[Python人工智能] 十六.Keras環(huán)境搭建、入門基礎(chǔ)及回歸神經(jīng)網(wǎng)絡(luò)案例（Python人工智能需要學(xué)什么）

代碼-：https://github.com/eastmountyxz/AI-for-TensorFlow

代碼-：https://github.com/eastmountyxz/AI-for-Keras

文章目錄

一.為什么要使用Keras

二.安裝Keras和兼容Backend

1.如何安裝Keras

2.兼容Backend

三.白話神經(jīng)網(wǎng)絡(luò)

四.Keras搭建回歸神經(jīng)網(wǎng)絡(luò)

六.總結(jié)

華為云社區(qū)前文賞析：

[Python人工智能] 一.TensorFlow2.0環(huán)境搭建及神經(jīng)網(wǎng)絡(luò)入門

[Python人工智能] 二.TensorFlow基礎(chǔ)及一元直線預(yù)測案例

[Python人工智能] 三.TensorFlow基礎(chǔ)之Session、變量、傳入值和激勵函數(shù)

[Python人工智能] 四.TensorFlow創(chuàng)建回歸神經(jīng)網(wǎng)絡(luò)及Optimizer優(yōu)化器

[Python人工智能] 五.Tensorboard可視化基本用法及繪制整個神經(jīng)網(wǎng)絡(luò)

[Python人工智能] 六.TensorFlow實現(xiàn)分類學(xué)習(xí)及MNIST手寫體識別案例

[Python人工智能] 七.什么是過擬合及dropout解決神經(jīng)網(wǎng)絡(luò)中的過擬合問題

[Python人工智能] 八.卷積神經(jīng)網(wǎng)絡(luò)CNN原理詳解及TensorFlow編寫CNN

[Python人工智能] 九.gensim詞向量Word2Vec安裝及《慶余年》中文短文本相似度計算

[Python人工智能] 十.Tensorflow+Opencv實現(xiàn)CNN自定義圖像分類及與KNN圖像分類對比

[Python人工智能] 十一.Tensorflow如何保存神經(jīng)網(wǎng)絡(luò)參數(shù)

[Python人工智能] 十二.循環(huán)神經(jīng)網(wǎng)絡(luò)RNN和LSTM原理詳解及TensorFlow編寫RNN分類案例

[Python人工智能] 十三.如何評價神經(jīng)網(wǎng)絡(luò)、loss曲線圖繪制、圖像分類案例的F值計算

[Python人工智能] 十四.循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM RNN回歸案例之sin曲線預(yù)測 丨【百變AI秀】

[Python人工智能] 十五.無監(jiān)督學(xué)習(xí)Autoencoder原理及聚類可視化案例詳解

[Python人工智能] 十六.Keras環(huán)境搭建、入門基礎(chǔ)及回歸神經(jīng)網(wǎng)絡(luò)案例

一.為什么要使用Keras

Keras是一個由Python編寫的開源人工神經(jīng)網(wǎng)絡(luò)庫，可以作為Tensorflow、Microsoft-CNTK和Theano的高階應(yīng)用程序接口，進行深度學(xué)習(xí)模型的設(shè)計、調(diào)試、評估、應(yīng)用和可視化 。其主要開發(fā)者是谷歌工程師Fran?ois Chollet。

Keras在代碼結(jié)構(gòu)上由面向?qū)ο蠓椒ň帉懀耆K化并具有可擴展性，其運行機制和說明文檔有將用戶體驗和使用難度納入考慮，并試圖簡化復(fù)雜算法的實現(xiàn)難度 。Keras支持現(xiàn)代人工智能領(lǐng)域的主流算法，包括前饋結(jié)構(gòu)和遞歸結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，也可以通過封裝參與構(gòu)建統(tǒng)計學(xué)習(xí)模型。在硬件和開發(fā)環(huán)境方面，Keras支持多操作系統(tǒng)下的多GPU并行計算，可以根據(jù)后臺設(shè)置轉(zhuǎn)化為Tensorflow、Microsoft-CNTK等系統(tǒng)下的組件。

Keras這部分內(nèi)容，我準備講解的流程如下：

首先分享Keras基礎(chǔ)原理及語法

接著使用Keras搭建回歸神經(jīng)網(wǎng)絡(luò)、分類神經(jīng)網(wǎng)絡(luò)、CNN、RNN、LSTM、Autoencoder等

最后結(jié)合Keras實現(xiàn)各種自然語言處理、圖像分類、文本挖掘、語音識別、視頻分析等案例

PS：強推大家學(xué)習(xí)莫煩老師AI教程：https://morvanzhou.github.io/tutorials

二.安裝Keras和兼容Backend

1.如何安裝Keras

首先需要確保已經(jīng)安裝了以下兩個包：

Numpy

Scipy

調(diào)用“pip3 list”命令可以看到相關(guān)包已經(jīng)安裝成功。

activate tensorflow pip3 install keras pip install keras

搭建過程詳見這篇文章：

[Python人工智能] 一.TensorFlow環(huán)境搭建及神經(jīng)網(wǎng)絡(luò)入門

安裝如下圖所示：

安裝成功之后，我們嘗試一個簡單的代碼。打開Anaconda，然后選擇已經(jīng)搭建好的“tensorflow”環(huán)境，運行Spyder。

測試代碼如下：

# -*- coding: utf-8 -*- """ Created on Fri Feb 14 16:43:21 2020 @author: Eastmount CSDN """ import numpy as np from keras.preprocessing.sequence import TimeseriesGenerator # 時間序列 y = np.array(range(5)) tg = TimeseriesGenerator(y, y, length=3, sampling_rate=1) for i in zip(*tg[0]): print(*i)

運行結(jié)果如下圖所示，究竟“Using TensorFlow backend.”表示什么意思呢？

2.兼容Backend

Backend是指Keras基于某個框架來做運算，包括基于TensorFlow或Theano，上面的那段代碼就是使用TensorFlow來運算的。后面要講解的神經(jīng)網(wǎng)絡(luò)也是基于TensorFlow或Theano來搭建的。

如何查看Backend呢？當(dāng)我們導(dǎo)入Keras擴展包時，它就會有相應(yīng)的提示，比如下圖使用的就是Theano來搭建底層的神經(jīng)網(wǎng)絡(luò)。

如果想要改成TensorFlow，怎么辦呢？

第一種方法，找到“keras/keras.json”這個文件，然后打開它。所有的backend信息就存儲在這里，每次導(dǎo)入Keras包就會檢測這個“keras.json”文件的backend。接著我們嘗試修改。

第二種方法是在命令行中輸入下面這句命令，每次運行腳本時它會直接幫你修改成臨時的TensorFlow。

import os os.environ['KERAS_BACKEND']='tensorflow' import keras

三.白話神經(jīng)網(wǎng)絡(luò)

該部分還是有必要再給大家普及一遍，參考"莫煩大神"網(wǎng)易云課程對神經(jīng)網(wǎng)絡(luò)的介紹，講得清晰透徹，推薦大家閱讀。開始吧！讓我們一起進入神經(jīng)網(wǎng)絡(luò)和TensorFlow的世界。

首先，什么是神經(jīng)網(wǎng)絡(luò)（Neural Networks）？

計算機神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)或動物神經(jīng)中樞，特別是大腦的結(jié)構(gòu)和功能，它是一種數(shù)學(xué)模型或計算機模型。神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元連接并進行計算，大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)的過程。

現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種基于傳統(tǒng)統(tǒng)計學(xué)建模的工具，常用來對輸入和輸出間復(fù)雜的關(guān)系進行建模，或探索數(shù)據(jù)間的模式，神經(jīng)網(wǎng)絡(luò)是一種運算模型，有大量的節(jié)點或神經(jīng)元及其聯(lián)系構(gòu)成。和人類的神經(jīng)元一樣，它們負責(zé)傳遞信息和加工信息，神經(jīng)元也能被訓(xùn)練或強化，形成固定的神經(jīng)形態(tài)，對特殊的信息有更強烈的反應(yīng)。

神經(jīng)網(wǎng)絡(luò)是如何工作的呢？

如上圖所示，不管這是一只跳躍飛奔的貓，或是一只靜靜思考的貓，你都知道它是一只貓，因為你的大腦已經(jīng)被告知過圓眼睛、毛茸茸、尖耳朵的就是貓，你通過成熟的視覺神經(jīng)系統(tǒng)判斷它是貓。計算機也是一樣，通過不斷的訓(xùn)練，告訴哪些是貓、哪些是狗、哪些是豬，它們會通過數(shù)學(xué)模型來概括這些學(xué)習(xí)的判斷，最終以數(shù)學(xué)的形式（0或1）來分類。目前，谷歌、百度圖片搜索都能清晰識別事物，這些都歸功于計算機神經(jīng)系統(tǒng)的飛速發(fā)展。

神經(jīng)網(wǎng)絡(luò)系統(tǒng)由多層神經(jīng)層構(gòu)成，為了區(qū)分不同的神經(jīng)層，我們分為：

輸入層：直接接收信息的神經(jīng)層，比如接收一張貓的圖片

輸出層：信息在神經(jīng)元中傳遞中轉(zhuǎn)和分析權(quán)衡，形成輸出結(jié)果，通過該層輸出的結(jié)果可以看出計算機對事物的認知

隱藏層：在輸入和輸出層之間的眾多神經(jīng)元連接組成的各個層面，可以有多層，負責(zé)對傳入信息的加工處理，經(jīng)過多層加工才能衍生出對認知的理解

神經(jīng)網(wǎng)絡(luò)舉例說明

如下圖所示，通常來說，計算機處理的東西和人類有所不同，無論是聲音、圖片還是文字，它們都只能以數(shù)字0或1出現(xiàn)在計算機神經(jīng)網(wǎng)絡(luò)里。神經(jīng)網(wǎng)絡(luò)看到的圖片其實都是一堆數(shù)字，對數(shù)字的加工處理最終生成另一堆數(shù)字，并且具有一定認知上的意義，通過一點點的處理能夠得知計算機到底判斷這張圖片是貓還是狗。

計算機是怎么訓(xùn)練的呢？

首先，需要很多的數(shù)據(jù)，比如需要計算機判斷是貓還是狗，就需要準備上千萬張有標記的圖片，然后再進行上千萬次的訓(xùn)練。計算機通過訓(xùn)練或強化學(xué)習(xí)判斷貓，將獲取的特征轉(zhuǎn)換為數(shù)學(xué)的形式。

我們需要做的就是只給計算機看圖片，然后讓它給我們一個不成熟也不準確的答案，有可能100次答案中有10%是正確的。如果給計算機看圖片是一張飛奔的貓（如下圖），但計算機可能識別成一條狗，盡管它識別錯誤，但這個錯誤對計算機是非常有價值的，可以用這次錯誤的經(jīng)驗作為一名好老師，不斷學(xué)習(xí)經(jīng)驗。

那么計算機是如何學(xué)習(xí)經(jīng)驗的呢？

它是通過對比預(yù)測答案和真實答案的差別，然后把這種差別再反向傳遞回去，修改神經(jīng)元的權(quán)重，讓每個神經(jīng)元向正確的方向改動一點點，這樣到下次識別時，通過所有改進的神經(jīng)網(wǎng)絡(luò)，計算機識別的正確率會有所提高。最終每一次的一點點，累加上千萬次的訓(xùn)練，就會朝正確的方向上邁出一大步。

最后到驗收結(jié)果的時候，給計算機再次顯示貓的圖片時，它就能正確預(yù)測這是一只貓。

激勵函數(shù)是什么東東？

接著再進一步看看神經(jīng)網(wǎng)絡(luò)是怎么訓(xùn)練的。原來在計算機里每一個神經(jīng)元都有屬于它的激勵函數(shù)（Active Function），我們可以利用這些激勵函數(shù)給計算機一個刺激行為。當(dāng)我們第一次給計算機看一只飛奔的貓時，神經(jīng)網(wǎng)絡(luò)中只有部分神經(jīng)元被激活或激勵，被激活傳遞下去的信息是計算機最為重視的信息，也是對輸出結(jié)果最有價值的信息。

如果預(yù)測的結(jié)果是一只狗，所有神經(jīng)元的參數(shù)就會被調(diào)整，這時有一些容易被激活的神經(jīng)元就會變得遲鈍，而另一些會變得敏感起來，這就說明了所有神經(jīng)元參數(shù)正在被修改，變得對圖片真正重要的信息敏感，從而被改動的參數(shù)就能漸漸預(yù)測出正確的答案，它就是一只貓。這就是神經(jīng)網(wǎng)絡(luò)的加工過程。

四.Keras搭建回歸神經(jīng)網(wǎng)絡(luò)

推薦前文：[Python人工智能] 二.TensorFlow基礎(chǔ)及一元直線預(yù)測案例，最終輸出的結(jié)果如下圖所示：

1.導(dǎo)入擴展包

Sequential（序貫?zāi)Ｐ停┍硎景错樞蚪⒛Ｐ停亲詈唵蔚木€性、從頭到尾的結(jié)構(gòu)順序，不分叉，是多個網(wǎng)絡(luò)層的線性堆疊。Dense是layers中的屬性，表示全連接層。Keras還可以實現(xiàn)各種層，包括core核心層、Convolution卷積層、Pooling池化層等非常豐富有趣的網(wǎng)絡(luò)結(jié)構(gòu)。

import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt

2.創(chuàng)建散點圖數(shù)據(jù)

通過numpy.linspace隨機生成200個散點，并構(gòu)建y=0.5*x+2的虛擬數(shù)據(jù)，并調(diào)用 np.random.normal(0, 0.05, (200,)) 增加噪聲。

import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt #---------------------------創(chuàng)建散點數(shù)據(jù)--------------------------- # 輸入 X = np.linspace(-1, 1, 200) # 隨機化數(shù)據(jù) np.random.shuffle(X) # 輸出 y = 0.5*X + 2 + np.random.normal(0, 0.05, (200,)) #噪聲平均值0 方差0.05 # 繪制散點圖 plt.scatter(X, y) plt.show() # 數(shù)據(jù)集劃分(訓(xùn)練集-測試集) X_train, y_train = X[:160], y[:160] # 前160個散點 X_test, y_test = X[160:], y[160:] # 后40個散點

這里通過matplotlib簡單繪制散點圖，輸出結(jié)果如下圖所示，基本滿足：y = 0.5*x + 2 + noise。

3.添加神經(jīng)網(wǎng)絡(luò)層

創(chuàng)建Sequential模型。

添加神經(jīng)網(wǎng)絡(luò)層。在Keras中，增加層的操作非常簡單，調(diào)用model.add(Dense(output_dim=1, input_dim=1))函數(shù)添加即可。注意，如果再添加一個神經(jīng)層，默認上一層的輸出為下一層的輸入數(shù)據(jù)，此時不需要定義input_dim，比如model.add(Dense(output_dim=1, ))。

搭建模型并選擇損失函數(shù)(loss function)和優(yōu)化方法(optimizing method)。

#----------------------------添加神經(jīng)層------------------------------ # 創(chuàng)建模型 model = Sequential() # 增加全連接層 輸出個數(shù)和輸入個數(shù)(均為1個) model.add(Dense(output_dim=1, input_dim=1)) # 搭建模型 選擇損失函數(shù)(loss function)和優(yōu)化方法(optimizing method) # mse表示二次方誤差 sgd表示亂序梯度下降優(yōu)化器 model.compile(loss='mse', optimizer='sgd')

PS：是不是感覺Keras代碼比TensorFlow和Theano都簡潔很多，但還是建議大家先學(xué)習(xí)前者，再深入Keras。

4.訓(xùn)練并輸出誤差

print("訓(xùn)練") # 學(xué)習(xí)300次 for step in range(301): # 分批訓(xùn)練數(shù)據(jù) 返回值為誤差 cost = model.train_on_batch(X_train, y_train) # 每隔100步輸出誤差 if step % 100 == 0: print('train cost:', cost)

5.測試神經(jīng)網(wǎng)絡(luò)并輸出誤差\權(quán)重和偏置

print("測試") # 運行模型測試 一次傳入40個測試散點 cost = model.evaluate(X_test, y_test, batch_size=40) # 輸出誤差 print("test cost:", cost) # 獲取權(quán)重和誤差 layers[0]表示第一個神經(jīng)層(即Dense) W, b = model.layers[0].get_weights() # 輸出權(quán)重和偏置 print("weights:", W) print("biases:", b)

6.繪制預(yù)測圖形

y_pred = model.predict(X_test) plt.scatter(X_test, y_test) plt.plot(X_test, y_pred) plt.show()

輸出結(jié)果如下所示：

誤差從4.002261下降到0.0030148015，說明學(xué)習(xí)到知識。同時，誤差為0.47052705接近我們的初始值0.5，偏置為1.9944116也接近2。

訓(xùn)練 train cost: 4.002261 train cost: 0.07719966 train cost: 0.005076804 train cost: 0.0030148015 測試 40/40 [==============================] - 0s 1ms/step test cost: 0.0028453178238123655 weights: [[0.47052705]] biases: [1.9944116]

完整代碼如下：

# -*- coding: utf-8 -*- """ Created on Fri Feb 14 16:43:21 2020 @author: Eastmount CSDN YXZ O(∩_∩)O Wuhan Fighting!!! """ import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt #---------------------------創(chuàng)建散點數(shù)據(jù)--------------------------- # 輸入 X = np.linspace(-1, 1, 200) # 隨機化數(shù)據(jù) np.random.shuffle(X) # 輸出 y = 0.5*X + 2 + np.random.normal(0, 0.05, (200,)) #噪聲平均值0 方差0.05 # 繪制散點圖 # plt.scatter(X, y) # plt.show() # 數(shù)據(jù)集劃分(訓(xùn)練集-測試集) X_train, y_train = X[:160], y[:160] # 前160個散點 X_test, y_test = X[160:], y[160:] # 后40個散點 #----------------------------添加神經(jīng)層------------------------------ # 創(chuàng)建模型 model = Sequential() # 增加全連接層 輸出個數(shù)和輸入個數(shù)(均為1個) model.add(Dense(output_dim=1, input_dim=1)) # 搭建模型 選擇損失函數(shù)(loss function)和優(yōu)化方法(optimizing method) # mse表示二次方誤差 sgd表示亂序梯度下降優(yōu)化器 model.compile(loss='mse', optimizer='sgd') #--------------------------------Traning---------------------------- print("訓(xùn)練") # 學(xué)習(xí)300次 for step in range(301): # 分批訓(xùn)練數(shù)據(jù) 返回值為誤差 cost = model.train_on_batch(X_train, y_train) # 每隔100步輸出誤差 if step % 100 == 0: print('train cost:', cost) #--------------------------------Test------------------------------- print("測試") # 運行模型測試 一次傳入40個測試散點 cost = model.evaluate(X_test, y_test, batch_size=40) # 輸出誤差 print("test cost:", cost) # 獲取權(quán)重和誤差 layers[0]表示第一個神經(jīng)層(即Dense) W, b = model.layers[0].get_weights() # 輸出權(quán)重和偏置 print("weights:", W) print("biases:", b) #------------------------------繪制預(yù)測圖形----------------------------- y_pred = model.predict(X_test) plt.scatter(X_test, y_test) plt.plot(X_test, y_pred, "red") plt.show()

下面補充代碼對比各訓(xùn)練階段擬合的直線，可以看到隨著訓(xùn)練次數(shù)增加，誤差逐漸降低并且擬合的直線越來越好。

# -*- coding: utf-8 -*- """ Created on Fri Feb 14 16:43:21 2020 @author: Eastmount CSDN YXZ """ import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt #---------------------------創(chuàng)建散點數(shù)據(jù)--------------------------- # 輸入 X = np.linspace(-1, 1, 200) # 隨機化數(shù)據(jù) np.random.shuffle(X) # 輸出 y = 0.5*X + 2 + np.random.normal(0, 0.05, (200,)) #噪聲平均值0 方差0.05 # 繪制散點圖 # plt.scatter(X, y) # plt.show() # 數(shù)據(jù)集劃分(訓(xùn)練集-測試集) X_train, y_train = X[:160], y[:160] # 前160個散點 X_test, y_test = X[160:], y[160:] # 后40個散點 #----------------------------添加神經(jīng)層------------------------------ # 創(chuàng)建模型 model = Sequential() # 增加全連接層 輸出個數(shù)和輸入個數(shù)(均為1個) model.add(Dense(output_dim=1, input_dim=1)) # 搭建模型 選擇損失函數(shù)(loss function)和優(yōu)化方法(optimizing method) # mse表示二次方誤差 sgd表示亂序梯度下降優(yōu)化器 model.compile(loss='mse', optimizer='sgd') #--------------------------------Traning---------------------------- print("訓(xùn)練") k = 0 # 學(xué)習(xí)1000次 for step in range(1000): # 分批訓(xùn)練數(shù)據(jù) 返回值為誤差 cost = model.train_on_batch(X_train, y_train) # 每隔100步輸出誤差 if step % 100 == 0: print('train cost:', cost) #----------------------------------------------------------- # 運行模型測試 一次傳入40個測試散點 cost = model.evaluate(X_test, y_test, batch_size=40) # 輸出誤差 print("test cost:", cost) # 獲取權(quán)重和誤差 layers[0]表示第一個神經(jīng)層(即Dense) W, b = model.layers[0].get_weights() # 輸出權(quán)重和偏置 print("weights:", W) print("biases:", b) #----------------------------------------------------------- # 可視化繪圖 k = k + 1 plt.subplot(5, 2, k) y_pred = model.predict(X_test) plt.scatter(X_test, y_test) plt.plot(X_test, y_pred, "red", label='cost=%.4f k=%d' %(cost,k)) plt.legend() plt.show()

六.總結(jié)

寫到這里，這篇基礎(chǔ)性的Keras文章就講述完畢。它通過不斷地訓(xùn)練和學(xué)習(xí)，將預(yù)測結(jié)果與實際直線y=0.5*x+2相匹配，這是非常基礎(chǔ)的一篇深度學(xué)習(xí)文章，同時文章中存在錯誤或不足之處，還請海涵！作為人工智能的菜鳥，我希望自己能不斷進步并深入，后續(xù)將它應(yīng)用于圖像識別、網(wǎng)絡(luò)安全、對抗樣本等領(lǐng)域，一起加油！讀博不易，寫文也不易，且行且珍惜。

真的感覺自己菜，要學(xué)要做的好多，慢慢加油吧！也放平心態(tài)，付出就好。看到很多學(xué)生不斷成長，真開心，一起加油喔，同在。

感恩能與大家在華為云遇見！

希望能與大家一起在華為云社區(qū)共同成長。原文地址：https://blog.csdn.net/Eastmount/article/details/104313140

(By:娜璋之家 Eastmount 2021-11-08 夜于武漢)

參考文獻：

[1] 楊秀璋, 顏娜. Python網(wǎng)絡(luò)數(shù)據(jù)爬取及分析從入門到精通（分析篇）[M]. 北京：北京航天航空大學(xué)出版社, 2018.

[2]?“莫煩大神” 網(wǎng)易云視頻地址

[3]?https://study.163.com/course/courseLearn.htm?courseId=1003209007

[4]?https://morvanzhou.github.io/tutorials

[5]?https://github.com/eastmountyxz/AI-for-TensorFlow

[6]?Keras: The Python Deep Learning library

[7]?Keras文本分類 - 基基偉大神

Keras 深度學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。