没有合适的资源?快使用搜索试试~ 我知道了~
大规模分类的表示学习
大规模分类托马斯·杰拉尔德引用此版本:托马斯·杰拉德。大规模分类的表示学习。机器学习[cs.LG].索邦大学,2020年。英语NNT:2020SORUS316。电话:03987588HAL Id:tel-03987588https://theses.hal.science/tel-039875882023年2月14日提交HAL是一个多学科的开放获取档案馆,用于存放和传播科学研究文件,无论它们是否已这些文件可能来自法国或国外的教学和研究机构,或来自公共或私人研究中心。L’archive ouverte pluridisciplinaire索邦大学博士论文集斯佩恰利泰Informatique信息、电信和电子博士学校(巴黎)Présentée par托马斯·杰拉尔德为了获得等级索邦大学Sujet de la thèse:大规模分类的表示学习大埃歇尔分类代表学徒陪审团组成后:M. 帕特里克·加利·阿里M. NicolasBA skI oTI sM. Massih-RezaAmI niIPascaleKunTZ-COSPERE c女士M. 朱利安·蒂尔尼张香良女士Sorbonne UniversitéThomas Gerald:大规模分类的表示学习© 2020III雷默西芒我想请我的导师Nicolas Baskiotis先生为我们的天才顾问,进行讨论和再演讲。我还想向该中心主任帕特里克·加里纳利先生表示感谢。此外,我还希望HatemHajri先生和Hadi Zatiti先生能与我合作,共同提出双曲面空间中的表示法条款为了我们的辩论和我们的支持,我感谢三位曾与我共事的人:陈光诚在私下里,我想和公司简介CONTENnT svLIsTO oF figuREsvii表sXi的li sAcRonymsxiii1在第1条中记录1.1机器学习和大数据11.2极端分类21.3捐款41.4文件结构.2ExTRE mEcLA ssIFI cATI on前的第九章2.1大规模分类任务102.1.1注释102.1.2语料库102.1.3关于分布和语料库大小的讨论112.1.4评价指标122.2应对分类方面的挑战142.2.1早期多类分类152.2.2分类和目前的应用182.2.3XML的有效时间复杂度方法2.3学习嵌入eXtreme分类312.3.1更快的处理和离散表示312.3.2基于XML的连续表示332.3.3表示学习和双曲空间372.4未完成的挑战413dsncAND ndAT oms nETWOR k:LEARnI ng codeEs433.1DSNC:学习二进制代码快速分类443.1.1拟议办法463.1.2深度随机神经代码:编码473.1.3深度随机神经代码:解码器483.1.4学习程序503.1.5方案和实验523.1.6DSNC:讨论573.2原子网络:学习类代码字573.2.1型号说明583.2.2结果与分析623.2.3约束分析633.2.4Atoms Network:讨论643.3更好地捕获结构化数据65vvicO n tenTS4海伯奥利克恩姆贝丁用于传输数据674.1在Poincaré Ball模型中嵌入图形数据674.1.1黎曼GMM704.1.2双曲高斯混合模型的EM:724.2结构化数据的双曲线嵌入4.2.1学习嵌入社区754.3社区检测794.3.1复杂性和可扩展性814.4社区分类4.4.1社区分类结果844.4.2关于双曲图嵌入的讨论864.5双曲嵌入和结构化数据885海伯奥利克多标签cLA ssIFI cATIon915.1基于分类的连续嵌入925.1.1分类的学习表示5.1.2分类的双曲嵌入5.2A joint labels/examples双曲嵌入965.2.1评价995.2.2讨论. 995.3基于双曲线嵌入的示例1005.3.1预测性能1035.3.2合奏1035.3.3讨论1055.4讨论和展望1066concL usIon1096.1贡献和应对的挑战1096.2剩余挑战1106.3论域的推进圣经和物理学113附录1231解码算法DSNC1252黎曼流形和双曲空间1252.1黎曼流形1253社区嵌入附加可视化130d(0,x)+d(0,y)L I STO F I G U R E S第1章:第1条第2章:如果之前的条款适用, 和 CurR-REnT APPROAchs9图2.1delicious和wiki10数据集中每个标签标注的示例百分比,按频率升序排序............................................................................................. 12图2.2MLRF算法中多标签分类的森林示例然后通过合并树分类器中到达的每个叶子的标签(通常是投票)来获得预测,以便获得标签上的排名。................................................................................. 23图2.3多标签分类的Bloom过滤器流程示例每个标签得到一个相关的代码,分类器从特征空间返回一个代码向量。该预测在图中被描绘为连续地移除类别,其中例如,在标签表示中比特是正的(灰色圆圈)而在标签表示中比特是负的(白色圆圈表示. ................................................................................................... 25图2.4 ECOC的初始概念,学习更多的分类器而不是类,以根据文档的不可分离性来处理文档的不可分离性。班......................................................................................................... 32图2.5面向极端分类的表示方法原理首先划分输入空间,然后学习每个分区上的表示。..................................................................................................... 35图2.6双曲面和庞加莱圆盘模型中相同的测地线(橙色线)图2.7描述庞加莱距离和图距离第一个图(2.7 a)给出了具有相似范数的两点之间的部分测地线,并显示了曲率。第二图(2.7 b)使用双曲函数比较了比值d(x,y)距离(蓝色曲线)和欧几里得距离(橙色曲线)。请注意,这个图的灵感来自于论文Representation Tradeoffs for HyperbolicEmbeddings(Sa et al. 2018年)。...................................................39图2.8用庞加莱圆盘表示法表示分层数据.................................................39第3章:德国国家通信公司 和 A. 网络工作 : leAR nI ng 代码43VII∈›→八、图表一览表图3.1LSH算法的主要原理,每个点属于一个桶,取决于线性函数h1和h2的符号。然后仅对来自同一桶的样本执行K-NN在原始工作Hi被认为是随机超平面45图3.2 DSNC模型架构,x是输入特征向量,φ是根据x建模的伯努利分布,bx是从伯努利分布采样的二进制代码,dθ是二进制代码的解码器(见第3.1.3节)46图3.3二进制代码的线性解码,我们学习一个线性多类分类器,以矩阵WRc×K作为参数化的输入代码。然后通过l=arg maxWtbx+a48给出对代码bx的预测图3.4二进制代码的散列解码,每个代码仅通过使用线性解码方法转发每个示例而与一个类相然后通过查看标签与一个例子的代码相关联的标签。......................................... 49图3.5二进制代码的K-NN解码,对于每个训练样本,我们存储对(code,label). 对于预测,我们计算测试代码到存储代码的距离。使用基于桶的方法(Mohammad Norouzi et al.(2013年)对比度大大降低。............................................................................. 49图3.6DMOZ-12 K的复杂性比较图3.7 ALOI数据集60类子样本的类代码的t-SNE表示表示同一类的代码相同的颜色。..................................................................................... 56图3.8字典原子模型的架构1)从输入中得到一个概率向量,该概率向量对应于选择与示例相对应的类的子集的概率;2)根据先前的分布对哪个子集进行采样;3)合并所选子集标签对应的标签。59图3.9原子字典的结构,它模拟了正的和负原子60图3.10输出的精度(@1,@5)和稀疏度取决于选择约束αs(delicious)64第4章:希佩尔博利克 嵌入福尔结构化dATA67图4.1使用庞加莱圆盘表示法表示分层数据............................................. 69图4.2庞加莱球不同维数m值的归一化系数σm(σ)图表. ix图4.3庞加莱球模型中两个高斯模型的可视化红点是高斯均值.................................................................................72图4.4可视化O3损失对两个高斯嵌入的影响对于这个图,我们把两个随机的双曲高斯和样本点带入双曲空间。然后,我们计算每个点属于每个高斯分布最后应用O3损失直到收敛。..............................................................76图4.5DBLP、Wikipedia和BlogCatalog数据集88图4.6空手道、polblog、书籍、足球和dblp图中根据回归逻辑预测着色的双曲嵌入89第5章:高性能混合动力车--ABBCLASSIFATION91图5.1维基10上的标签分布94.........................................................................................图5.2将wiki10标签子集嵌入双曲空间图5.3映射部分的学习和过拟合有效性下降,而训练性能仍然增加。................... 105第6章:结论109图1用两个算子说明切空间的原理指数和对数映射。........................................................................... 126图2 Bonnabel2013年提出的图2a和Nickel等人2017年提出的图2b的黎曼梯度下降算法的比较。在这两个图中,我们最小化双曲距离在两点之间。................................................................................... 128图3精确和近似RSGD的可视化128图4庞加莱圆盘上矢量(红色)沿测地线(蓝色)平行输运的可视化。................................................................................................... 128图5根据地面实况着色的双曲嵌入空手道,polblog,书籍,足球和dblp图表130图6根据gmm预测着色的双曲嵌入空手道,polblog,书籍,足球和dblp图表131图7根据回归逻辑预测为空手道,polblog,书籍,足球和dblp图着色的双曲嵌入。132| |||L I S T O F TA B L E S第1章:第1条第2章:如果之前的条款适用, 和 CurR-REnT APPROAchs9表2.1单标签语料库统计表2.2极端多标签语料库特征表2.3wiki 10数据集的频繁/不频繁标签示例表2.4方法总结与方法类型及其预测时间..................................................................................................... 30表2.5基于ECOC的截骨术示例第3章:德国国家通信公司 和 A. 网络工作 :leAR nI ng 代码表3.2DMOZ-1 K类内距离(测试数据集)..............................................表3.1建议的模型DSNC和两个基线在不同数据集上的准确性灰色背景表示常量解码时间............................................................................................. 54表3.3使用多标记DSNC56表3.4提出的方法与SLEEC(一个分类器)和OVA的比较62表3.5集成学习与SLEEC的词典学习63表3.6稀疏度/精度取决于矩阵a+和一个−on delicious数据集(2个学习者ondelicious)63表3.7 Atoms Network在wiki 10数据集上的性能比较(p@1/p@3/p@5)与我们的模型没有稀疏约束(AN),SLEEC基线和最常见标签基线(MC)64第4章:希佩尔博利克 嵌入福尔结构化dATA67表4.1用于实验评价的数据集特征V是节点的数量,E是边的数量,K是社区的数量,ML是数据集是否是多标签的(节点是否可以属于多个社区)。................................................. 80表4.2双曲线的无监督社区检测性能K-均值(H-KM)和期望最大化(H-EM)与最先进的方法ComE83Xi十二.表格一览表表4.3不同分类方法的结果。其中:H-B是基于双曲重心的监督双曲K均值; H-GMM是监督双曲高斯混合模型; H-LR是双曲空间中的回归逻辑;ComE Cavallari等人。2017年。 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85表4.4通过我们的方法获得的性能与双曲- SVMCho et al.2018(H-SVM)相比,用于二维嵌入的小规模数据集。结果是5次实验的5倍交叉验证的平均值。..................................................................................................... 85表4.5 2维和10维嵌入、MCC-CV(使用5交叉验证集的最常见群体的平均值)和MCC-A的双曲逻辑回归(most整个数据集的共同社区第5章:高性能混合动力车--ABBCLASSIFATION91表5.1我们的方法(Hyp)与几种最先进方法方法。对于SLEEC和AnnexML,预测是通过聚合15个不同模型的标签投票来FastXML和PfastreXML聚合了50棵树的预测。 AnnexML合并1到3个分类器结果。所有报告的结果都来自极端分类存储库,除了AnnexML,报告的结果是原始论文100表5.2表示的大小和Wiki 10 - 31 K语料库聚合模型的数量对精度@1,3,5的影响。双曲线是指我们的方法,欧几里得是指类似于AnnexML算法的欧几里得嵌入,预聚类101表5.3与AnnexML(最先进的XML表示)相比,我们的方法在1/3/5时的精度得分所有的分数都是针对一个学习者给出的,除了最后一列,其中报告了15个学习者的Tagami2017aEE的意思是示例/示例损失和O位置损失103表5.4集成多个学习器和不同嵌入维度获得的结果。为了进行评估,我们使用了不同的指标,如精度、nDCG和PsnDCG,如部分所述2.1.4.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104表5.5Wiki10数据集上双曲空间和欧几里得空间的平均秩第6章:结论109AC R O Y M SXMoLeXtreme Mono-LabelXMuleXtreme Multi-LabelXMiLeXtreme缺失标签SVP奇异值投影黎曼随机梯度下降SVM支持向量机XIII1I NTR O D U CTI O N内容1.1机器学习和大数据 . . . . . . . . . . . . . . . . . . .11.2极端分类。. . . . . . . . . . . . . . . . . . . . . . .21.3捐款。. . . . . . . . . . . . . . . . . . . . . . . . . . . .41.4文件结构 . . . . . . . . . . . . . . . . . . . . . .61.1机器学习和大数据共享视频、照片或更一般的多媒体内容如今是一种常见的做法。这种行为是由信息技术进步和最大数量的多个设备(如智能手机或笔记本电脑)的普遍访问所促进的在过去的二十年里,内容流并没有停止增长,此外,大部分时间内容都是存储的,并供大量用户免费访问。例如,在2019年,平均有6000条消息(tweets)秒在Twitter平台上发布。此外,网站内容广泛增长,如在线百科全书维基百科,今天有超过5100万篇文章。因此,一个问题仍然存在,用户如何有效地检索内容?今天,寻求文章或更全球性的内容,是通过在搜索引擎中输入由相关关键字组成的查询来对于最具体的搜索,搜索引擎会建议用户从关键字列表中选择主题不幸的是,很少有文档明确给出关键字信息检索关键字是许多应用程序的起源,例如前面提到的信息检索,但也用于信息组织任务:例如按主题对内容进行排序。然而,由于成本和效率的原因,要处理的过多数量的数据阻止了人工注释为了实现这一目标,许多自动标注的方法被开发来处理的分类任务。尽管做出了努力,但数据的多样性、规模以及更大程度上的复杂性阻止了以前的方法扩展到语料库的规模1C h APTER2在生产中,为了实现有效方法的开发,过去十年中出现了机器学习方法的兴起,由于先前注释的文档集训练了能够检索这些关键字或类别的参数函数今天,机器学习方法在图像识别或分割、自动翻译、推荐系统、情感分析或文本分类方面具有最先进的水平。然而,经典技术在考虑大量可能的关键字时没有通过规模。因此,在这篇论文中,我们提出了解决自动分类的多个挑战时,可能的类别的数量是众多的。 旨在解决这一挑战的相关领域被称为极端分类,当我们考虑超过数千或数百万个类别时,它表征了分类任务。我们通过表征学习的视角来解决这些挑战,这是一种新兴的方法来解决与极端分类相关的挑战。在进一步介绍论文的贡献和流程之前,让我们首先描述极端分类挑战及其不同的相关任务。1.2极端分类极端分类的目标是有效地检索复杂和大型语料库的正确的注释。因此,应对了以下挑战:• 存储复杂性:所有自动分类方法都依赖于存储数据或函数参数。因此,存储的元素必须包含在经典的当代设备中。• 预测时间复杂度:算法获取类所消耗的时间必须尽可能短。通常,在工业中,目标是减少计算资源,同时获得准确的注释。目前,经典的分类算法主要是根据标签的数量在线性时间内进行分类,面向极端分类的方法必须发展亚线性时间方法。• 学习时间复杂度:与预测时间类似,学习时间应该尽可能快。然而,与预测相反,计算能力往往更大。• 准确性:预测标签必须准确且与每个文档相关。通常,模型的准确性将通过其在已注释的集(称为测试集,不同于用于训练分类器的集)上检索正确注释的能力来评估1.2 极端第 三类小说标准方法的一个主要缺点是预测时间取决于标签的数量,标签的数量主要与预测时间成线性关系。这个问题可以使用额外的约束来处理,以减少预测时间和存储。例如,使用线性分类器确保稀疏性减少了参数的数量,从而减少了操作的数量。尽管减少了参数的数量,但这些方法仍然考虑与类别一样多的预测器(或分类器)为了减少处理时间,可以考虑分而治之的主要思想依赖于划分的特征或标签空间,因此,分类器只关注一个子部分的数据。另一方面,准确的预测与预测时间复杂度一样重要。然而,在许多情况下,降低复杂性会对准确性产生负面影响。因此,目标通常是考虑这两个挑战之间的权衡,优化准确性和推理时间。分类任务如果方法主要根据所处理的挑战而不同,那么它也取决于所考虑的任务(或分类办法)。在极端分类中,根据任务的不同处理不同的目标。我们可以定义三种分类方案:• eXtreme Mono-Label(XMoL)分类:每个文档都使用唯一的标签进行注释。例如,对于ImageNet分类任务,一个图片数据集,目标是预测最好描述每个图像的类。• 极限多标签(XMul)分类:每个文档都用一个或多个标签进行注释。例如,检索图像上的所有项目,或查找文档的所有主题• eXtreme Missing-Label(XMiL)分类:每个文档都用一个或多个标签进行注释,但由于语料库部分标记,因此范例与XMuL不同。例如,在图像的上下文中,只有一小部分项目已经标记了图像,目标是预测丢失的项目。因此,标签被认为是潜在的功能,相反,XMul没有标签。注意分配每一种极端分类方案都必须处理特定的问题。在单标记设置中,标记的出现可能显著不同,使得一些标记比其他标记被观察得更多我们把这个问题称为标签分布不平衡标签分布对性能有直接影响,特别是当标签的实际分布与用于训练分类器的分布不同幸运的是,考虑到4在生产中,数据集很少出现这种情况,训练集、评估集和测试集具有相似的标签分布。标签分布平衡引起的真正问题是当我们解决多标签分类时。在最后一种设置中,我们经常观察到重要的不平衡,导致真实语料库中的标签注释了一半以上的训练示例,而其他人只有少数示例。因此,分类器应该仔细设计,以确保不仅预测最频繁的类。表示学习邻域搜索算法是在给定度量和空间的情况下寻找最近的邻域。在分类中,文档位于一个称为特征空间的空间中有了这最后一个先验,人们可以预期具有接近表示的文档将具有类似的注释。然而,与特征空间相关联的距离(例如欧几里德空间中的l2此外,根据特征空间的大小,最近邻搜索可能很耗时,例如图像可以用像素值向量表示,这可能导致非常高的预测时间。表示学习方法旨在通过将特征空间嵌入低维空间并确保紧密嵌入的文档被类似地标记来解决这两个问题。此外,基于邻域的搜索预测仍然可以预测稀有标签,因为文档可能靠近由代表性不足的标签标记的文档。虽然贪婪邻居搜索经常达到最高性能,但即使嵌入在较低的空间中也是耗时的。事实上,预测建议将嵌入的示例与大量已知的表示进行比较。然而,在这方面,可以使用近似邻居搜索来解决这个问题1.3贡献本论文的目标是研究表示方法,目的是找到有效的解决方案,极端的分类挑战。我们主要关注其中的两个挑战,预测时间复杂度和预测精度。在博士论文开始时,很少有方法提出了现代方法来处理基于表示的方法的大规模分类 表示方法依赖于标签/特征空间降维范式。目标在于找到文档或标签的最佳低尺寸表示,从而降低时间复杂度。一旦文档被投影,就应该通过一个算法或一个函数来检索标签,该算法或函数至少涉及与标签一样多的操作。我们可以将嵌入方法分为两部分,嵌入过程也1.3 cO nFIVATIOS ns5称为编码,而重建通常称为解码过程或解码器。大多数情况下,以前的方法考虑特征空间的欧几里得嵌入。在博士研究之初,这个原则被称为标签/特征空间降维。它通常将复杂度从O(NK)降低到O(Nc+cK),其中N是特征的数量,K是类的数量,c是表示的大小(NC用于编码器,cK用于解码器)。然而,应该注意到,考虑有限数量的表示和从表示空间到索引的散列函数将导致非常快的解码过程。 在最后一种可能性中,为每个表示存储相关联的标签将允许恒定的解码时间。因此,唯一的时间复杂度瓶颈是编码函数和哈希函数的应用。学习文档的二进制表示是前面原则的一个可能的应用。实际上,考虑低维度的空间,将允许枚举和存储所有可能的组合(将c视为二进制向量大小将导致2c个可能的代码)。在第3.1节中,Ou的第一个贡献研究了二进制嵌入,以根据所述原理加快预测时间。然而,当表示空间的维数变得太大时,最后一种解码方法是难以处理的,因为代码的数量随着c呈指数增长。幸运的是,仍然可以获得次线性时间分类。例如,考虑表示学习和邻居搜索的框架可以导致使用基于桶的邻居搜索的时间效率预测然后,剩下的最后一个问题取决于如何学习这些二进制向量。随机设计会明显降低性能,特别是在邻居搜索解码中。为了解决这个问题,我们提出了一个端到端的学习过程,共同学习编码器和解码器遵循为时间有效的标签预测找到有效的结构表示的相同原则,我们提出了一种端到端的方法来解决多标签设置。在多标签语料库中,标签的子集是相互依赖的,即标签是相关的,因为它们总是或经常一起出现考虑这些子集来学习分类器应该会提高性能。因此,第二个贡献的主要思想是发现这些子集,并为给定的文档检索最有可能标记它的子集。与之前的提议类似,一起学习编码器(模型中旨在选择子集的部分)和标签分区(相互依赖的标签的子集)将依赖于更好的性能。在某些条件下,然后可以通过聚合所选标签集来在次线性时间中检索注释今天,准确性的挑战主要是解决考虑连续表示学习方法。特别是最近的作品,如SLEEC(Kush Bhatia et al.2015)或AnnexML(Tagami2017 a)在绝大多数语料库上达到了最高性能。这些算法紧密地嵌入到表示空间中相似的文档w.r.t他们的标签。 随后,推断基于快速邻居搜索解码,
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 谷歌文件系统下的实用网络编码技术在分布式存储中的应用
- 跨国媒体对南亚农村社会的影响:以斯里兰卡案例的社会学分析
- RFM2g接口驱动操作手册:API与命令行指南
- 基于裸手的大数据自然人机交互关键算法研究
- ABAQUS下无人机机翼有限元分析与局部设计研究
- TCL基础教程:语法、变量与操作详解
- FPGA与数字前端面试题集锦:流程、设计与Verilog应用
- 2022全球互联网技术人才前瞻:元宇宙驱动下的创新与挑战
- 碳排放权交易实战手册(第二版):设计与实施指南
- 2022新经济新职业洞察:科技驱动下的百景变革
- 红外与可见光人脸融合识别技术探究
- NXP88W8977:2.4/5 GHz 双频 Wi-Fi4 + Bluetooth 5.2 合体芯片
- NXP88W8987:集成2.4/5GHz Wi-Fi 5与蓝牙5.2的单芯片解决方案
- TPA3116D2DADR: 单声道数字放大器驱动高达50W功率
- TPA3255-Q1:315W车载A/D类音频放大器,高保真、宽频设计
- 42V 输入 5A 降压稳压器 TPS54540B-Q1 的特点和应用
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)