翻译 test_adv_loss, test_adv_acc = model.evaluate(test_adv, test_labels[:1000])

时间: 2023-10-24 21:06:08 浏览: 130
ZIP

adv.zip_You Choose!_adv

test_adv_loss，test_adv_acc = model.evaluate(test_adv，test_labels[:1000]) 的翻译为：对于测试数据集test_adv和前1000个测试标签，模型进行评估，得到的损失值为test_adv_loss，准确率为test_adv_acc。
阅读全文

相关推荐

-

Spartan6 PLL ADV程序：解决Xilinx时钟错误的解决方案

本篇文章主要介绍了如何在Xilinx Spartan-6 FPGA上使用原语编写PLL (Phase-Locked Loop) 的高级模块（pll_adv），以便解决在设计过程中遇到的错误。PLL是一种广泛应用于FPGA中的数字锁相环，用于将时钟信号同步到所...
-

ADV7511/ADV7511W/ADV7513 I2C配置兼容性说明

标题中的'sockex1_user.rar_ADV7511_ADV7511W_ADV7513_adv7511 i2c'可能表示这是一个包含有关ADV7511、ADV7511W和ADV7513设备I2C接口控制的示例程序或说明文档。'sockex1_user.c'可能是源代码文件，'adi,adv7511.txt...
rar

vga_display_test.rar_VGA display vhdl_VGA_Display_Test_adv7120 v

"VGA_Display_Test_adv7120" 强调了测试过程中使用了一款名为 ADV7120 的芯片。ADV7120 是 Analog Devices 公司生产的高清视频接口芯片，用于处理视频输入和输出。在 FPGA 中，ADV7120 可能被用作视频编码器，将 ...
rar

video_adv7181b.rar_ADV718_ADV7495B_Freedev_http;//adv.aic_视频解码

ADV7181B视频解码设置和控制实验 FreeDev Digital Application Board采用了ADI公司的 ADV7181B视频解码芯片。控制接口使用I2C，40H--write,41H---read。
rar

STC_adv7611.rar_ADV7611程序_adv7611_adv7611 code_adv7611开发

在IT行业中，ADV7611是一款高性能的模拟视频接口集成电路，主要应用于高清视频系统，如监控摄像头、视频会议设备以及各种需要视频信号处理的场合。这个压缩包文件"STC_adv7611.rar"包含了针对这款芯片的程序代码和...
rar

ADV7511_Hardware_Users_Guide.rar_ADV7511_ADV7511__HDMI_PPG_adv75

《ADI HDMI接口芯片ADV7511用户指南》是一份详尽的技术文档，它为开发者提供了全面的硬件使用和设计信息。这篇用户指南主要聚焦于ADV7511这款高清多媒体接口（HDMI）控制器，该芯片在数字视频传输领域扮演着核心角色...
zip

i2c_adv7180.zip_adv7180_adv7180 i2c_adv7180 i2c地址_adv7180驱动_i2c

在这个特定的压缩包中，我们关注的是ADV7180，一个高清视频解码器，以及如何通过I2C总线与之交互。 ADV7180是一款高性能的模拟视频解码器，能够处理多种视频输入格式，包括NTSC、PAL、SECAM等，将其转换为数字视频...
rar

sockex1_user.rar_ADV7511_ADV7511W_ADV7513_adv7511 i2c

compatible: Should be one of adi,adv7511 , adi,adv7511w or adi,adv7513 - reg: I2C slave address.
zip

adv7842.zip_adv7842_adv7842配置_adv7842驱动_adv7842驱动编写_驱动

adv7842 的linux底层驱动demo，可根据需要修改
rar

ADV7441A_driver_code_驱动.rar_adv7441a_adv7441a HDMI_adv7441a驱动_ad

《ADV7441A驱动代码详解：视频采集与Linux平台集成》 在现代数字视频系统中，视频采集芯片扮演着至关重要的角色，它们负责从输入信号中捕获、处理和传输视频数据。ADV7441A就是这样一款高性能的视频采集芯片，尤其...
zip

adv-processing.zip_ADV数据 处理_ADV数据处理_ADV流速_adv-processing_流速

在IT行业中，尤其是在数据分析与科学研究领域，ADV（Acoustic Doppler Velocimeter）数据处理是一项重要的技术。ADV设备主要用于测量水体或气体中的流速，它利用多普勒效应来探测颗粒或气泡的速度，从而获取流场信息...

优化这段代码：import tensorflow as tf import numpy as np # 加载数据集 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 # 定义模型 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax')]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(x_train, y_train, epochs=5) # 生成对抗样本 epsilon = 0.1 x_adv = tf.Variable(x_test[:1000], dtype=tf.float32) y_true = tf.Variable(y_test[:1000], dtype=tf.int64) with tf.GradientTape() as tape: tape.watch(x_adv) y_pred = model(x_adv) loss = tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred) grad = tape.gradient(loss, x_adv) normed_grad = tf.sign(grad) x_adv = x_adv + epsilon * normed_grad # 评估模型在对抗样本上的性能 model.evaluate(x_adv, y_true)

model.evaluate(x_adv, y_true) 优化后的代码主要做了以下几个方面的改进： 1. 对抗样本生成过程封装成了函数 generate_adv_example()，提高了代码的复用性。 2. 使用了 get_grads() 函数来计算梯度，...

def adversarial(x, model, loss_func, c=1e-4, kappa=0, num_iter=100, lr=0.01): """ Create adversarial examples using CW algorithm Args: - x: input image - model: the neural network model - loss_func: the loss function to use - c: the weight for the L2 regularization term (default=1e-4) - kappa: the confidence parameter (default=0) - num_iter: number of iterations for the algorithm (default=100) - lr: learning rate for the optimization (default=0.01) Returns: - x_adv: adversarial example """ x_adv = x.clone().detach().requires_grad_(True) for i in range(num_iter): output = model(x_adv) loss = loss_func(output, torch.tensor([kappa]), x, x_adv, c) model.zero_grad() loss.backward() with torch.no_grad(): x_adv += lr * x_adv.grad x_adv = torch.max(torch.min(x_adv, x + 0.35), x - 0.35) x_adv = torch.clamp(x_adv, 0, 1) x_adv.requires_grad_() return x_adv.detach()上述代码出现TypeError: ce_loss() takes 2 positional arguments but 5 were given错误，请改正

根据代码，loss_func应该是一个... x_adv += lr * x_adv.grad x_adv = torch.max(torch.min(x_adv, x + 0.35), x - 0.35) x_adv = torch.clamp(x_adv, 0, 1) x_adv.requires_grad_() return x_adv.detach()

def FGSM(self, x, y_true, y_target=None, eps=0.03, alpha=2/255, iteration=1): self.set_mode('eval') x = Variable(cuda(x, self.cuda), requires_grad=True) y_true = Variable(cuda(y_true, self.cuda), requires_grad=False) if y_target is not None: targeted = True y_target = Variable(cuda(y_target, self.cuda), requires_grad=False) else: targeted = False h = self.net(x) prediction = h.max(1)[1] accuracy = torch.eq(prediction, y_true).float().mean() cost = F.cross_entropy(h, y_true) if iteration == 1: if targeted: x_adv, h_adv, h = self.attack.fgsm(x, y_target, True, eps) else: x_adv, h_adv, h = self.attack.fgsm(x, y_true, False, eps) else: if targeted: x_adv, h_adv, h = self.attack.i_fgsm(x, y_target, True, eps, alpha, iteration) else: x_adv, h_adv, h = self.attack.i_fgsm(x, y_true, False, eps, alpha, iteration) prediction_adv = h_adv.max(1)[1] accuracy_adv = torch.eq(prediction_adv, y_true).float().mean() cost_adv = F.cross_entropy(h_adv, y_true) # make indication of perturbed images that changed predictions of the classifier if targeted: changed = torch.eq(y_target, prediction_adv) else: changed = torch.eq(prediction, prediction_adv) changed = torch.eq(changed, 0) changed = changed.float().view(-1, 1, 1, 1).repeat(1, 3, 28, 28) changed[:, 0, :, :] = where(changed[:, 0, :, :] == 1, 252, 91) changed[:, 1, :, :] = where(changed[:, 1, :, :] == 1, 39, 252) changed[:, 2, :, :] = where(changed[:, 2, :, :] == 1, 25, 25) changed = self.scale(changed/255) changed[:, :, 3:-2, 3:-2] = x_adv.repeat(1, 3, 1, 1)[:, :, 3:-2, 3:-2] self.set_mode('train') return x_adv.data, changed.data,\ (accuracy.item(), cost.item(), accuracy_adv.item(), cost_adv.item())

这段代码是一个实现了FGSM（Fast Gradient Sign Method）攻击的函数。FGSM是一种用于生成对抗样本的方法，通过在输入样本上添加一小步扰动来欺骗分类器，使其产生错误的分类结果。 该函数的输入参数包括原始输入...

opt = parser.parse_args()if opt.adv>0 and iter%opt.aiter==0: inputs_adv = ODFA(model, inputs) outputs_adv = model(inputs_adv)

outputs_adv = model(inputs_adv) 在这段代码中，如果adv标志设置为True（通常表示应用对抗性训练），并且当前迭代次数满足aiter的倍数，就会计算对抗样例inputs_adv的输出outputs_adv。

def get_adv_loss(device, eps, layer_idx, net, bounds, inputs, targets, n_steps, step_size, detach=True, loss_fn=F.cross_entropy, avg=True, is_train=False): #layer_idx: curr_layer adv_latent = attack_layer(device, eps, layer_idx, net, bounds, inputs, targets, n_steps, step_size, detach, loss_fn) if detach: adv_latent = adv_latent.clone().detach() net.zero_grad() if is_train: net.train() adv_outs = net.forward_from(layer_idx, adv_latent) adv_loss = loss_fn(adv_outs, targets) adv_ok = targets.eq(adv_outs.max(dim=1)[1]).float() if avg: adv_ok = adv_ok.mean() # for motivation adv_num = 1-targets.eq(adv_outs.max(dim=1)[1]).float() return adv_loss, adv_ok, adv_num 这段代码的意思

该函数的作用是获取对抗损失，其中： - device：设备选择； - eps：最大扰动； - layer_idx：选择网络的哪一层；...- loss_fn：损失函数； - avg：是否需要计算平均损失； - is_train：是否为训练状态。

int32_t aciga_connect_adv_start(void) { int err; struct ble_gap_adv_params adv_param = { .conn_mode = (BLE_GAP_CONN_MODE_UND), .disc_mode = (BLE_GAP_DISC_MODE_GEN), }; if (conn_count == CONFIG_BT_MAX_CONN) { return 0; } BT_DBG("bt_mesh_is_provisioned=%d", bt_mesh_is_provisioned()); if (is_aciga_lowpower_enable()) { adv_param.itvl_min = ADV_SCAN_UNIT(lp_interval); adv_param.itvl_max = ADV_SCAN_UNIT(lp_interval); } else { adv_param.itvl_min = ADV_SCAN_UNIT(100); adv_param.itvl_max = ADV_SCAN_UNIT(100); } aciga_adv_data[ACIGA_FLAG_OFFSET] = bt_mesh_is_provisioned() ? 1 : 0; aciga_ble_gap_adv_set_data(aciga_adv_data, ACIGA_ADV_LEN); if (aciga_rsp_data[0] > 0) { aciga_ble_gap_adv_rsp_set_data(aciga_rsp_data, aciga_rsp_data[0] + 1); } err = aciga_ble_gap_adv_start(0, NULL, INT32_MAX, &adv_param); if (err) { BT_ERR("Advertising failed: err %d", err); return 0; } aciga_adv_started = true; return INT32_MAX; }

其中，通过 BLE_GAP_ADV_PARAMS 结构体设置了广播参数，包括连接模式、发现模式以及广播间隔。如果已经连接的设备数量等于最大连接数，则直接返回 0。根据当前是否已经完成了设备配网，设置 ACIGA 标志位。最后调用 ...

解释下下面这段代码 if self.adv_loss == 'wgan-gp': # 计算梯度惩罚 alpha = torch.rand(real_images.size(0), 1, 1, 1).cuda().expand_as(real_images) interpolated = Variable(alpha * real_images.data + (1 - alpha) * fake_images.data, requires_grad=True) out, _, _ = self.D(interpolated) grad = torch.autograd.grad(outputs=out, inputs=interpolated, grad_outputs=torch.ones(out.size()).cuda(), retain_graph=True, create_graph=True, only_inputs=True)[0] grad = grad.view(grad.size(0), -1) grad_l2norm = torch.sqrt(torch.sum(grad ** 2, dim=1)) d_loss_gp = torch.mean((grad_l2norm - 1) ** 2) # Backward + Optimize d_loss = self.lambda_gp * d_loss_gp self.reset_grad() d_loss.backward() self.d_optimizer.step()

- 最后，计算梯度惩罚项 d_loss_gp，即 (grad_l2norm - 1) ** 2 的均值。并更新判别器的损失函数 d_loss。 其中，lambda_gp 是梯度惩罚项的权重。在训练过程中，通过反向传播和优化器来更新判别器的参数，从而达到...

delta = pgd_attack(model, images, torch.tensor([0]), epsilon=0.031, alpha=0.008, num_iter=40) X_adv = (images + delta).clamp(0, 1) # Save adversarial image adv_img = X_adv.squeeze(0).detach().numpy().transpose((1, 2, 0)) adv_img = (adv_img * 0.5 + 0.5) * 255 adv_img = adv_img.astype('uint8')什么意思

这段代码实现了一个基于 Projected Gradient Descent (PGD) 的对抗样本生成攻击，并将生成的对抗样本保存在变量 adv_img 中。 具体来说，pgd_attack 函数对模型 model 进行了 num_iter 轮迭代，每次迭代都...

最新推荐

recommend-type

ADV7511_Programming_Guide.pdf

ADV7511编程指南 ADV7511是一款低功率的HDMI 1.4兼容传输器，具有音频回路通道（ARC）功能。该芯片提供了丰富的寄存器配置选项，允许软件工程师根据需要进行灵活的配置。ADV7511编程指南详细介绍了各个寄存器的配置...
recommend-type

yolov5s nnie.zip

yolov5s nnieyolov5-nnieyolov5s nnieYOLOv5 pytorch -> onnx -> caffe -> .wk 1、模型是yolov5s,将focus层替换成stride为2的卷积层。reshape和permute层也做了调整。具体的修改过程可以参考这个大佬的文章https://blog.csdn.net/tangshopping/article/details/1100386052、模型是在hi3559av100上跑的，mapper版本是1.2。3、用法mkdir buildcd buildcmake -DCMAKE_TOOLCHAIN_FILE=../hi3559.toolchain.cmake ..make -j4./yolo_nnie参考https://blog.csdn.net/tangshopping/article/details/110038605watermelooon/nnie_yolohttps://github.com/ultralytics/yolov5https://githu
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一：荣誉单变量微积分课程介绍 本课程为JHU（约翰霍普金斯大学）的荣誉单变量微积分课程，主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识，包括整合和微分两大部分。该课程采用IBL（Inquiry-Based Learning）格式进行教学，即学生先自行解决问题，然后在学习过程中逐步掌握相关理论知识。 知识点二：IBL教学法 IBL教学法，即问题导向的学习方法，是一种以学生为中心的教学模式。在这种模式下，学生在教师的引导下，通过提出问题、解决问题来获取知识，从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索，教师的角色更多的是引导者和协助者。 知识点三：课程难度及学习方法 课程的第一次迭代主要包含问题，难度较大，学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释，难度相对降低，更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发，逐步深入理解微积分理论，提高学习效率。 知识点四：课程先决条件及学习建议 课程的先决条件为预演算，即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前，先完成一些基础演算的入门课程，并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容，提高学习效果。 知识点五：TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式，广泛应用于学术出版物的排版，特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性，适合用于编写和分享复杂的科学和技术文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战篇：自定义损失函数】：构建独特损失函数解决特定问题，优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念，用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中，`L`表示损失函数，`y`为实际值，`f(x)`为模型预测值，`N`为样本数量，`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式，并确保与Linux内核的兼容性？

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能，并确保与Linux内核的兼容性，首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接，保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接：[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括： 1. 在Vivado中设计硬件电路，配置USB接口相关的Bank502和Bank505引脚，同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序，用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面（CLI）的测验工具，设计用于测试用户对日本动漫《火影忍者》（Naruto）的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列，后被改编成同名电视动画，并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事，直到成为木叶隐村的领袖，期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言，它允许网页具有交互性，同时也可以在服务器端运行（如Node.js环境）。在这个CLI应用程序中，JavaScript被用来处理用户的输入，生成问题，并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术： 1. **命令行界面（CLI）开发：** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中，Node.js提供了一个运行JavaScript的环境，使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具，包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础：** 开发CLI应用程序需要对JavaScript语言有扎实的理解，包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建：** 测验应用程序的核心是其问题库，它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库，并确保问题的多样性和覆盖面。 4. **逻辑和流程控制：** 在应用程序中，需要编写逻辑来控制测验的流程，比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面（UI）交互：** 尽管是CLI，用户界面仍然重要。开发者需要确保用户体验流畅，这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装：** 开发过程中应当遵循模块化原则，将不同的功能分隔开来，以便于管理和维护。例如，可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试：** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试，并通过控制台输出调试信息来排除故障。 8. **部署和分发：** 最后，开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序，常见的做法是将其打包为可执行文件（如使用electron或pkg工具），以便在不同的操作系统上运行。 根据提供的文件信息，虽然具体细节有限，但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接，可能将被引导到一个网页或直接下载CLI应用程序的可执行文件，从而开始进行《火影忍者》的知识测验。通过这个测验，用户不仅能享受答题的乐趣，还可以加深对《火影忍者》的理解和认识。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

【强化学习损失函数探索】：奖励函数与损失函数的深入联系及优化策略

![【强化学习损失函数探索】：奖励函数与损失函数的深入联系及优化策略](https://cdn.codeground.org/nsr/images/img/researchareas/ai-article4_02.png) # 1. 强化学习中的损失函数基础 强化学习（Reinforcement Learning, RL）是机器学习领域的一个重要分支，它通过与环境的互动来学习如何在特定任务中做出决策。在强化学习中，损失函数（loss function）起着至关重要的作用，它是学习算法优化的关键所在。损失函数能够衡量智能体（agent）的策略（policy）表现，帮助智能体通过减少损失来改进自
recommend-type

如何在Springboot后端项目中实现前端的多人视频会议功能，并使用Vue.js与ElementUI进行界面开发？

要在Springboot后端项目中实现前端的多人视频会议功能，首先需要了解Springboot、WebRTC、Vue.js以及ElementUI的基本概念和用途。Springboot作为后端框架，负责处理业务逻辑和提供API接口；WebRTC技术则用于实现浏览器端的实时视频和音频通信；Vue.js作为一个轻量级的前端框架，用于构建用户界面；ElementUI提供了丰富的UI组件，可加速前端开发过程。 参考资源链接：[多人视频会议前端项目：Springboot与WebRTC的结合](https://wenku.csdn.net/doc/6jkpejn9x3?spm=1055.2569.3001