将整个数据集传递给Keras fit
是指在使用Keras深度学习框架进行模型训练时，将整个数据集一次性传递给fit函数进行训练。
Keras是一个开源的深度学习框架，它提供了高层次的API，使得构建和训练深度神经网络变得更加简单和快速。fit函数是Keras中用于模型训练的方法之一，它接受输入数据和标签，并根据指定的训练参数进行模型的训练。
将整个数据集传递给Keras fit的优势是可以更快地进行模型训练。相比于传统的批量训练方式，一次性传递整个数据集可以充分利用计算资源，加快训练速度。此外，整个数据集的传递还可以减少训练过程中的数据加载和传输时间，提高训练效率。
应用场景：
- 小型数据集：当数据集较小，可以一次性加载到内存中时，将整个数据集传递给Keras fit是一个不错的选择。
- 快速迭代：如果需要快速迭代模型训练，例如进行超参数调整或模型架构优化，一次性传递整个数据集可以加快实验速度。
推荐的腾讯云相关产品和产品介绍链接地址： 腾讯云提供了多个与云计算相关的产品，包括云服务器、云数据库、人工智能等。以下是一些相关产品的介绍链接：
- 云服务器（ECS）：提供弹性计算能力，支持多种操作系统和应用场景。了解更多：腾讯云云服务器
- 云数据库MySQL版（CDB）：提供高可用、可扩展的MySQL数据库服务。了解更多：腾讯云云数据库MySQL版
- 人工智能平台（AI Lab）：提供丰富的人工智能开发工具和服务，包括图像识别、语音识别、自然语言处理等。了解更多：腾讯云人工智能平台
请注意，以上链接仅供参考，具体产品选择应根据实际需求进行评估和决策。
相关·内容
在Keras中，fit()和fit_generator()有什么区别？
我什么时候应该使用fit()和fit_generator()？
浏览 0提问于2018-07-13得票数 29
回答已采纳
1回答
我经常会声明batch_size=64或任何数字，最后看到Keras在整个数据上而不是在批处理上训练我的网络。然后我编辑了很多次，最后完成了第一段代码的工作。例如，这个简单的代码：
data_train=pd.read_csv("train.csv")
y=data_train["label"]
dt=data_train.drop("label", axis=1)
inputs = keras.Input(shape=(784,), name="digits")
x = layers.Dense(500, activation=
浏览 0提问于2021-04-20得票数 0
回答已采纳
编辑：
为了澄清为什么这个问题不同于建议的重复，这个问题是对那些建议的重复的后续问题，关于Keras到底在用这些问题中所描述的技术做什么。建议的副本使用dataset API make_one_shot_iterator()在model.fit中指定，我的后续工作是，make_one_shot_iterator()只能遍历数据集一次，但是在给定的解决方案中，指定了几个时代。
这是对这些问题的跟进
其中，“从Tensorflow 1.9开始，可以将tf.data.Dataset对象直接传递到keras.Model.fit()中，并且它的作用类似于fit_generator”。每个示例都有
浏览 0提问于2019-03-31得票数 1
回答已采纳
有时我在数据上遇到麻烦，当我重新启动fit (使用shuffle=true)时，我有时会得到一个很好的匹配。
见我先前的问题：
为什么我的模型有时不能很好地从相同的数据中学习？
作为一个工作周围，我想要自动重启的拟合过程，如果损失是高后x期。我怎样才能做到这一点？
以下是一个简化的结构：
def train_till_good():
# Some loop around train()
def train():
load_data()
model = VerySimpleNet2();
checkpoint = keras.callbacks.ModelC
浏览 0提问于2019-11-04得票数 0
我正在使用Kaggle数据集开发一个数字分类器模型：https://www.kaggle.com/c/digit-recognizer/data?select=test.csv 当使用np.array对象拟合模型时，它工作得很好，但我不能传递tensorflow ds对象。下面是我使用ds对象进行训练/验证数据的代码： import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow import keras
from functools import partial
train_df = pd.
浏览 10提问于2020-07-06得票数 0
回答已采纳
在Keras中，它提供了包含参数fit_generator()的validation_data，在每个validation_freq之后，我们可以看到acc和val_acc值。另一种方法evaluate_generator()也接受验证数据并给出一个精确的评分。
所以我的问题是：
acc和val_acc在fit_generator()中意味着什么以及它们为什么不同？ validation_data指的是与fit_generator()相同的目的吗？
浏览 1提问于2019-10-21得票数 0
我正试图预测keras / tensorflow中的所有测试批，然后绘制一个混淆矩阵。当前的BATCH_SIZE是: 32
我的测试数据集是用以下代码从一个大数据集生成的：
test_dataset = big_dataset.skip(train_size).take(test_size)
test_dataset = test_dataset.shuffle(test_size).map(augment).batch(BATCH_SIZE)
在model.compile()和model.fit()之后，我使用以下代码获得预测和正确的标签：
points, labels = list(tes
浏览 3提问于2022-04-25得票数 1
回答已采纳
我用Tensorflow编写了机器学习教程，代码如下：
import tensorflow as tf
import numpy as np
from tensorflow import keras
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.summary()
model.compile(optimizer='sgd', loss='mean_squared_error')
xs = np.array([-1.0, 0.0, 1
浏览 1提问于2020-06-22得票数 0
回答已采纳
我试图使用来自Keras的ImageDataGenerator，我想使用model.fit而不是model.fit_generator，我想去掉下面的语句，即- steps_per_epoch和validation_steps。它能工作吗?它是否也能动态地增加数据？
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.2,
浏览 2提问于2021-01-25得票数 2
回答已采纳
在《使用Scikit-Learn，Tensorflow和Keras操作ML》一书中，作者解释了如何使用数据API有效地操作、转换和传递数据到模型，他编写了以下函数：
def csv_reader(filepaths, batch_size=32):
dataset = tf.data.Dataset.list_files(filepaths)
dataset = dataset.interleave(lambda filepath:
tf.data.TextLineDataset(filepath).skip(1), cycle_length=5)
datase
浏览 14提问于2020-02-19得票数 0
4回答
我的问题很简单，在用于的顺序模型中传递给model.fit的验证数据是什么？
而且，它是否会影响模型的训练方式(例如，通常使用验证集来选择模型中的超参数，但我认为这里不会发生这种情况)？
我指的是可以这样通过的验证集：
# Create model
model = Sequential()
# Add layers
model.add(...)
# Train model (use 10% of training set as validation set)
history = model.fit(X_train, Y_train, validation_split=0.1)
# Trai
浏览 8提问于2017-09-19得票数 96
回答已采纳
2回答
我需要在一个比我的GPU更需要内存的数据集上训练一个模型。向模型提供数据集的最佳实践是什么？
以下是我的步骤：
首先，我使用batch_size加载数据集。
BATCH_SIZE=32
builder = tfds.builder('mnist')
builder.download_and_prepare()
datasets = builder.as_dataset(batch_size=BATCH_SIZE)
我准备数据的第二步
for record in raw_train_ds.take(1):
train_images, train
浏览 3提问于2020-05-04得票数 2
我想通过应用tf.data.Dataset来输入数据--我的模型。
在检查了TF2.0的文档之后，我发现.fit()函数()接受：
x-一个tf.data数据集.应该返回(输入、目标)或(输入、目标、sample_weights)的元组。
因此，我编写了以下概念代码的简单证明：
from sklearn.datasets import make_blobs
import tensorflow as tf
from tensorflow.keras import Model, Sequential
from tensorflow.keras.layers import Dense
from
浏览 6提问于2020-07-13得票数 2
回答已采纳
只是对keras.sequential train_on_batch和fit之间的区别感到困惑。唯一的区别是，在train_on_batch中，您只自动传递数据一次，而对于fit，则使用no指定数据。epochs的
如果我这么做，model.fit(x, y, epochs=5)和for i in range(5) model.train_on_batch(x, y)是一样的吗？
浏览 1提问于2019-06-06得票数 0
回答已采纳
我有个问题。我使用validation_split来分割我的数据，在每一个时代之后，我得到了一个习惯弧和损失的输出。
然而，我想可视化基于验证数据的ROC曲线。是否有可能获得这些验证数据并在其上创建ROC曲线？
loss = keras.losses.categorical_crossentropy
optim = keras.optimizers.Adam(learning_rate=0.0009)
metrics = ["accuracy"]
model_lstm.compile(loss=loss ,optimizer = optim, metrics=metrics)
浏览 2提问于2022-10-15得票数 0
2回答
下面的代码使用人工神经网络(ANN)来预测CSV文件中的类。
如果我想在测试数据上找到预测，是否执行以下操作？
predictions = model.predict(X_test)
# round predictions
rounded = [round(x[0]) for x in predictions]
prediction = pd.DataFrame(rounded,columns=['predictions']).to_csv('prediction.csv')
在本例中，我将有一个CSV文件，其中包含一个预测列表(
浏览 0提问于2019-01-28得票数 0
什么是keras.models.Model.fit中的“纪元”？这是一个渐变更新吗？如果它是多个梯度更新，那么什么是定义一个纪元？
假设我正在向fit提供我自己的批次。我会把"epoch“看作是处理整个训练集的结束(这是正确的吗)？那么如何通过这种方式控制keras呢？是否可以将batch_size设置为等于x和y大小，并将epochs设置为1？
浏览 0提问于2017-07-04得票数 41
回答已采纳
我在Google Colab上和Keras一起做图像分类。我使用tf.keras.preprocessing.image_dataset_from_directory()函数()加载图像，该函数返回tf.data.Dataset对象：
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="training",
seed=1234,
image_size=(img_height, img_width),
浏览 6提问于2020-07-28得票数 1
回答已采纳
我使用相同的数据集来训练和验证我的模型，但是我得到了不同的训练和验证的准确性/损失。既然我使用的是相同的数据，那么准确性/损失不应该是一样的吗？
以下是代码：
def create_model(dataset):
model = tf.keras.models.Sequential([tf.keras.layers.BatchNormalization(),
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', ),
浏览 1提问于2020-06-02得票数 2
回答已采纳
我有一个用Keras写的模型。因为我处理的是大文件，所以我使用Keras应用程序接口加载数据并将其提供给tf.data.Dataset fit函数。在调用model.fit()之前，我使用it=ds.make_initializable_iterator()重新初始化dataset，然后将从it.get_next()函数获得的X和y张量传递给model.fit()。问题是，当model.fit()到达数据集的末尾时，它不会继续训练，换句话说，我只能训练一个时期，无论我将什么作为“时期”变量传递给fit函数。当迭代器到达数据集的末尾时，我如何告诉Keras重新初始化迭代器？
浏览 21提问于2020-04-19得票数 0
我是Tensorflow的新手，我正在尝试实现一个反讽检测模型。我的数据集由标记为1或0的tweet组成，以表示它们是否具有讽刺意味。
经过预处理，标记化和填充阶段，我留下了固定长度的序列和相关的标签向量分裂在训练和测试集和饲料作为输入的模型。这些序列的形式如下：
>>> data
array([[ 1, 677, 348, ..., 0, 0, 0],
[ 1, 677, 348, ..., 0, 0, 0],
[ 1, 825, 1, ...,
浏览 2提问于2021-08-10得票数 2
回答已采纳
在keras中，对许多单个日期点执行fit()是否与对数据集执行fit()相同？例如，正在做一个单一的 model.fit(train_X,
train_y,
batch_size=1,
epochs=1) 与做某事相同 for i in range(len(train_X)):
model.fit([train_X[i]],
[train_y[i]],
batch_size=1,
epochs=1) 或者它是不同的？
浏览 20提问于2021-02-03得票数 1
回答已采纳
我正在尝试用tf.Dataset作为我的数据集来拟合Keras模型。我指定了参数steps_per_epoch。但是，出现了此错误：ValueError: When using iterators as input to a model, you should specify the 'steps_per_epoch' argument.此错误使我感到困惑，因为我将steps_per_epoch参数指定为数据集的长度。我已经尝试了None以及小于我的数据集长度的整数，但都没有用。
下面是我的代码：
def build_model():
'''
浏览 1提问于2019-06-20得票数 0
1回答
这样做的目的是制作一个程序来检测是否发生了攻击。
我被困在合适的模型上了
导入图书馆
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.convolutional import Conv1D
from keras.layers.convolutional import MaxPooling1D
from keras.layers.embeddings import Embedding
from keras.pr
浏览 2提问于2021-11-14得票数 0
回答已采纳
当您.fit一个Keras Sequential()模型时，可以指定一个batch_size参数。我已经注意到，它有时是独立于实际数据集大小定义的。这是否意味着小批随机抽样，而不是从上到下滚动数据集，一片一片？
浏览 0提问于2019-06-17得票数 5
回答已采纳
考虑到数据集太大，无法同时加载内存，我选择使用批处理大小为32的自定义生成器，这意味着我的数据将以32的批处理大小加载。现在，如果我正确地理解了当我将这个生成器作为paramenter提供给Keras的.fit()时，这意味着在一个时代，所有的训练数据都将由32的批模型看到。所以我的问题是，如果我为.fit()方法指定了一个fit()，这样我就可以控制何时更新权重，这将如何工作，或者我不应该指定它，并且每一批生成器的权重都会被更新？
浏览 5提问于2022-03-02得票数 2
回答已采纳
我有以下简单的设置： import tensorflow as tf
def make_mymodel():
class MyModel(tf.keras.models.Model):
def __init__(self):
super(MyModel, self).__init__()
self.model = tf.keras.Sequential([
tf.keras.layers.Input(shape=(1, 2)),
tf.keras.layers.Dense(1)
])
def ca
浏览 30提问于2021-07-12得票数 1
回答已采纳
1回答
我正在使用Tensorflow Keras在GPU上训练一个LSTM模型。在调用model.fit()时开始训练之前，需要大约30分钟才能开始训练过程。我认为在这段时间里，它用CPU的一个核心来准备数据。我说的对吗？如果是，我如何使用多核并行化这个数据准备过程？
浏览 0提问于2020-03-05得票数 0
回答已采纳
我有一组图像，我想按顺序进行分析。我的训练数据有形状( 354,260,260，1) -有354张图像，每个维度(260,260,1)。我的目的是建立一个CNN模型，计算每个图像中的对象数量，但是由于图像是顺序的，我也尝试在上面包括LSTM层，这也是我在输入维度中遇到问题的地方。不幸的是，我还没有在这个网站或谷歌上找到解决方案。
我已经建立了这样的模型：
model = Sequential()
model.add(TimeDistributed(Conv2D(filters=16, kernel_size=3, activation='relu'),
浏览 1提问于2019-11-20得票数 0
下面的代码是尼尔森的第一个mnist代码到Keras的翻译。令人惊讶的是，对于训练数据，.fit方法的最后一个精度值和.evaluate方法的精度值是不同的。正如我所预期的，对于验证数据，准确性是相同的。同样的行为也表现在损失上。我很想知道到底发生了什么。
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers
num_classes = 10
input_shape = (28, 28, 1)
# the data, split between train and test s
浏览 0提问于2021-04-11得票数 0
1回答
Keras回归
、、、、
我试图在Keras中实现一个回归模型，但是无法知道如何计算我的模型的分数，即它在我的数据集上的表现如何。
import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.cross_validation import cross_val_score, KFold
from sklearn.preprocessing
浏览 0提问于2016-08-10得票数 7
回答已采纳
我打算用Keras来显示一个混乱的矩阵，而K倍的科学学习。我使用Keras的代码是：
import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
seed = 7
numpy.random.seed(seed)
# load dataset
dataframe = pandas.read_csv("BolMov.csv", header=None)
dataset = dataframe.values
X = dataset[:,0:24].ast
浏览 0提问于2019-02-16得票数 2
作为TF的新手，我对BatchDataset在训练模型时的用法感到有点困惑。 让我们以MNIST为例。在这个分类任务中，我们可以加载数据并提供x的ndarray。 _ trian，y _ 直接训练到模型中。 mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers
浏览 85提问于2021-02-17得票数 3
回答已采纳
2回答
testing_set可以用作validation_set吗？
validation_set是否对模型学习有任何影响，或者只用于验证每个时期的验证准确性？
我正在使用keras库作为建筑模型。
model.fit(X_train, Y_train,
batch_size=batch_size,
epochs=epochs,
verbose=2,
validation_data=(X_test, Y_test))
浏览 5提问于2017-11-12得票数 0
回答已采纳
> import tensorflow as tf
>
> class MyMetric(tf.keras.callbacks.Callback):
> def on_epoch_end(self,epoch,logs={}):
> # how to access X_train and X_val here
>
> ...
> model.fit(X_train,y_train,batch_size=32,epochs=10,validation_data=(X_
浏览 28提问于2019-12-04得票数 2
我正试着建立一个神经网络来分类。我对所有数据进行了预处理，其结果如下: 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.00.0 1.0 0.0 1.0 0.0 0.0 0.0 2 0.12436986167881312 -0.426405420419126 1
虽然一切看起来都正常，数据类型是int或float，但我仍然得到以下错误：
File "C:\Users\spark\anaconda3\lib\site-packages\tensorflow\python\keras\layers\core.p
浏览 2提问于2020-08-27得票数 0
我对Keras如何适合这些模型感到有点困惑。一般来说，Keras模型是通过简单地使用model.fit(...)来实现的，如下所示：
model.fit(X_train, y_train, epochs=300, batch_size=64, validation_data=(X_test, y_test))
我的问题是:因为我用论点validation_data=(X_test, y_test)来描述测试数据，这是否意味着每一个时代都是独立的？换句话说，我理解在每个时代，Keras使用训练数据(在被洗牌后)训练模型，然后使用提供的validation_data测试经过训练的模型。如果是这样的
浏览 0提问于2019-06-04得票数 4
回答已采纳
3回答
我希望用Keras和sklean的GridSearchCV实现早期停止。
下面的工作代码示例是从修改的。数据集可以是。
修改添加了Keras EarlyStopping回调类，以防止过度拟合。要使其有效，需要使用monitor='val_acc'参数来监视验证的准确性。要使val_acc可用，KerasClassifier要求validation_split=0.1生成验证准确性，否则EarlyStopping会引发RuntimeWarning: Early stopping requires val_acc available!。注意FIXME:代码注释！
注意:我们可以用v
浏览 4提问于2018-01-06得票数 33
回答已采纳
1回答
使用这段代码(在我刚刚在数据中读取的代码片段之前，它工作得很好，而在代码片段之后，我只做标签等等)。
plt.errorbar(xdata, ydata, yerr, fmt='.', label='Data')
model = models.GaussianModel()
params = model.make_params()
params['center'].set(6.5)
#params['center'].vary = False
fit = model.fit(ydata, params=params, x=x
浏览 2提问于2020-10-20得票数 0
回答已采纳
2回答
我创建了keras模型，并在培训集的某些部分安装了验证数据。然后，我对模型的准确性感到满意，我也想将它安装在验证集上，以便在测试数据上获得最大的性能。我该怎么做？
我有一些猜测：
只包含验证集model.fit(val_ds)的Fit模型
完全数据拟合模型(train +验证) model.fit(full_ds)
浏览 7提问于2022-11-02得票数 -2
1回答
我目前正在从事一个计算机视觉项目，我想使用图像数据生成器根据目录中的类加载我的图像，所以。
我想用feature_std_normalization来增加我的图片
我在创建数据生成器对象时声明了feature_std_normalization=True，但是在训练过程中出现了一个错误：
local/lib/python3.6/dist-packages/keras_preprocessing/image/image_data_generator.py:716: UserWarning:这个ImageDataGenerator指定了featurewise_center，但是它不适合任何训练数
浏览 1提问于2019-08-04得票数 2
1回答
我的任务是创建一个训练模型，它将在最后生成一个.h5文件。然而，我在这方面遇到了很多麻烦，我希望我能得到一些指导。目前我正在尝试让它基本上只是开始训练，然后创建.h5文件，我将在稍后的工作中标准化图像等。 有几件事需要注意，我有两个以上的类别，而且我的图像大小并不完全相同。我也没有GPU。我希望能得到一些指导或答案。感谢你们能给我的任何帮助 ######################################################
# Imports
######################################################
import
浏览 19提问于2021-01-22得票数 1
回答已采纳
from keras.datasets import imdb
from keras.models import load_model
deep = load_model('ImdbLSTMtry.h5')
from keras import preprocessing
import numpy as np
(xtrain,ytrain) , (xtest,ytest) = imdb.load_data(num_words=10000)
xtrain = preprocessing.sequence.pad_sequences(xtrain,maxlen=500)
浏览 2提问于2020-05-09得票数 0
回答已采纳
我编写了Keras的代码来训练GoogleNet。然而，从fit()获得的准确率是100%，但是使用相同的训练数据来评估()，准确率仅为25%，这有如此巨大的差异！此外，与fit()不一样的评估()的准确性不会因为训练次数的增加而得到提高，这意味着它几乎保持在25%。
有人知道这种情况是怎么回事吗？
# Training Dataset and labels r given. Here load GoogleNet model
from keras.models import load_model
model = load_model('FT_InceptionV3.h5')
浏览 0提问于2019-03-11得票数 5
在tensorflow中使用Model.fit_generator时，我收到了这个弃用警告：
WARNING:tensorflow: Model.fit_generator (from tensorflow.python.keras.engine.training) is deprecated and will be removed in a future version.
Instructions for updating:
Please use Model.fit, which supports generators.
如何使用Model.fit代替Model.fit_generator
浏览 2提问于2019-12-18得票数 25
回答已采纳
我有一个巨大的csv数据集，大小为200 GB。我使用CsvDataset来制作数据集生成器，以便在训练模型时从磁盘加载数据。我希望每一个时代都能传递所有的数据。因此，我应该在参数steps_per_epoch和验证步骤中传递什么。
下面是使用data_set的Keras模型。
training_csvs = sorted(str(p) for p in pathlib.Path('.').glob("path-to-data/Train_DS/*/*.csv"))
training_csvs
training_dataset=tf
浏览 0提问于2020-11-23得票数 0
大家好，我在使用model.fit()训练模型时得到了ValueError。我试了很多方法来解决这个问题，但都不起作用。看一下..。然而，我确实将所有图像的大小调整为(512,512) ................
................
................
def resizing(image, label):
image = tf.image.resize(image, (512, 512))/255.0
return image, label
mapped_training_set = train_set.map(resizing)
mapped
浏览 14提问于2020-03-23得票数 1
回答已采纳
我对的文档有些困惑
上面写着：
batch_size:整数还是零。每个梯度更新的样本数。如果未指定，batch_size将默认为32。如果数据是以数据集、生成器或keras.utils.Sequence实例的形式(因为它们生成批处理)，则不要指定keras.utils.Sequence。
我想，当我训练(或预测)我的模型时，我必须提供一些数据，而且无论如何我必须成批地这样做。
例如，如果我的神经网络的输入大小是(2)，那么我可以：
inputs = np.ones((1,2))
my_model.fit(inputs, target_output)
#or this:
inputs
浏览 3提问于2021-05-07得票数 0
回答已采纳
我试图用以下代码使用图像数据集来训练我的模型：
import tensorflow as tf
output_size = 10
hidden_layer_size = 50
model = tf.keras.Sequential([tf.keras.layers.Flatten(input_shape = (200, 200, 3)),
tf.keras.layers.Flatten(input_shape = (200, 200, 3)),
tf.keras.layers
浏览 4提问于2021-04-28得票数 1
回答已采纳
3回答
嗨，我试图在一个模型中输入多个数据集。这是我的问题的一个例子，但是在我的例子中，我的一个模型有两个输入参数，而另一个有一个。我遇到的错误是：
Failed to find data adapter that can handle input: (<class 'list'> containing values of types {"<class 'tensorflow.python.data.ops.dataset_ops.BatchDataset'>", "<class 'tensorflow.py
浏览 5提问于2020-09-20得票数 3
回答已采纳
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
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
