文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

RuntimeError:可视化cnn层时libpng发出错误信号

是一个运行时错误，通常出现在使用libpng库进行图像处理时。libpng是一个用于处理PNG图像文件的开源库。

在可视化CNN（卷积神经网络）层时，可能会使用libpng库来处理和显示图像。出现这个错误通常是因为libpng库在处理图像时遇到了问题，导致发出了错误信号。

为了解决这个错误，可以尝试以下几个步骤：

  1. 确保libpng库已经正确安装，并且使用的是最新版本。可以通过官方网站或软件包管理器获取最新版本的libpng。
  2. 检查图像文件是否正确，可能是图像文件本身出现了问题。可以尝试打开其他图像文件来确认。
  3. 检查代码中对libpng库的调用是否正确。确保传递给libpng函数的参数正确无误，并且调用顺序正确。
  4. 检查系统环境是否存在其他与libpng库冲突的库。可能存在其他库与libpng发生冲突，导致错误信号的出现。
  5. 如果以上步骤都没有解决问题，可以尝试使用其他图像处理库或方法来替代使用libpng库进行可视化。

腾讯云提供了一系列云计算相关的产品和服务，可以帮助开发人员构建和管理云上应用。以下是一些推荐的腾讯云产品和产品介绍链接：

  • 云服务器（ECS）：https://cloud.tencent.com/product/cvm
  • 云数据库MySQL版（CDB）：https://cloud.tencent.com/product/cdb
  • 云原生容器实例（TCI）：https://cloud.tencent.com/product/tci
  • 人工智能（AI）：https://cloud.tencent.com/product/ai
  • 物联网平台（IoT Hub）：https://cloud.tencent.com/product/iothub
  • 移动推送（TPNS）：https://cloud.tencent.com/product/tpns
  • 云存储（COS）：https://cloud.tencent.com/product/cos
  • 区块链服务（BCS）：https://cloud.tencent.com/product/bcs
  • 腾讯会议（Tencent Meeting）：https://meeting.tencent.com/

请注意，以上链接仅供参考，具体的产品选择和使用需根据实际需求进行评估和决策。

相关搜索:当我执行npm包时发出错误信号当在错误槽中启动事件循环时发生ContentNotFoundError时,QNetworkReply会发出两次错误信号在线批量查询域名怎样登陆域名邮箱域名不能push域名可以是中文吗域名泛解析 冲突双拼域名交易平台公司域名发证书吗me域名为什么贵
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

CNN实现“读脑术”，成功解码人脑视觉活动，准确率超50%

【新智元导读】研究人员开发出以人脑为模型的深度学习算法，来破解人类大脑。...现在，研究人员开发出以人脑为模型的深度学习算法，来破解人类大脑。首先，他们建立了一个大脑如何解码信息的模型。三名女性花费了数小时观看几百条短视频，功能性核磁共振机器测量了视觉皮层和其他地方的活动信号。...当一个人看到电影时（a），信息通过层叠的皮质区域（b）进行处理，产生fMRI活动模式（c）。这里使用深层CNN来建模皮质视觉处理（d）。...然后，我们检查了每个激活位置的fMRI信号与CNN中每个单元的输出时间序列之间的关系。后者指出了训练电影每一帧中特定特征的时变表现。...（c）不同CNN层对不同ROI的预测准确度。 ? 图4：解释编码模型的方差 ? 图5：单张图片或类别的皮层表示。 给定自然视觉输入的可视化单体素表示 我们开发了一种可视化每个单体素的方法。

1.1K70

学界 | 利用CNN建模脑皮层与图像：新研究提出可实现「读心术」的表征系统

选自arXiv 机器之心编译 参与：蒋思源、刘晓坤 近日，Science报道有研究者开发出能够解读人类大脑的深度学习算法，他们利用CNN建模视觉皮层信号与图像来构建强大的表征系统，该研究分别使用CNN建模了大脑的编码与解码阶段...研究者首先根据对多名志愿者的脑信号测量建立了大脑的编码模型，该过程主要是观察志愿者在观看数百条短视频时，功能性 MRI 机器测量的视觉皮层脑信号活动。...然后再利用擅长处理图像的人工神经网络（CNN）学习如何将视频图像和视觉皮层的活动信号连接起来。 构建模型并训练后，志愿者在观看额外的视频时，算法预测的活跃区域和几十个实际活跃的区域都有相关性。...它还能帮助科学家可视化视觉皮层某块区域正在处理的特征是什么。此外，还有另一个网络解码神经信号：即根据参与者的大脑活动，算法可以预测他正看到的目标类别是什么（15 个类别可达到 50% 的准确度）。...这个模型将影片的每一帧转换为多个层的特征，从视觉空间（第 1 层）的方向和颜色，到语义空间（第 8 层）的目标类别。编码过程中，网络对视频中的视觉刺激和每一个皮质位置的反应之间的非线性关系进行建模。

81050

    • 节省大量时间的 Deep Learning 效率神器

    即使只是将数据输入到预定义的 TensorFlow 网络层，维度也要弄对。当你要求进行错误的计算时，通常会得到一些没啥用的异常消息。...调试一个简单的线性层 让我们来看一个简单的张量计算，来说明缺省异常消息提供的信息不太理想。下面是一个包含张量维度错误的硬编码单（线性）网络层的简单 NumPy 实现。...如果我们使用 Python with 和tsensor 的 clarify()包装语句，我们将得到一个可视化和增强的错误消息。...如果没有增强的错误消息或可视化，我们就无法知道是哪个操作符或操作对象导致了异常。...那么在张量库的内置预建网络层中触发的异常又会如何呢？ 理清预建层中触发的异常 TensorSensor 可视化进入你选择的张量库前的最后一段代码。

    1.6K31

    EEGNet：一个小型的卷积神经网络，用于基于脑电的脑机接口

    我们应用一个平均大小(1，4)的池化层来将信号的采样率降低到32hz。我们还通过对权重使用最大范数约束1来正则化每个空间滤波器； 图1 EEGNet架构的整体可视化。...由于它们的架构最初是为250 Hz的EEG信号设计的(与这里使用的128 Hz信号相反)，我们将它们架构中的时间核和池化层的长度分为两个，以大致对应于我们的模型中使用的采样率。...2.可视化卷积核权重：因为EEGNet限制了卷积层的连通性(使用深度卷积和可分离卷积)，所以可以将时间卷积解释为窄带频率滤波器，将深度卷积解释为特定频率的空间滤波器。...当cnn被用于脑电图数据的分析时，这一点尤其正确，因为神经信号的特征往往是非平稳的，并被噪声伪影损坏。...脑电图深度学习模型一般采用三种输入方式，取决于他们的目标应用程序:(1)脑电图信号的所有可用的通道，(2)变换后的EEG信号(通常是一个时频分解)的所有可用的通道或(3)变换后的EEG信号通道的一个子集

    1.8K30

    对美食评语进行情感分析

    pandas下面分析数据的分布非常方便，而且可以支持可视化。以分析stars评分的分布为例，首先按照stars评分统计各个评分的个数。...RuntimeError: Python is not installed as a framework....为了防止过拟合，LSTM层和全连接层之间随机丢失20%的数据进行训练。 ? ? ? ? 使用CNN进行情感分析 近几年使用CNN处理文本分类问题也逐渐成为主流。...我们尝试使用简单的CNN结构来处理Yelp的分类问题。首先通过一个Embedding层进行降维成为50位的向量，然后使用一个核数为250，步长为1的一维CNN层进行处理，接着连接一个池化层。...为了防止过拟合，CNN层和全连接层之间随机丢失20%的数据进行训练。 ? ? ? ? ? ? 在深度学习出现之前，SVM和朴素贝叶斯经常用于文本分类领域，我们以SVM为例。

    2.1K20

    卷积神经网络概念与原理

    四、卷积神经网络的训练 本文的主要目的是介绍CNN参数在使用bp算法时该怎么训练，毕竟CNN中有卷积层和下采样层，虽然和MLP的bp算法本质上相同，但形式上还是有些区别的，很显然在完成CNN...4.2 BackForward反向传播 在错误信号反向传播过程中，先按照神经网络的错误反传方式得到尾部分类器中各神经元的错误信号，然后错误信号由分类器向前面的特征抽取器传播。...下图错误信号矩阵Q_err中的A，它的产生是P中左上2*2小方块导致的，该2*2的小方块的对A的责任正好可以用卷积核W表示，错误信号A通过卷积核将错误信号加权传递到与错误信号量为A的神经元所相连的神经元...同理，我们可以论证错误信号B、C、D的反向传播过程。综上所述，错误信号反向传播过程可以用下图中的卷积过程表示。...把前向卷积过程当做切割小图进行多个神经网络训练过程，我们得到四个4*1的神经网络的前层兴奋输入和后层输入错误信号，如图所示。

    1.1K20

    长文解读|深度学习+EEG时频空特征用于跨任务的心理负荷量评估

    因此，R3DCNN 的最终深层 3D CNN 结构参考了去除了全连接层的 AlexNet。表1显示了每个帧的3D CNN 配置；所有帧共享相同的权重。...在 3D CNN 结构中，每个 3D 卷积运算都由 2 个卷积层组成。网络首先基于 2D 卷积层学习空间域中的功率谱分布，然后利用 1D 卷积层学习频域分布。...特征图的可视化 除了提高准确性外，确定模型如何学习脑电图特征也很重要。反卷积被广泛用于可视化学习过程。这项研究利用这种技术来重建第二，第四和第八卷积层的 EEG 特征图。...3.频图功率变化的可视化 图6解释了 R3DCNN 的学习过程以及不同卷积层的特征。然而，如何从神经科学的角度解释学到的特征仍然是一个重要的问题。...在获得第八卷积层中内核的可视化结果之后，作者计算出高和低脑力负荷之间的θ和α的平均差。图7和8显示了几个具有清晰神经科学解释的结果。

    97500

    卷积神经网络概念与原理

    四、卷积神经网络的训练 本文的主要目的是介绍CNN参数在使用bp算法时该怎么训练，毕竟CNN中有卷积层和下采样层，虽然和MLP的bp算法本质上相同，但形式上还是有些区别的，很显然在完成CNN...4.2 BackForward反向传播 在错误信号反向传播过程中，先按照神经网络的错误反传方式得到尾部分类器中各神经元的错误信号，然后错误信号由分类器向前面的特征抽取器传播。...下图错误信号矩阵Q_err中的A，它的产生是P中左上2*2小方块导致的，该2*2的小方块的对A的责任正好可以用卷积核W表示，错误信号A通过卷积核将错误信号加权传递到与错误信号量为A的神经元所相连的神经元...同理，我们可以论证错误信号B、C、D的反向传播过程。综上所述，错误信号反向传播过程可以用下图中的卷积过程表示。...把前向卷积过程当做切割小图进行多个神经网络训练过程，我们得到四个4*1的神经网络的前层兴奋输入和后层输入错误信号，如图所示。

    2.5K22

    94页论文综述卷积神经网络：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    27411

    94页论文综述卷积神经网络：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    20920

    94页论文综述卷积神经网络：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    63070

    【CNN】94页论文综述卷积神经网络：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    1K10

    综述卷积神经网络论文：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    71700

    94页论文综述卷积神经网络：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    60470

    【综述】卷积神经网络: 从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    45420

    强烈推荐 | 卷积神经网络综述：从基础技术到研究前景

    尽管已有实证研究调查了所实现的网络的运行方式，但到目前为止，这些结果很大程度上还局限在内部处理过程的可视化上，目的是为了理解 CNN 中不同层中发生的情况。...此外，本报告还将概述通过可视化和实证研究来理解 CNN 的不同尝试。本报告的最终目标是阐释 CNN 架构中涉及的每一个处理层的作用，汇集我们当前对 CNN 的理解以及说明仍待解决的问题。...该单元的输入是当前时间的输入和前一时间的输入，然后它会返回一个输出并将其馈送给下一时间。LSTM 单元的最终输出由输入门、输出门和记忆单元状态控制。...整流是指将点方面的非线性（也被称为激活函数）应用到卷积层的输出上。这一术语借用自信号处理领域，其中整流是指将交流变成直流。这也是一个能从生物学和理论两方面都找到起因的处理步骤。...类似地，可以通过分析输入信号的性质（比如信号中的常见内容）来研究网络架构本身的设计（比如层的数量或每层中过滤器的数量）。这种方法有助于让架构达到适宜应用的复杂度。

    37020

    捕鱼船识别检测算法

    捕鱼船识别检测预警系统通过yolov5+python网络模型图像识别分析技术，捕鱼船识别检测预警算法利用河道两岸的摄像头实时监测水域中的捕鱼船活动，一旦系统识别到违规捕捞行为，立即发出预警信号，立即发出预警信号...比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（...selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。...主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层...，Yolov5中添加了FPN+PAN结构；Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

    27320

    Mask R-CNN帮你一键识别

    简而言之，在商业中需要的就是这个： 当企业家面对机器学习时，他们是这样想的：欧姆蛋的“质量（quality）”是好的 这是一个不适定问题的例子：解决方案是否存在，解决方案是否唯一且稳定还没办法确定，因为...下面是一些我们提取并发现有用的信号： 关键成分掩码（Mask R-CNN）：Signal #1. 按照每个成分分组的关键成分计数（基本上是不同成分计数的矩阵）：Signal #2....50K 管道视图如下： Mask R-CNN 以及管道的分类步骤 主要有三个步骤：[1]用于成分掩码推断的 MASK R-CNN，[2]基于 Keras 的卷积网络分类器，[3]t-SNE 算法的结果数据集可视化...信号整合：该模型只使用了一个非线性层对两个特征集合：处理过的二进制掩码（Signal＃1）和成分数（Signal＃2）。...为了将测试集的分类结果可视化，我导出了测试集图像，提取了分类器的 logits 层，并将 t-SNE 算法应用于结果数据集。

    65130

    强化学习的自然环境基准

    作者通过这项工作向RL研究界提出挑战：要达到高标准的评估，就必须开发出更具鲁棒性的算法。...当智能体正确分类图像或达到最多20个时，此幕结束。智能体若分类图像错误，则在每个时间步长的回报为-0.1。在每个时间步长接收到的状态是隐藏了未观察部分的完整图像。...CNN由3个卷积层和一个全连接层组成，其具有不同的步长和卷积核大小，处理来自不同数据集的不同尺寸的图像，选择ReLU作为激活函数。...图1 分类结果图 图 2 使用ResNet-18主干进行图像分类结果 更耐人寻味是，当在3个数据集上从3层CNN到ResNet-18测试时，都可看到性能下降。...2）用于目标定位的智能体导航 Cityscapes目标检测任务的结果如图4所示，当从3层CNN主干转为ResNet-18时，任务难度加大的同时性能也略有下降。

    85530

    Nat. Mach. Intell. | 使用指数激活函数改进卷积网络中基因组序列模体的表示

    在基因组学中，从训练好的CNN获取洞察力的另一种方法是通过可视化第一层过滤器，以获得显著特征，如序列模体；然而，最近的研究表明训练过程和设计选择会影响过滤器学习模体表示的程度。...这些激活函数中，我们对指数激活函数很感兴趣，因为它在负值时被限制在零，而在正值时迅速偏离零。...为了成功，网络必须选择一种在激活之前抑制背景噪声并仅传播具有辨别性的信号的策略，作者预计这将导致更可解释的第一层滤波器。...为了量化学习到的第一层滤波器与真实模式的匹配程度，使用基于激活的对齐方法可视化第一层滤波器，并使用TomTom量化第一层滤波器中与真实模式存在显著匹配的比例（图1b）。...由于指数激活抑制背景噪声并传播信号，第一层滤波器扫描可以用来标记序列上的模式实例。具有指数激活的CNN-deep的第一层滤波器扫描在序列上的位置上产生清晰的峰值，这些位置正是模式被植入的地方。

    23120
    点击加载更多

    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

    更多标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

      腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

      领券