep Neural Networks，以下简称DN

04

dotnet开源手册_c++基本框架

之前因为看有人怀疑我的DNN C#版本不是官方的，我晕，我得把整个事情的来龙去脉给写出来。

02

卷积神经网络(CNN)模型结构

在前面我们讲述了DNN的模型与前向反向传播算法。而在DNN大类中，卷积神经网络(Convolutional Neural Networks，以下简称CNN)是最为成功的DNN特例之一。CNN广泛的应用于图像识别，当然现在也应用于NLP等其他领域，本文我们就对CNN的模型结构做一个总结。

02

GLUE基准新突破：微软多任务模型首次超越自然语言人类基准

通用语言理解评估基准（GLUE）是用于评估和分析多种已有自然语言理解任务的模型性能的工具，模型基于在所有任务的平均准确率进行评估。WNLI（Winograd 自然语言推理）数据集是是 GLUE 中的一个数据集，它是来自（Levesque et al., 2011）的小型自然语言推理数据集。

01

神经网络其实和人一样懒惰，喜欢走捷径......

人工智能会很快取代放射科医生吗？最近，研究人员训练了一个深度神经网络对乳腺癌进行分类，其准确度达到了85％。当与其他三种神经网络模型结合使用时，最终的集成方法达到了出色的99％的分类准确度，可以与经过多年训练的放射专家相媲美。

06

深度神经网络全面概述：从基本概念到实际模型和硬件基础

选自arxiv 作者：Joel Emer等机器之心编译深度神经网络（DNN）所代表的人工智能技术被认为是这一次技术变革的基石（之一）。近日，由 IEEE Fellow Joel Emer 领导的一个团队发布了一篇题为《深度神经网络的有效处理：教程和调研（Efficient Processing of Deep Neural Networks: A Tutorial and Survey）》的综述论文，从算法、模型、硬件和架构等多个角度对深度神经网络进行了较为全面的梳理和总结。鉴于该论文的篇幅较长，机器之

Nature发文：深度学习系统为什么这么好骗？

几张贴纸就能「改变」交通标志识别结果，转个方向就看不出图中的动物种类，今天的人工智能系统经常会出现莫名其妙的 bug。最新一期《自然》杂志上的这篇文章向我们介绍了深度学习为什么如此容易出错，以及解决这些问题的研究方向。

03

干货 | 深度学习之卷积神经网络(CNN)的模型结构

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第一【Python】：排名第三【算法】：排名第四前言在前面我们讲述了DNN的模型与前向反向传播算法。而在DNN大类中，卷积

08

修改一个像素，就能让神经网络识别图像出错

选自arXiv 作者：Su Jiawei等人机器之心编辑部用于识别图片中物体的神经网络可以被精心设计的对抗样本欺骗，这个问题目前在计算机视觉领域备受关注。此前，生成对抗样本通常需要向原图片中加入一

07

「熊猫」变「长臂猿」，「乌龟」变「来复枪」，深度学习模型被攻击，破解之道有哪些？

作者 | Douglas Heaven 翻译 | JocelynWang 编辑 | 唐里

01

深度神经网络（DNN）模型与前向传播算法

深度神经网络（Deep Neural Networks，以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。

01

机器视觉与深度神经网络—洗去浮华,一窥珠玑

本文由“我道（myfaithmyroad）”授权转载作者，刘志斌，字炫材，清华博士毕业，先后在盛大创新院、百度、腾讯任职。目前为微信大数据架构师，研究内容覆盖数据挖掘、互联网金融、社交网络与信息传播。近期新开个人公众号“我道”，撰写作者对领域的心得与行业的见解。近年来机器学习、AI领域随着深度神经网络（DNN）的崛起而迎来新一波的春天，尤其最近两年无论学界还是业界，或是各大媒体，甚至文盲老百姓都言必称“智能”。关于这方面，可讨论的东西实在太多太多，我不想写成一本厚厚的书，所以在此仅以机器学习在

04

【DS Solutions】一个反欺诈产品的进化，Stripe Radar

文章开篇描述了Stripe Radar在用户点击“购买”到交易确认之间的极短时间内的工作流程。Stripe Radar通过评估超过1000个潜在交易特征来确定其欺诈可能性，准确率极高，错误阻止的合法交易仅占0.1%。

01

【杂谈】聊聊我们关于网络拥塞与控制优化的一些技术方案

互联网上的两点通信时，每经过一个路由设备叫一跳（Hop）。而每一跳都有不同的带宽，两点之间的可用带宽是每一跳中的最小值，被称为“Bottleneck BW”。

00

利用 SVCCA 解释深度神经网络

文 / Google Brain 团队 Maithra Raghu 深度神经网络 (DNN) 推动视觉、语言理解和语音识别等领域取得了前所未有的进步。但是，这些成功也带来了一些新挑战。特别是，与许多之前的机器学习方法不同，DNN 在分类中容易受对抗样本的影响，在强化学习任务中容易出现灾难性遗忘，以及在生成式建模中容易发生模式崩溃。为了构建更好、更可靠的 DNN 系统，能够解释这些模型就显得尤为重要。具体来说，我们想要为 DNN 引入一种表示相似性概念：我们能够有效确定两个神经网络学到的表示在何时相同吗？在

06

ICLR 2019 | 如何理解深度神经网络的泛化性能？谷歌认为可以从「泛化鸿沟」入手

AI 科技评论按：深度神经网络（DNN）作为机器学习的基础，为图像识别、图像分割、机器翻译等诸多领域取得突破性进展做出了重大贡献，然而研究人员始终都无法完全理解支配 DDN 的基本原理。其中，泛化是预测和理解 DNN 在未见过样本上的性能的重要指标，而理解泛化的一个重要概念便是泛化鸿沟（generalization gap）。基于此，谷歌的这篇 ICLR 2019 论文提出使用跨网络层的标准化边际分布作为泛化鸿沟的预测因子，对边际分布与泛化之间的关系进行了实证研究，结果表明边际分布的一些基本统计量可以准确地预测泛化鸿沟。谷歌发表文章对该论文进行了介绍，AI 科技评论编译如下。

03

ICLR 2019 | 如何理解深度神经网络的泛化性能？谷歌认为可以从「泛化鸿沟」入手

AI 科技评论按：深度神经网络（DNN）作为机器学习的基础，为图像识别、图像分割、机器翻译等诸多领域取得突破性进展做出了重大贡献，然而研究人员始终都无法完全理解支配 DDN 的基本原理。其中，泛化是预测和理解 DNN 在未见过样本上的性能的重要指标，而理解泛化的一个重要概念便是泛化鸿沟（generalization gap）。基于此，谷歌的这篇 ICLR 2019 论文提出使用跨网络层的标准化边际分布作为泛化鸿沟的预测因子，对边际分布与泛化之间的关系进行了实证研究，结果表明边际分布的一些基本统计量可以准确地预测泛化鸿沟。谷歌发表文章对该论文进行了介绍，AI 科技评论编译如下。

01

PyTorch学习系列教程：循环神经网络【RNN】

前两篇推文分别介绍了DNN和CNN，今天本文来介绍深度学习的另一大基石：循环神经网络，即RNN。RNN应该算是与CNN齐名的一类神经网络，在深度学习发展史上具有奠基性地位。

02

深度学习应用篇-推荐系统[12]：经典模型-DeepFM模型、DSSM模型召回排序策略以及和其他模型对比

CTR预估是目前推荐系统的核心技术，其目标是预估用户点击推荐内容的概率。DeepFM模型包含FM和DNN两部分，FM模型可以抽取low-order（低阶）特征，DNN可以抽取high-order（高阶）特征。低阶特征可以理解为线性的特征组合，高阶特征，可以理解为经过多次线性-非线性组合操作之后形成的特征，为高度抽象特征。无需Wide&Deep模型人工特征工程。由于输入仅为原始特征，而且FM和DNN共享输入向量特征，DeepFM模型训练速度很快。

02

面试热点|浅谈TCP/IP传输层TCP BBR算法

这是TCP/IP协议栈系列的第三篇文章，之前的一篇面试热点|理解TCP/IP传输层拥塞控制算法讲述了传统的拥塞控制算法基本原理，今天一起来学习下最新Linux内核中增加的拥塞控制算法：TCP BBR算法。

02

在OpenCV中基于深度学习的边缘检测

分析了Canny的优劣，并给出了OpenCV使用深度学习做边缘检测的流程，文末有代码链接。

02

深度学习结合树搜索求解集装箱预翻箱问题

论文阅读笔记，个人理解，如有错误请指正，感激不尽！该文分类到Machine learning alongside optimization algorithms。

06

NeurIPS 2023 | 「解释一切」图像概念解释器来了，港科大团队出品

你是否好奇当一个黑盒深度神经网络 (DNN) 预测下图的时候，图中哪个部分对于输出预测为「击球手」的帮助最大？

05

深度神经网络之前向传播算法

深度神经网络(Deep Neural Networks,DNN)从字面上理解，也就是深层次的神经网络，从网络结构上看来就是有多个隐含层的神经网络。深度神经网络不仅能够用于分类和回归，在降维、聚类、语音识别、图像识别方面也有许多应用。由于神经网络内容较多，将分多次写作，本次主要讲解深度神经网络中的前向传播算法，后续还有反向传播算法、损失函数和激活函数、正则化。

01

深度神经网络之正则化

之前介绍的文章之中，我们已多次接触到正则化方法，但没有详细的解释为什么要正则化，什么是正则化，以及L1正则化和L2正则化的区别。本次文章之中，我们将详解机器学习中正则化的概念和深度神经网络中的正则化方法。

03

由深度神经网络想到的人生意义和哲理

大数据文摘作品转载具体要求见文末选文 | Aileen 作者 | Nitin Pande 翻译 | 宇文 Valavalavava 校对 | 脸红 ◆ ◆ ◆ 导读几周前，我经历工作项目的调动，恰好给了我空余时间重拾那些很久没有碰过的感兴趣的话题。机器学习是我兴趣列表中的第一项。这是一个已经广泛渗入科技领域的话题，但我对其一无所知。仅几周的泛读，已经让我相信我们正加速朝向一个通用人工智能的时代。随着物联网(IOT)设备的快速普及产生了极大量数据，在这方面深度挖掘的进步将会保证这一未来越来越近。但是基

03

为什么深度学习如此容易被愚弄？AI研究员正在努力修复神经网络缺陷

假设一辆自动驾驶汽车看到停车标志时并没有减速，而是加速驶入了繁忙的十字路口，从而导致了交通事故。事故报告显示，停车标志的表面粘了四个小的矩形标志。这说明一些微小扰动就能愚弄车载人工智能（AI），使其将“停止”一词误读为“限速45”。

02

2017年最值得关注的人工智能概念之“迁移学习”

【新智元导读】微软全球资深副总裁 Peter Lee 认为，迁移学习同样具有极高的应用潜力。过去，机器学习在搜索和信息检索等领域中的实用价值较为单一，大多聚焦于通过万维网上大量数据集和人物信息进行学

深入理解推荐系统：特征交叉组合模型演化简史

深入理解推荐系统：Fairness、Bias和Debiasmp.weixin.qq.com

01

图像识别泛化能力人机对比：CNN比人类还差得远

我们通过 12 种不同类型的图像劣化（image degradation）方法，比较了人类与当前的卷积式深度神经网络（DNN）在目标识别上的稳健性。首先，对比三种著名的 DNN（ResNet-152、VGG-19、GoogLeNet），我们发现不管对图像进行怎样的操作，几乎所有情况下人类视觉系统都更为稳健。我们还观察到，当信号越来越弱时，人类和 DNN 之间的分类误差模式之间的差异会逐渐增大。其次，我们的研究表明直接在畸变图像上训练的 DNN 在其所训练的同种畸变类型上的表现总是优于人类，但在其它畸变类型上测试时，DNN 却表现出了非常差的泛化能力。比如，在椒盐噪声上训练的模型并不能稳健地应对均匀白噪声，反之亦然。因此，训练和测试之间噪声分布的变化是深度学习视觉系统所面临的一大关键难题，这一难题可通过终身机器学习方法而系统地解决。我们的新数据集包含 8.3 万个精心度量的人类心理物理学试验，能根据人类视觉系统设置的图像劣化提供对终身稳健性的有用参考。

02

【他山之石】来自日本程序员的纯C++深度学习库tiny-dnn

“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。

02

机器语音识别技术发展脉络概览 | 文末有彩蛋

通常我们说到语音识别技术的时候，指的是整个语音对话系统，如图所示，语音对话系统通常包括四个主要组成部分的一个或多个：语音识别系统将语音转化为文本、语义理解系统提取用户说话的语义信息、文字转语音系统将内容转化为语音、对话管理系统连接其他三个系统并完成与实际应用场景的沟通。所有这些部分对建立一个成功的语音对话系统都是很关键的。

02

DNN/LSTM/Text-CNN情感分类实战与分析

最近把2014年Yoon Kim的《Convolutional Neural Networks for Sentence Classification》看了下，不得不说虽然Text-CNN思路比较简单，但确实能够在Sentence Classification上取得很好的效果。另外，之前@霍华德大神提了这个问题，链接如下：

03

【独家】朱凯华：智能搜索和对话式OS最新技术全面解读（65PPT）

【新智元导读】百度度秘事业部首席技术官朱凯华日前在上海计算机学会做了题为《AI赋能的搜索和对话交互》的报告，主要介绍了现在的百度搜索及度秘“DuerOS”系统。由陆奇领衔、百度全新组建的度秘事业部有什

06

DNNBrain：北师大团队出品，国内首款用于映射深层神经网络到大脑的统一工具箱

深度神经网络(DNN)通过端到端的深度学习策略在许多具有挑战性的任务上达到了人类水平的性能。深度学习产生了具有多层抽象层次的数据表示;然而，它没有明确地提供任何关于DNNs内部运作的解释，换句话说它的内部运作是一个黑盒子。深度神经网络的成功吸引了神经科学家，他们不仅将DNN应用到生物神经系统模型中，而且还采用了认知神经科学的概念和方法来理解DNN的内部表示。尽管可以使用诸如PyTorch和TensorFlow之类的通用深度学习框架来进行此类跨学科研究，但是使用这些框架通常需要高级编程专家和全面的数学知识。因此迫切需要一个专门为认知神经科学家设计的工具箱，以绘制DNN和大脑的图。在这项研究里，北京师范大学(后文称北师大)研究团队设计并开发了DNNBrain，这是一个基于Python的工具箱，旨在探索DNN和大脑中的内部表示形式。通过集成DNN软件包和完善的脑成像工具，DNNBrain为各种研究场景提供了应用程序和命令行界面，例如提取DNN激活，探测DNN表示，将DNN表示映射到大脑以及可视化DNN表示。北师大研究团队人员表示，希望他们开发的这款工具箱可以加速将DNN应用到生物神经系统建模以及利用认知神经科学范式揭示DNN的黑匣子方面的科学研究。

02

AI技术讲座精选：NLP 模型到底选 RNN 还是 CNN？

【AI100 导读】本文系统地对比了 CNN 和 RNN 在 NLP 各大任务上的表现，包括：情感分类、关系分类、文本蕴含、答案选择、问题关系匹配、PQA、词性标注等。RNN 在大部分任务上都表现的更好，除了在关键词匹配和识别这类任务不如 CNN。这篇文章有很多不错的结论，值得一读！摘要深度神经网络（DNNs）的出现使得自然语言处理领域（NLP）发生了翻天覆地的变化。卷积神经网络（CNN）和循环神经网络（RNN）是深度神经网路（DNN）的两种主要的架构类型，目前正在大范围的研究当中，用于处理各种各

04

在OpenCV中基于深度学习的边缘检测

转载自丨3d tof 原文地址：在OpenCV中基于深度学习的边缘检测推荐阅读：普通段位玩家的CV算法岗上岸之路（2023届秋招）

01

Neuron | 使用深度人工神经网络模拟单个皮质神经元

本文介绍由以色列耶路撒冷希伯来大学的David Beniaguev等人发表于Neuron的研究成果。作者使用机器学习方法，表明皮质锥体神经元的I/O特性可以在毫秒级的分辨率下，由一个5到8层的时间卷积神经网络来近似描述。DNN的深度源于NMDA受体和树突形态之间的相互作用。对DNN的权重矩阵的分析表明，树突分支可以被概念化为一组时空模式检测器。作者还提供了一个统一的方法来评估任何神经元类型的计算复杂度。

01

XDeepFM高阶特征交互,特征交互：一种极深因子分解机模型

对于预测性的系统来说，特征工程起到了至关重要的作用。特征工程中，挖掘交叉特征是至关重要的。交叉特征指的是两个或多个原始特征之间的交叉组合。例如，在新闻推荐场景中，一个三阶交叉特征为AND(user_organization=msra,item_category=deeplearning,time=monday_morning),它表示当前用户的工作单位为微软亚洲研究院，当前文章的类别是与深度学习相关的，并且推送时间是周一上午。

03

DAC 2019低功耗目标检测系统设计挑战赛：GPU、FPGA组双冠军方案解读

本次比赛内容传承了上届精髓，包含极具挑战性的软硬件协同设计任务：参赛队伍需要设计高精度算法完成小物体检测、被遮蔽物体检测、相似目标区分等任务，也需要充分考虑算法被部署在目标平台后的检测速度及功耗等硬件因素。本次比赛由 Nvidia、Xilinx 和 DJI 赞助，参赛者可选择 Nvidia TX2 GPU 或 Xilinx Ultra96 FPGA 作为目标平台，使用 DJI 提供的由无人机采集的图片作训练数据。机器之心邀请了荣获双冠军的 UIUC 博士生张晓帆对比赛获奖设计作深度解读。

02

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