机器学习课程速览

共十五讲。

好那我们来很快的概述一下这个学期你预期可以学到什么样的东西
好那这边呢是课程网页的连接
而那本课程呢总共有15讲
那课程的录音目前都已经放在课程网页上了
所以你现在就可以开始学习
你完全可以花一个周末把所有的课程从头到尾一口气通通看完
哇塞你可以每一周按部就班的学习
你也完全可以用一周的时间把所有的内容统统学完啊
up to you
你可以自己决定你要用什么的
不怎么样的步调来学习机器学习
好那每一讲呢都有一个对应的作业啊
作业的内容之后呢
会在上课的时间公告
那呃就像我刚才说的
如果你没有办法来教室
你没有办法听直播
完全没有关系
因为作业的讲解也通通会录音好
那上课时间会做什么呢
你说既然录音都已经有了
上课会讲
除了讲这个助教的作业
主要讲请助教来讲作业以外
还会做什么事情呢
今年上课呢会再讲一些新的内容
但是新的内容是跟作业没有关系的
那你自己决定要不要来听
其实跟着我过去的经验呢
这个新的内容跟作业完全无关的
这个200人的课堂
最后有来五个人
我就已经偷笑了
这样子嘿好
那我们就开始来讲一下这门课
你一起会学到什么
这门课既然叫做机器学习
那么就预习学到什么是机器学习
但什么是机器学习呢
你在报章杂志上可能会听到很多对ai的吹捧
你已经知道说机器学习和ai是极其相关的一个技术
但具体而言机器学习是什么呢
具体而言机器学习其实就是叫机器帮我们找一个函数
好函数
这个是一个你国高中的时候就有的概念
而机器学习做的事情其实就是找一个函数
我知道你在房间在各种科普的文章
可能可以找到各式各样拟人化的讲法
告诉你说机器学习就是机器在模仿人类
然后3号他就知道怎么学习的
那你根本不知道那个科普文章在讲什么
但实际上机器学习就是找一个函式
举例来说
假设你要叫机器做语音辨识啊
今天呢几乎每只手机都有语音辨识的功能
你的手机讲一句话
他可以把你说的声音讯号转成文字
那手机是怎么做到语音辨识的呢
那就是手机里面有一个函数
这个函式在拖影片上
我们用小f来表示这个函式的输入啊
是一段声音讯号输出
就是这段声音讯号对应的文字
那这个函式显然非常非常的复杂
你可以想见
把声音讯号转换成文字
这是一个非常巨大的工程
这个函式显然非常的复杂
但不是人类可以写出来的形式
所以怎么办
我们期待透过机器的力量把这个函数找出来
这个就是机器学习好
那同样的
如果你要做影像辨识的
影像辨识
今天对大家来说也不是什么太新鲜的技术
当你把一张照片上传到facebook的时候
facebook会直接自动tag你的朋友
这就是影像辨识的一个例子
那机器怎么做影像辨识呢
一样找出一个韩式
韩式的输入是一张图片
输出是你要的结果
比如说图片里面有什么样的东西
这就是影像辨识
就算是大家都知道阿尔法go其实也就是一个韩式
这个韩式的输入是棋盘上黑子和白子的位置
输出是下一步应该落子的位置
所以机器学习就是帮我们找一个人类写不出来的复杂形式好
那在这门课里面呢
我们其实只会特别着重在机器学习里面的某一个关键技术
叫做深度学习
当我们说深度学习的时候
我们的意思是说我们的韩式啊
我们说机器学习就是找一个韩式
那我说深度学习的时候
我们的意思是说机器就是要找一个函式
而这个函数使用一个类神经网络的
这个类神经网络一听就觉得是一个很潮的东西
但是你很快就会知道说说什么内神经管录
就是模拟大脑的神经呢
然后怎样怎样
然后不知道怎么回事
他就会学习啊
那完全就是一片片麻瓜的讲话
这样好
那我反正在这门课里面
我们的函数就是一个类神经网络
那他可以有各式各样的输出
举例来说它可以有各式各样的输入
举例来说
它的输入可以是一个向量
或者是他的收入可以是一个矩阵
什么时候我们会希望韩式的输入是矩阵呢
举例来说
你在做影像辨识的时候
往往一张图片就是用一个矩阵来表示它
或者是这个函式的输入
也可以是一个序列
举例来说
如果你要做语音
便是你要做翻译
你的函式的输入是一段声音讯号
一句话或者是一段文字
这个时候你的输入其实就是一个序列
那也有各式各样的输出
你的输出可以是一个数值
输出是一个数值的任务啊
叫做regression
你的输出可以是一个类别
所以输出是类别的
意思是说你提供给机器几个选项
叫他选择其中一个
那这样子的任务叫做分类好
那还有其他更复杂的输出
比如说你可以叫机器写一段话
写一篇文章或甚至叫机器画图
那这些各种各样的输入跟输出
我们在这堂课都会很快的在其中之前就交给你
告诉你说怎么用内神经网络来制造这些韩式
让他可以做各式各样的输入和输出
举例来说
在第一个作业我们做的是有关ky nt的这个确诊率的预测
那我们的函数的输入就是一个向量
输出
就是一个数值
那很快就会看到这件事情是怎么达成的好
那在第二个作业呢
我们会做风铃的classification
那你不知道风铃的classification是什么
也没有关系
它其实是一个语音辨识的简化版
那在这个任务里面
我们的输入是一个向量
我们的输出是一个类别
好在第三讲对的作业里面
我们要做影像电视
那这个时候我们的输入就是一个向量
也就是一张图片
我们的输出是这个图片所对应的类别
在第四讲的作业里面
我们会做愚者辨认
也就让机器听一段声音
他判断说这段声音是谁讲的
这个时候它的输入是序列
它的输出是类别
那在第五章的作业里面
我们会做机器翻译
让机器比如说读一段中文
把它翻译成英文
这个时候你的输入是一个句子
你的输出也是一个句子
你的输入是一个序列
你的输出是另一个序列
我们会来看看机器怎么做这种把一个序列转成另外一个序列的问题
那在第六讲里面我们会做呃
动漫人物人脸的生成
那这个时候你会学到机器怎么画一张图啊
这个是我们前六讲所对应的作业好
那再来呢我们要问机器是怎么找出这些方向的呢
我们说机器学习它就是自动找一个函数
但是自动找一个函数这件事情是怎么做的呢
在第一讲到第五讲啊
我们用的方法叫做supervised learning
那superflanding是怎么做的呢
简单来说
假设你今天呢想要做一个宝可梦跟数码宝贝的分类器
我就是你想训练你的机器看到一只动物
然后他就告诉你说这只动物是宝可梦还是数码宝贝
知道司马宝贝的同学举手一下
好吧好蛮多人知道的
好手放下
那我就不需要解释数码宝贝是什么
他就是他就是另外一种跟宝可梦很像的生物了
诶好那你要这样继续学习
怎么看到一只动物判断它是宝可梦还是数码宝贝
那在supervise learning这样子的学习情境下
我们是怎么做的呢
在super busy里面呢
我们的做法会是你要收集一大堆的训练资料
什么样的训练资料呢
尤其路上能抓很多的动物
然后每抓来一只
你就给他做一个标记标记
说这只动物它是宝可梦还是数码宝贝
而这边呢假设你就抓了四只动物
那第一只动物这个看起来笑的非常猥琐的
它是什么呢
它是小火龙啊
所以它是宝可梦
第二次他看起来是个麻雀
但他不是普通的麻雀
它是一只啵啵
它也是宝可梦
而第三只它不是暴龙哦
他是牙骨兽
知道吗
他是牙骨兽
他是一个宝可梦啊
不说错了
说错了哎呀
这宝可梦和数码宝贝真的很容易弄错了
他是一个数码宝贝
好像是右最右边这一只呢最终我也不认识
我也不知道他是什么东西
那他的手变成一个刀
我们就是他首刀乌龟吧
首刀乌龟它是数码宝贝好
那接下来呢你有了这些标注之后啊
这些标注我们叫做label
你有这些label以后
你就可以叫机器自动找出一个方向
这个方向的输入是一只动物叔叔就告诉你是宝可梦还是数码宝贝
那这是在第一到第五个作业
我们会做的事情好
但是光是有super by string是不够的
supervs rin有什么样的问题呢
你要做标记
它显然是一个非常耗费人工的事情
所以你可能收集到的标记资料往往不会太多
而且啊如果我们要为每一个任务都收集足够的标记资料
这不是一件非常麻烦的事情吗
因为除了宝可梦和数码宝贝的分类以外
你可能还想要做其他种类东西的分类
你想要分猫跟狗
你想要分脚踏车跟汽车
你想要分平火跟橘子
但是你每一个任务都要收集大量的有标注的资料
这显然是非常花时间的一件事情
所以怎么办呢
有一个新的概念叫做self supervised learning
在ssuper by ring里面
我们期待模型做到的事情是在训练之前呢
先练成一些基本功
这个练基本功的过程就叫做pre劝
顾名思义就是在训练之前做的事情
所以叫做pretr
那期待说通过这个培训的过程
让机器学会做各种不同影像
便是相关任务的基本功
期待他把基本功练好以后
他就可以在新的任务上面做的很好
就好像说大家有看过鬼灭之刃
对不对
鬼灭之刃里面有各式各样的呼吸法
那每个人都只会学一种呼吸法而已
但这些呼吸法有共同的基本功
大家知道是什么啊
唉这就是吹吹那个葫芦不是吗
就要把一个葫芦吹爆
这样的要把一个葫芦吹爆
然后就可以练肺活量
然后你就可以把各种呼吸通都练起来哦
所以呢今天sl super busy这个普券做的事情就是吹葫芦那个动作哦
让机器呢先去学法
基本功学起来
希望在其他的任务上就可以很快的学会
那这个基本功要怎么练成呢
就影像辨识而言呢
今天在练基本功的时候
不需要任何的标注
只需要网络上他一大堆的影像的资料
机器就会自动学会
我们要他学习的基本能力
那是透过这些大量没有标注的资料
机器会怎么学习呢
我们今天先不讲他的细节
他举例来说
你可能做的事情就是把一张图片左右翻转
问机器说诶他们是不是一样
或者把图片变色
问机器说他们是不是一样
让机器去透过这些完全没有标注的资料
学一些基本的任务
神奇的就是当他学会这些基本任务以后
你有一些真正小孩解的问题
比如说分类宝可梦和数码宝贝
或分类苹果跟橘子
那这些我们真正要机器解决问题
叫做甘肃的任务
叫做下游任务
当机器呢在这些没有标注的资料上面
他学会分辨左右反转的照片是同一张
学会分辨两张不同颜色的图片
其实对于里面的这个物件是同一个的时候
让他学会这些非常基本的事情的时候
神奇的事情是他就可以在我们真正关心的下游任务上面得到好的结果
那这个就是ssuper boss的你的概念
那是这个学期我们在上课的时间
会花比较多的时间跟大家分享的新的技术好
那如果要做个比方啦
我觉得叫做to training跟dancing test
它们之间的关系
就是今天作业系统跟应用之间的关系
大家都知道说今天你想要自己在手机上自己开发一个应用程序
并不是一件非常困难的事情
往往单一个工程师就可以为手机增添新的功能
为什么今天把手机增添新的功能这么方便呢
因为真正复杂的事情都已经被enjoy或者是ios做掉了
所以你今天在开发一个新的应用的时候
你不需要从头开发起
你并不需要去管你的应用如何跟硬体沟通
因为这些工作都已经被作业系统做掉了
所以你可以快速的开发新的应用
而在sl 4会by string里面
prechain和当初任务的关系是一样
你有一个好的回车model
就像有一个好的作业系统
他把困难的事情做掉
当你要开发新的任务的时候
会变得非常简单啊
那很多人要把这个推出的模型呢
今天又叫做foundation model
又叫做基础的模型
因为刚才我说它是真
他就是基本功
所以我们叫它基础
给他一个很潮的名字
叫做foundation mode

那在反dation model里面最知名的就是一个叫做bt的模型啊
b r t啊
bt呢就是这个黄色的尖头啊
他是一个芝麻街的人物
他长的是这个样子
所以每次一提到bird的时候呢
你一定要放这个芝麻街的人物
代表你要讲bird这个东西了
阿贝尔在大家的印象里面呢
它就是一个硕大无朋的怪物
就好像是超巨大巨人一样
一脚可以踢破玛利亚之墙的那一种
那为什么大家会有这个印象呢
因为bird有340个million的参数
但虽然340个media听起来很惊人
但是其实今天看来他也只是一个没有非常大的模型而已
比他大的模型比比皆是
而且呢这个我知道我发现贝特跟晋级的巨人是真的有非常强的关联的
你知道什么吗
然一笑
巨人雷了
他们不想听的
就把那个耳朵捂起来
把眼睛闭起来好
这个观点是什么呢
好我一下我要爆雷了啊
大家都知道说这个巨人呐
他背后是由人操控的
对不对
其实巨人他们本来也是跟我们一样的人类
那你知道最大的那个超巨大巨人是谁操控的吗
是贝尔托特
对不对
它的名字里面有贝尔特啊
我跟你讲
这个绝对不是一个巧合
这个绝对不是一个巧合
对就是这样子
哦哦我知道有人可能会想说
哎这个应该是先有晋级的巨人
才有bt这个模型吧
这个时间顺序上感觉有点奇怪
我就告诉你了
那个作者用进击巨人之力
他可以看到未来就是这个样子哦
所以他就把超巨大巨人的使用者命名为贝尔托特
都是这样的
但是如果我刚才讲的贝尔特今天已经不是什么了不起的巨大模型
这个时间点就好像是有人发动了地名一样
有超多超巨大的巨人从地底涌出啊
他们是我们在这门课里面很快就会看到的非常重要的模型

那第六讲呢我们会讲generative adversial name
那general radio adversal nevo
最重要的一个关键的应用啊
就是刚才在讲suv by learning的时候
我们说假设你要让机器输入x输出y
你要产生大量承兑的资料
你需要告诉机器说
我如果输入x y
我希望它输出什么样的yy
我输入x6
我希望它输出什么样的y q
收集到更多的资料及其才有办法做supervice的learning
但是如果你有generative adversal neo这样的技术
你有这个adversal
你有这样子的技术的话
你可以做到什么事情呢
你只需要收集到大量的x跟收集到大量的y
你不需要它们之间成对的关系
及其具有办法自动把它们之间的关联找出来
那这个技术听起来非常的生气
但是今天已经不是完全不可能做到
举例来说
假设你要做语音辨识
一般对语音辨识的想象就是你要收集大家的声音讯号
然后这些声音信号你需要找工读生标出他对应的文字
你就可以让机器学会怎么把一段声音转成一段文字
怎么做语音辨识这件事
但是当有了generative adversible neo这个技术以后
今天有可能做到只让机器听大量的神经系统
接下来读大量的文字
这些c区闹中文字不需要是同样的来源
不需要讲操的内容
机器也有办法自动学会做语音辨识这件事情
那假设对这个技术有兴趣的话呢
目前做的最好的结果是来自facebook的一篇paper
那我把它连接呢放在这个地方
那其实台大营处理实验室呢是最早开发出类似技术的团队
那把最早的文章呢放在这里
在刚开始的时候啊
绕这个18年的时候啊
呃刚开始开发这样技术的时候吧
那时候错误率啊都比正确率高这样
但是我们已经觉得非常兴奋了
今天用facebook的资源
他们甚至可以在某些情况下
让i’m supervice的结果比supervice还要稍微好一点
你可以看他们的文章
这个结果非常的精准好
那除了supervise learning以外呢
我们还会讲reinforcement learning
那什么时候我们会用到reinforcement learning呢
你会用到reinforcement learning
最常见的状况是你不知道你要怎么标注资料的时候
举例来说
假设你想要叫机器学会下围棋
理论上你只要交机器说看到这样的盘式
你就落在什么样的位置
你就可以教机器用四和s learning的方法交集器下围棋
但问题是人类自己也不知道说看到摩托盘式
到底接下来应该下载哪一首才是最好的
人类也不知道最好的那一首应该要落在哪里
这个时候怎么办呢
这个时候你就需要用到reinforcement learning的技术
所以当你今天你不知道怎么标注资料
但是你可以判断好坏的时候
在围棋里面下赢就是好
下属就是不好
你不知道怎么标注资料
但是你可以定义什么叫做成功的时候
这个时候你就可以用到reinforcement learning的技术好
那这门课呢我们还会讲一些进阶的课题
也就是说我们在做机器学习的时候
我们不只是追求正确率
我们还有其他我们要关注的事情
还有什么我们要关注的事情呢
第一个我们叫做anomaly detection
就是异常检测
什么意思呢
假设你今天真的成功训练起来一个宝可梦和数码宝贝的分类器
他真的可以看到一个这个是小火龙
他就说他是宝可梦
他看到这只亚古兽
他就说他是数码宝贝
但是今天如果有人给他一只真正的暴龙
他会说他看到什么呢
他在训练的过程中
只有看过宝可梦和数码宝贝
那我们要他硬是回答这个暴龙一定是宝可梦和数码宝贝的
其中的还是他可以说这个东西
我觉得他是奇怪的东西
我要回答
我不知道哦
所以异常检测就是让机器能够具备回答
我不知道成立啊
我们会在第八章提到异常检测好
那在地球奖呢我们会讲explainable的ai
那什么是explainable的ai呢
今天假设你真的做出了一个分类器
他看到这个杰尼龟
知道它是宝可梦
真的代表他很聪明吗
真的代表他知道宝可梦长什么样子吗
未必未必
我们要让他不只是回答正确的答案
同时他还要告诉我们
为什么他知道答案应该是这样
那这个就是explainable ai
可解释性ai
那为什么可解释性a i是一个重要的议题呢
以下呢我举一个真正的例子啊
你知道宝可梦和数码宝贝的分类啊
并不是一个随便乱举的例子
我是真的有做过宝可梦和数码宝贝的分类的
真心不骗啊
这真心不骗
而我本来以为这是一个非常困难的问题
但是我随便搜了一个很简单的内神经网络
但实际上它是什么不重要
很快你就会学到好
随便登了一个内神经网络
一坐下去
在从来没有看过的资料上面呢
在新的宝可梦和数码宝贝上面的正确率达到98.4
pc了不得了
这个美哉机器学习
你怎么这也是很合理的
知道机器现在就很厉害啊
机器呢没有打败人类呢
你都不好意思出门
你知道吗
这今天这是机器学习又战胜人类的另外一个例子
继阿尔法go之后
而机器判断保证不和数码宝贝的人的能力其实也是超越人类的
那我就很好奇
为什么机器可以做到分辨宝可梦和数码宝贝呢
我决定做一下更详细的检测
所以我就用explainable ai的技术让机器告诉我们
他怎么知道一张图片是宝可梦还是数码宝贝的
那像explora i这种技术啊
有很多不同的变形
我这边使用的这个技术呢可以告诉我们说给他一张图片
他觉得这张图片里面哪些地方是重要的
举例来说我给我的模型
这些数码宝贝好像数码宝贝还对数码宝贝
他会把他觉得是重要的地方
放一些亮亮的颜色
代表他觉得这些地方是重要
然后觉得有点奇怪
看起来重要的地方是分布在图片的四个角
不知道怎么回事啊
接下来呢我又让他看了很多宝可梦
咦为什么今天机器觉得重要的地方都跟宝可梦的本体没有关联呢
哇后来我发现因为所有的宝可梦都是png打的
这说明宝贝都是jk的档的
把pa机场图鉴
然后背景是黑的了
所以机器其实什么都没有学到了
哈哈哈哈哈哈哈
所以这个故事告诉我们说这个以后看到有人说什么
哎这个机器比人厉害啊
小心感冒是什么奇怪的骗局
这个故事我其实在2020年就讲过了
所以可能很多同学都听过这个故事
但是这个学期我要告诉你说
当我把这个bug fix以后
当我把所有的图片都弄成png等以后
接下来会发生什么事情好
那大家就期待之后的课程好
那除了这个explainable ai以外
第十课我们要讲这个模型的供给
什么叫模型的供给呢
今天虽然号称影像辨识系统有多厉害
什么可以跟人类相比比
但是他真的有那么厉害吗
你可以在网络上随便找一个很厉害的配做影像辨识的模型
把一张猫的图片丢给他
他可能会给你这样子的答案
举例来说
我用了一个50层的network
给他一张图片以后
他告诉我说这是一个tiger cap
那他不只会告诉你是哪只猫
它还奶家不只告诉你它是一只猫
还告诉你猫的品种
但是奇怪的地方是
当我在这个图片里面加入了一个小小的杂讯
你可能会说杂讯在哪里啊
那杂讯太小了
小到人的肉眼都没有办法看到
奇怪的是
这张图片就被辨识成韩信
而且下面这个分数的时候
下面这个是信心分数
本来机器还没有特别确定它是一只猫
而且百分之百肯定这个就是一个韩系
那为了证明说这两张图片真的是有一点不同的
我不是把同一张图片复制两次来骗你
所以我们把这两张图片呢做一个相减
但光相减不够
因为那个闸线实在太小了
光削减你是看不出东西来的
所以怎么办
削减以后乘上50倍诶
看到说扎讯涨的是这个样子
这个杂讯看起来跟海星不太有关系
但神奇的事情是
把这个杂性加到图片里面
机器就会变十抽啊
这个就是人类对模型的攻击
而在这堂课里面
在这门课里面我们会看看有什么攻击的技术
还有防御的可能性好
那在第11讲呢
我们会讲domain adaptation
我们的ation什么意思呢
懂没有
ation的意思是说
一般我们在做机器学习的时候
我们往往假设训练资料跟测试资料
它们的分布是类似的
举例来说
你的老板叫你做了一个手写数字电视的模型
它可以看到一张图片
变视图片中有什么样的数字
那你心里往往预期的事情是
今天你的客户在上传图片的时候
叫你帮他做手写数字面试的时候
那要变色图片应该找这个训练的资料有非常类似
他们有同样的分布
那确实假设今天训练资料跟测试资料的分布非常类似
在这个资料集上
那一下数据是取自右下角这篇文献
你可以得到99.5percent的正确率
非常正确率非常的高
但是你真的觉得你的客户就会丢一个分布很像的图片吗
它可能会丢这样子的图片
他可能会丢彩色的数字
那你的老板会觉得说这个黑白的数字可以变色
彩色的数字不会不能变是吧
那神奇的地方是
当你今天就算是手写数字
便是这么简单的问题
如果我们的训练资料是黑白的
但测试资料是彩色的
这个时候机器的正确率会突然暴跌啊
在文件上它会跌到57.5和c
那怎么解决这个问题
就是第11讲要探讨的技术好
那第13讲呢我们要讲模型的压缩
那我们刚才就看到说bt是一个硕大无朋的模型
像这样巨大的模型
你可能很难把它跑在hd上
当你的运算资源有限的时候
你可能很难去跑这些巨大的模型
那怎么办呢
有很多的技术可以把这些模型变小
让他们可以跑在比如说手机上
好在智能手表上或跑在重上面
那至于这怎么做
我们会在第13课的时候讲到
那第14课呢我们要讲lion learning
首先life long learning
life long learning
其实就是大家对于人工智慧长久的一个想象
往往在科幻小说里面都会告诉我们说
今天有一个机器
你先教他一个什么东西啊
他就学会了
得再多教他一点东西
它就变得更厉害了
你再多教他一点东西
它就变得越来越厉害
他活个上千年
上万年
把所有的技术都学会以后
他就变成天网
就可以统治人类啊
但是做到第14课的时候
你就开始怀疑为什么做了这么多作业
天网都还没有出现呢
那在第14课接近课程尾声的时候
会告诉你想要做一个天网到底有什么样的挑战
为什么我们没有办法让机器不断的学习新的技术好
那在第15课啊
我们要进入一个全新的环节
我们不止做的是机器学习
我们要将机器学习如何学习
而学习如何学习这个技术
就叫做make a learning

那这个mata那里它真它实际上是什么样运作的呢
经过去呀
在第14课之前
在第14讲之前呢
我们都是人呢去设计的一个学习的演算法
让机器具备分类的能力好
但是在第15课在讲咩他learning的时候
我们将机器从大量的任务里面自己发明新的演算法
也就是及其不再使用人

是人所发明的演算法
它从过去的学习经验里面发明出新的演算法
希望他可以把它
希望它可以变得更厉害
那其实meta learning呢跟一个叫future learning的技术是非常有关系的
那few shot learning
这个few shot的意思就是用非常少量的标注资料就进行学习
那很多人呢甚至会把made a learning跟few shot learning划上等号
为什么人们往往把它画上等号呢
因为今天往往你想要做到qq登顶
你会需要用到mea能力的技术
也就是凭着人所设计的演算法
没有厉害到让机器可以看一两个example
就学会某个任务
我们需要让机器自己发明新的解算法
他才有办法透过少量的资料进行学习
那这个是没好的
你和future和你之间的关系好
那以上呢就是很快的带大家看过这门课
会告诉大家事情
然后希望大家这学期都可以收获满满

发表评论

邮箱地址不会被公开。 必填项已用*标注