本文目录导航：
大数据包括哪些？
简单来说，从大数据的生命周期来看，无外乎四个方面：大数据采集、大数据预处理、大数据存储、大数据分析，共同组成了大数据生命周期里最核心的技术，下面分开来说：
一、大数据采集
想要学习更多关于大数据的知识可以加群和志同道合的人一起交流一下啊[]
大数据的本质是
问题一：你好，大数据的本质是什么？远标教育为你解答： 从本质上讲，大数据是指按照一定的组织结构连接起来的数据，是非常简单而且直接的事物，但是从现象上分析，大数据所呈现出来的状态复杂多样，这是因为现象是由观察角度决定的，正如苏轼在诗里所描述的，“横看成岭侧成峰，远近高低各不同。
不识庐山真面目，只缘身在此山中”。
由此可见，大数据的核心关键是组织结构，而不是构成大数据的数据本身，这个特征类似人工生命之父克里斯・ 兰顿(Chris Langton)对生命的描述，“生命的本质在于物质的组织形式,而不在于物质的本身”，事实上，宇宙模型里的全部事物似乎都遵循这样的构成规则，结构和节点上的物质。
大数据的结构是一个多层次、交织关联的复杂系 统结构，数据是分布在节点上的构成物质，数据之间的关联关系是由节点的位置决定的，而不是由数据本身来决定。
也就是说，不同的数据位于同一个节点时，就可 以获得相同的关联关系。
比如张三在某个县里 *** 政权结构的局长位置，他就获得了这个节点位置上的所有关联关系，如果李四替换了张三，那么李四就获得了这个 位置上的关联关系，而张三就会失去这个位置上的关联关系，获得他新的节点位置上的关联关系。
问题二：根据涂子沛先生所讲，大数据的本质是数据的价值在增加对吗2013年称为“大数据元年” 问题三：大数据的本质是数据的价值在增加当然不对了，大数据的价值是把很多的数据进行分析和处理，得出有价值的数据，并不是数据价值的增加，以前那么多的数据都被人浪费了，现在是要把那么多的数据利用起来，产生价值。
大数据培训柠檬学院。
问题四：如何认识大数据的本质数据本身并不能完全代表事物的最终整体和结果，世间有如此多数据无法解释的东西存在，比如很多心血来潮和情感变量，我们的世界的存在着诸多未知的X因素。
有趣的是，正是这些未知的因素，才推动了数据分析的发展。
人类总是希望得到利益最大化的结果，所以他们在事前就会做好各种分析准备，例如二战时发明原子弹使得战争提前结束。
其实在每一个时代，我们都会进行数据分析从而去解决问题，虽然有时候并不管用，但是这并没有阻碍人类对于数据分析的追求，随着科技的进步，数据分析更是到处都是。
问题五：1.大数据的本质是如果指的是硬盘区别如下： 内部传输速度主要是由寻道时间以及数据存储密度决定，外部主要是总线的速度以及硬盘接口类型决定的，目前的串口硬盘要比以前的并口硬盘更快。
数据传输率其实分为外部传输率和内部传输率两种，其中前者要比后者快很多，两者之间有一块缓冲区以缓解速度差距。
通常称突发数据传输率为外部传输率，指从硬盘缓冲区读取数据的速度；内部传输率，也称最大持续传输率，是指硬盘将数据记录在盘片上的速度，反映硬盘缓冲区未用时的性能。
目前的主流硬盘在容量、平均访问时间、转速等方面都差不多，然而在内部传输率上的差别比较大，因而内部数据传输率成为硬盘的一个“硬”指标，它真实地反应了硬盘的作战能力。
问题六：大数据和数据挖掘什么区别？传统的数据挖掘就是在数据中寻找有价值的规律，这和现在热炒的大数据在方向上是一致的。
只不过大数据具有“高维、海量、实时”的特点，就是说数据量大，数据源和数据的维度高，并且更新迅速的特点，传统的数据挖掘技术可能很难解决，需要从算法的改进（提升算法对大数据的处理能力）和方案的框架（分解任务，把大数据分析拆解成若干小单元加以解决，或者通过规律的提取，把重复出现的数据加以整合等等）等多方面去提升处理能力。
所以，可以理解成大数据是场景是问题，而数据挖掘是手段。
问题七：大数据的本质是什么 考试试题及答案利用大数据来定位市场需求和人群定位，帮助企业或个人实现精准营销，更方便更简洁，降低营销成本。
问题八：如何认识大数据的本质数据本身并不能完全代表事物的最终整体和结果，世间有如此多数据无法解释的东西存在，比如很多心血来潮和情感变量，我们的世界的存在着诸多未知的X因素。
有趣的是，正是这些未知的因素，才推动了数据分析的发展。
人类总是希望得到利益最大化的结果，所以他们在事前就会做好各种分析准备，例如二战时发明原子弹使 得战争提前结束。
其实在每一个时代，我们都会进行数据分析从而去解决问题，虽然有时候并不管用，但是这并没有阻碍人类对于数据分析的追求，随着科技的进 步，数据分析更是到处都是。
问题九：大数据本质上只是一场技术变革.对吗大数据时代的来临，带给我们众多的冲击，每个人都应当与时俱进、不断提升，放弃残缺的守旧思想，大胆接受新的挑战。
探讨大数据时代将给我们带来哪些变革，首先要搞清楚什么是大数据，其次，要厘清大数据会带来哪些变革，最后，要思考如何应对大数据时代的挑战。
什么是大数据？ 国际数据公司定义了大数据的四大特征：海量的数据规模（vast）、快速的数据流转和动态的数据体系（velocity）、多样的数据类型（variety）和巨大的数据价值（value）。
仅从海量的数据规模来看，全球IP流量达到1EB所需的时间，在2001年需要1年，在2013年仅需1天，到2016年则仅需半天。
全球新产生的数据年增40%，全球信息总量每两年就可翻番。
而根据2012年互联网络数据中心发布的《数字宇宙2020》报告，2011年全球数据总量已达到1.87ZB（1ZB=10万亿亿字节），如果把这些数据刻成DVD，排起来的长度相当于从地球到月亮之间一个来回的距离，并且数据以每两年翻一番的速度飞快增长。
预计到2020年，全球数据总量将达到35～40ZB，10年间将增长20倍以上。
需要强调的是：所谓大数据并不仅仅是指海量数据，而更多的是指这些数据都是非结构化的、残缺的、无法用传统的方法进行处理的数据。
也正是因为应用了大数据技术，美国谷歌公司才能比 *** 的公共卫生部门早两周时间预告2009 年甲型H1N1流感的暴发。
厘清大数据带来了哪些变革 就像电力技术的应用不仅仅是发电、输电那么简单，而是引发了整个生产模式的变革一样，基于互联网技术而发展起来的“大数据”应用，将会对人们的生产过程和商品交换过程产生颠覆性影响，数据的挖掘和分析只是整个变革过程中的一个技术手段，而远非变革的全部。
“大数据”的本质是基于互联网基础上的信息化应用，其真正的“魔力”在于信息化与工业化的融合，使工业制造的生产效率得到大规模提升。
简而言之，“大数据”并不能生产出新的物质产品，也不能创造出新的市场需求，但能够让生产力大幅提升。
正如，《大数据时代：生活、工作与思维的大变革》作者肯尼思・库克耶和维克托・迈尔-舍恩伯格指出：数据的方式出现了3个变化：第一，人们处理的数据从样本数据变成全部数据；第二，由于是全样本数据，人们不得不接受数据的混杂性，而放弃对精确性的追求；第三，人类通过对大数据的处理，放弃对因果关系的渴求，转而关注相互联系。
这一切代表着人类告别总是试图了解世界运转方式背后深层原因的态度，而走向仅仅需要弄清现象之间的联系以及利用这些信息来解决问题。
如何应对大数据带来的挑战 第一， 大数据将成为各类机构和组织，乃至国家层面重要的战略资源。
在未来一段时间内，大数据将成为提升机构和公司竞争力的有力武器。
从某一层面来讲，企业与企业的竞争已经演变为数据的竞争，工业时代引以自豪的厂房与流水线，变成信息时代的服务器。
阿里巴巴集团的服务器多达上万台，而谷歌的服务器超过了50万台。
重视数据资源的搜集、挖掘、分享与利用，成为当务之急。
第二，大数据的公开与分享成为大势所趋， *** 部门必须身先士卒。
2013年6月在英国北爱尔兰召开G8会议，签署了《开放数据 *** 》，要求各国 *** 对数据分类，并且公开14类核心数据，包括：公司、犯罪与司法、地球观测、教育、能源与环境、财政与合同、地理空间、全球发展、治理问责与民主、保健、科学与研究、统计、社会流动性与福利和交通运输与基础设施。
同年7月，我国国务院就要求推进9个重点领域信息公开工作。
正如 *** 总理所强调的，社会信用体系建设包括政务诚信、商务......>> 问题十：大数据是什么概念从海量的数据里进行撷取、管理、处理、并整理之后，获得你需要的资讯 电影《纸牌屋》的成功就是其中一个例子，Netflix（引进纸牌屋的公司）作为世界上最大的在线影片租恁服务商，从其网站点击率、下载量、搜索请求和评论等众多海量数据中进行分析与预测后，认为纸牌屋能火，因此选择引进《纸牌屋》
只需要十分之一数据，就能通关四大视觉任务，居然还开源了
Github链接：
家人们，你们有没有这种苦恼？
搬一次家就换一次家具，那些又贵又重的家具既不好搬运，又不好全部带走。
下一次又重新购置一遍家具，浪费钱不说，关键是来来回回都做一样的事情！家具还没用过几次，利用率不高呀！
这种搬家的苦恼，就好比AI领域，做几个任务就需要开发几个高度定制的模型，不仅所需的数据采集量非常大，每次还都得从头标注。
既提不起数据的学习效率，又耗费巨大的数据获取成本。
光是AI前端研究就耗费如此巨大的精力，更别提应用场景中数以万计的长尾任务。
那怎么办？
做一款通用的深度学习模型，才是关键。
1 通用，才是技术根本
目前，通用语言模型（GLM）已经取得了令人瞩目的进展，比如BERT、T5和GPT-3，它们在应对广泛的语言下游任务时已经游刃有余。
相形之下，通用视觉模型（GVM）的研究迟迟未交出一份令人满意的答卷。
以往的大多数 GVM 研究主要利用一种监督信号来源，如 ViT-G/14 采用有标签监督，SEER 采用样本的不同增强之间的对比学习，CLIP采用图片文本对进行监督。
如果是在单个监督信号下进行的预训练，这几种范式确实能够生成在固定场景下表现良好的模型。
但如果用在场景多元、任务多样的下游场景，这些模型就难以胜任了。
比如现在最火的自动驾驶， 汽车 处于移动状态，既要看到路况，又要看到红绿灯，还要注意行人，甚至在智能座舱兴起后，还要和语言技术、LBS场景服务协同，这么多的感知数据与协同任务，这么多随机的新任务，无论在体量还是维度方面，都对视觉模型的要求极大提高。
这时，打造一款通用视觉模型，降低研发门槛，尤其是学术界的时间成本、资金成本，才能畅享下游的极致场景体验。
去年11月，上海人工智能实验室联合商汤 科技 、香港中文大学、上海交通大学发布通用视觉技术体系“书生”（INTERN），一套持续学习框架，用于系统化解决当下人工智能视觉领域中存在的任务通用、场景泛化和数据效率等一系列瓶颈问题。
前不久，上海人工智能实验室联合商汤 科技 发布通用视觉开源平台OpenGVLab，面向学术界和产业界开放其超高效预训练模型、超大规模公开数据集，以及业内首个针对通用视觉模型的评测基准。
这些开源技术，究竟有何魔力？
2 大力出奇迹，打造通用视觉模型
“书生” （INTERN），就是练就通用视觉能力的底层技术。
从技术实现上讲，“书生”技术体系由由七大模块组成，包括三个基础设施模块和四个训练阶段构成。
书生（INTERN）结构图
首先，通用视觉数据系统。
这是一个超大规模的精标数据集，拥有100亿个样本和各种监督信号，并依照四大视觉任务分别设置了四个数据子集：多模态数据GV-D- 10B分类标注的GV-Dc-36M、检测标注的GV-Dd-3M、分割标注的GV-Ds-143K。
另外，这一数据集还包含11.9万的标签系统，不仅涵盖了自然界的众多领域和目前计算机视觉研究中的几乎所有标签，还扩充了大量细粒度标签，涵盖各类图像中的属性、状态等。
而这，就是书生“大力出奇迹”的一大注脚。
其次，通用视觉模型结构。
它是由一个具有CNN和Transformer的统一搜索空间构建而成。
为何要建立这样的混合结构？要知道，多年来，卷积神经网络（CNN）一直主导着视觉表征学习，并在图像分类、目标检测和语义分割等下游任务中表现出稳定的可迁移性。
但最近几年，Vision Transformer (ViT)仅使用普通的Transformer结构就能作为图像编码模型在ImageNet-1k上取得媲美 CNN 的性能，在大规模数据集上 ViT 更是展示出比 CNN 更大的潜力。
尽管ViT在性能上有优点，但纯Transformer网络相比卷积神经网络缺乏某些归纳偏置（inductive biases），因此需要更多的数据和计算资源。
此外，自注意的计算成本相对于输入的数量是平方的，限制了对高输入分辨率的应用。
因此，将CNN和Transformer和MLP结合起来，平衡效率和有效性两个方面，才是模型通用的关键。
这种兼具更好的泛化能力和更高的模型容量的模型结构名为MetaNet。
在MetaNet网络结构族里面进行网络结构搜索，从而得到最优的一个模型训练结构。
统一搜索的MetaNet架构：Conv和Trans分别表示卷积和Transformer。
C和S为每一阶输出通道数和步幅。
具体来看，MetaNet不仅基于强化学习 的PPO算法提出了统一搜索架构，并且，为了避免传统的下采样模块会成为模型性能的瓶颈，“书生“结合了包含 local-global-DSM (LG_DSM) 和 global-DSM (G-DSM)的context-aware down-sampling modules (DSM)，用来代替原本的下采样模块。
因此，在浅层，模型依然使用卷积来提取特征，但在深层，模型却能将Transformer模块和LG-DSM结合使用，以便于更好地提取全局信息。
同时，书生还基于最大的MetaNet-B15蒸馏出了多达13种不同的模型结构，共24种不同的模型权重，现已全部开源。
这些模型结构基本涵盖了现有市面上大部分的主流backbone，不仅能够很轻易地迁移到所需要的算法框架作为新网络预训练的初始化，而且只需要更短的训练时间就可以达到比原来更好的训练效果。
MetaNet 模型与其他模型结构比较，结果如下：
基于卷积、Transformer和两者混合的结构，分别用C，T和H表示，可以看出，在图像分类性能上，MetaNet系列的MN-B1，MN-B4和MN-B7，和其他的SOTA模型相比，不仅有更高的精度，还有更低的FLOPS和参数量。
除了分类任务，把MetaNet做为检测和分割的backbone，在COCO数据集上使用Mask R-CNN结构训练，结果发现：在模型参数量更小的前提下，MN-B4比Swin-T精度高出2到4个点。
另外还在ADE20K数据集上进行了语义分割任务，MN-B4的mIoU指标比Swin-T高出5个点之多。
上述两个实验结果表明，MetaNet系列模型结构，在模型精度与计算量之间，都达到了新的SOTA！
最后，通用视觉评测基准。
视觉评测基准GV-B ，就像是一个「擂台」。
如下表所示，测评基准收集了 26 个下游任务数据集，囊括了 4 种视觉任务类型：分类，检测，分割和深度估计。
在设置上，该基准引入了百分比样本（percentage-shot），只需要选取整个数据集的一部分，例如 10%、20% ，对比缩小下游任务的训练数据量后的模型性能。
与传统的少样本设置相比，这种百分比样本设置可以很好地保留原始数据集的长尾分布等属性，并减轻对样本选择的敏感性。
因为有一些数据集样本类别分布不平衡，比如下表中的VOC07+12，百分比数据的划分方式却会继承这种分布情况。
右侧三列avg，min和max，分别表示在10%的数据中，不同类别样本数量的平均值，最小值和最大值。
结合上述数据集和任务类型，论文选取了一些具有代表性的模型来做评测对比。
为了比较公平性，该对比使用了这些模型的官方预训练权重。
这些模型包括：
有了超大精标数据集、模型结构，以及评测基准后，已经是万事俱备，只欠训练。
书生作为中国古代读书人的经典形象，代表着一个通过不断学习、不断成长进而拥有各方面才能的人格化角色：从基础的知识技能学习开始，到对多种专业知识触类旁通，进而成长为拥有通用知识的通才。
借此意象，“书生”（INTERN）系统可通过持续学习，举一反三，逐步实现通用视觉领域的融会贯通，最终实现灵活高效的模型部署。
下面就来看看，这套系统是如何通过训练，一步步从生手变成专家再到多面手，最终在各种任务中大显身手。
第一阶段，训练的是基础能力，被称为“基础模型”（Amateur）。
然而CLIP需要400M的图像-文本对进行前训练，囿于极大的数据量，CLIP很难进一步发展。
但“书生”提出了一种新的训练范式，DeCLIP（Data efficient CLIP ），能够同时使用来自图像-文本、图像-图像和文本-文本对的监督信号进行模型预训练，从而更有效地实现通用性。
此外，为了充分利用大规模多模态数据获取基础模型的优势，这一阶段提出了Upstream-Amateur (Up-A)视觉语言预训练框架，同时挖掘模态内和跨模态知识。
这一训练框架分为两个预训练阶段：Upstream-Amateur for Global Representation (Up-A-G)和Upstream-Amateur for Local Representation (Up-A-L)。
其中，Up-A-G(左)使用群体监督功能，从更丰富的监督中学习。
Up-A-L(右)采用局部自我监督学习方法，对训练好的视觉-语言模型进行调整，从而提高自身在密集预测CV任务中的表现。
Upstream-Amateur的框架
得益于这些内在的监督，DeCLIP-ResNet50可以在ImageNet上实现60.4%的zero-shot 精度第一。
这比CLIP-ResNet50高出0.8%，数据使用量少了81%。
当迁移到下游任务时，DeCLIP-ResNet50在11个视觉数据集中有8个优于CLIP。
更关键的是，训练完成的Upstream-Amateur为后续的训练阶段提供了一个很高的起点。
第二阶段，训练的是专业能力，被称为“专家模型”（Expert）。
Up-A阶段得到的基础模型，在一般的视觉识别问题上显示出优异的性能。
但要完全掌握检测、分割等更具体的任务，还需要在每个任务中进行更专业的预训练，这就促成了第二个阶段的到来，专家模型。
对于每个专家，“书生”采用了一种简单的多头设计，每个头是一个特定数据集的子网络，从一个公共的、共享的“主干”分支出来。
比如Up-E (C)、Up-E (D)和Up-E (S)，分别用于图像分类、对象检测和语义分割。
第三阶段，训练的是组合能力，被称为“通才模型”（Generalist）。
上述的多任务是指不同数据集(如ImageNet和CIFAR)的一个视觉问题(如分类)，或一个数据集的多个视觉问题(如分类和检测)。
但关键是，如何将专家整合到一个统一的模型中，获得一个更加通用的视觉模型。
因此，在预训练“专家”阶段之后，又将“通才”作为第三个预训练阶段，以进一步统一特征表示。
“书生”提出了一个新的范式，名为“混合参数共享”，从而开发一个名为“多面手”的通才模型。
具体来说，由于专家捕获的知识是相互关联的，当专家的特征融合为一个共享的表示形式时，再利用基于软共享的跨任务知识转移和基于硬共享的通用表示学习的方法，在不引入任务冲突的情况下在专家之间传递信息（特征转移），从而进一步提高了多任务训练的模型(专家)性能，即“通才”能力。
在结构上，通才模型是所有专家的一个相互关联的版本，因此可以把每个“专家主干”称为“通才分支”。
此外，我们还可以根据训练相应专家的任务将通才中的每个分支分为图像、补丁和像素。
但无论是软共享还是硬共享，都意味着从专家模型到通才模型的一次跃升。
在经历了前三个训练阶段模块后，终于来到最后的任务迁移阶段 （Adaptation）。
这个阶段属于技术链条的下游，用来解决各式各样不同类型的任务，而这也是最考验“书生”举一反三能力的时刻。
它需要在这个阶段把之前学到的通用知识，融会贯通地应用到不同特定任务中。
在此之前，很多迁移学习方法确实取得了很多进步，但问题是，这些方法既没有利用上游预训练中的隐含信息，也没有考虑到下游数据在少镜头场景中的不足。
因此，“书生”提出了一种Multi-stage Fine-tuning (MF)方法，缓解在数据较少的情况下传输的困难，再通过将上游数据编码成生成模型，即VQ-GAN，可以将预训练的模型转移到多个任务和领域，而无需每次都使用上游数据，而这也使得“书生”更具通用性和可扩展性。
多级微调(MF)概述：VQ-GAN模型首先在第一阶段使用上游数据进行训练，然后在第二阶段由它重构下游数据。
在此之后，第三阶段只对新增任务的特定参数进行重新表示的图像训练，第四阶段则通过下游数据对整个模型进行微调。
至此，一个具有持续学习能力的通用视觉模型终于出世。
而具体有哪些提升，不如看一下更直观的实验数据对比！
3 一网打尽视觉领域四大任务
视觉领域，任务繁多，主流任务包含分类、目标检测、语义分割、深度估计四大类型。
在这四大任务中，最强大的视觉模型还是去年OpenAI发布的CLIP模型。
但相比较而言，“书生”则在准确率和数据使用效率上都有所提升。
1、精度表现
通过对“书生”训练出的模型在GV-B上的评测对比，发现经过多阶段预训练的MetaNet精度表现优异。
在ImageNet等26个最具代表性的下游场景中， “书生”在分类、目标检测、语义分割及深度估计等四大任务上，平均错误率分别降低了40.2%、47.3%、34.8%和9.4%。
书生（INTERN）与CLIP-R50x16在不同样本量上的性能对比，正确率展示
2、数据使用效率
“书生”在数据效率方面的提升尤为瞩目：只需要1/10的下游数据，就能超过CLIP基于完整下游数据训练的准确度。
以CLIP-R50x16和Up-G MN-B15在GV-B的评测对比为例，分别在分类、目标检测、语义分割、深度估计四大类型的26个下游任务数据集上进行了评测，仅使用了10%数据进行训练的Up-G MN-B15模型，在绝大部分数据集上都能比使用了全部训练数据的CLIP-R50有更好的精度表现。
这表明，经过多阶段预训练的MetaNet具有极强的泛化能力，能够在仅有少量的训练样本情况下，达到SOTA的精度表现。
在下游视觉场景中，小样本训练带来的是极高的训练速度，以及极低的训练成本。
例如在花卉种类识别任务上，“书生“只需要每一类型的花卉提供两个训练样本，就能实现99.7%的准确率。
这个花卉数据集由102种英国常见的花组成，每个类别有40至258张图片。
其中包含有很大的比例、姿势和光线变化。
102个类别的花卉数据集：
~vgg/data/flowers/102/
4 通用视觉平台，已正式开源
如此强大的通用视觉训练模型已经正式开源！
更关键的是，连同上述讲到的标签数据集、网络结构以及评测基准，均在OpenGVLab被统一打包开源。
其中的网络结构除了MetaNet，还包含大家普遍使用的ResNet， MobileNet， ViT， EfficientNet等，以满足不同场景的应用，赋能计算机视觉。
然而，「书生」的布局不止于此。
OpenGVLab将与上海人工智能实验室此前发布的OpenMMLab、OpenDILab一道，共同构筑开源体系OpenXLab，持续推进通用人工智能的技术突破和生态构建。
一位已经使用过此次开源平台的自动驾驶算法研究员表示：“书生系列模型充分覆盖了从移动可部署的小模型，到超大规模自研结构，为行业带来了希望，尤其是它的收敛速度，大幅节省了训练开销，是技术落地的一大助推器。“
不仅是自动驾驶领域，智慧城市、智慧医疗、智慧交通，以及千千万万其他的智能化领域，都将获得通用视觉模型带来的技术红利。
一位腾讯研究员大赞OpenGVLab：“能把这么大的工作开源出来真的是业界良心。
简单用了一下，确实比CLIP要更fine-grained（细粒度更高）。
”
而来自学界的师生也对此感慨有加：“OpenGVLab集成了大量各种量级的state-of-the-art（先进）模型，使用起来更得心应手，省去了对不同codebase、不同模型繁琐调研的烦恼。”
换句话说，当那些代码和公式脱去了枯燥乏味的外衣，人们才发现了真正的创造力。
而这，也是技术创新与平台开源的魅力所在。
往近了说，用这款通用视觉模型打比赛，怕不是奖金多到飞起！在技术生产力的道路上，又诞生了一个致富小妙招！
目前，“书生”技术报告《INTERN: A New Learning Paradigm Towards General Vision》已在arXiv平台发布。
论文/abs/2111.
评论（0）