vc维(vc维生素c什么时候吃比较好) - 鸿海伟业生活资讯网
- 1、如何通俗的理解机器学习中的VC维,shatter和break point
- 2、提出SVM *** 的学者是
- 3、VC维的来龙去脉
-
退伍军人证(退伍军人证遗失可以补吗?) - 鸿海伟业生活资讯网
-
成都杜甫草堂简介(成都杜甫草堂简介概况) - 鸿海伟业生活资讯网
-
实名 - 鸿海伟业生活资讯网
-
中国农业大学分数线(中国农业大学分数线考研) - 鸿海伟业生活资讯网
-
成都实验外国语 - 鸿海伟业生活资讯网
-
个人公积金怎么交 - 鸿海伟业生活资讯网
-
海默科技股票(海默科技股票分析) - 鸿海伟业生活资讯网
-
修护(修护敏感肌的化妆品哪个好) - 鸿海伟业生活资讯网
-
小电饭锅1一2人 - 鸿海伟业生活资讯网
-
成都宠物医院(成都宠物医院 *** ) - 鸿海伟业生活资讯网
本文目录一览:
如何通俗的理解机器学习中的VC维,shatter和break point
有可能的话,找一个安静的、舒适的地方学习。选择某个地方作你的学习之处,这一点很重要。它可以是你的单间书房或教室或图书馆,但是它必须是舒适的,安静而没有干扰。当你开始学习时,你应该全神贯注于你的功课,切忌“身在曹营心在汉”。
提出SVM *** 的学者是
苏联学者VladimirNVapnik和AlexanderYLerner。SVM是由模式识别中广义肖像算法发展而来的分类器。1964年,Vapnik和AlexeyYChervonenkis对广义肖像算法进行了进一步讨论并建立了硬边距的线性SVM。此后在二十世纪70到80年代,随着模式识别中更大边距决策边界的理论研究、基于松弛变量的规划问题求解技术的出现,和VC维的提出,SVM被逐步理论化并成为统计学习理论的一部分。
VC维的来龙去脉
本文转自: VC维的来龙去脉
VC维在机器学习领域是一个很基础的概念,它给诸多机器学习 *** 的可学习性提供了坚实的理论基础,但有时候,特别是对我们工程师而言,SVM,LR,深度学习等可能都已经用到线上了,但却不理解VC维。
这里,在台湾大学 机器学习基石 课程的基础上,我们简单聊聊“VC维的来龙去脉”。我们将解决以下问题:为什么某机器学习 *** 是可学习的?为什么会有过拟合?拿什么来衡量机器学习模型的复杂度?深度学习与VC维的关系?
在讲VC维之前,我们不妨来说说VC维的历史。而说起VC维的历史,又不得不提起神经 *** ,一方面是因为神经 *** 与VC维的发明过程是交织在一起的,另一方面是由于神经 *** 乏善可陈的泛化控制 *** ,深度学习在理论基础上一直被怀疑,甚至神经 *** 和VC维的代表SVM还一起争风吃醋过好多年。
1943年,模拟神经 *** 由麦卡洛可(McCulloch)和皮茨(Pitts)提出,他们分析了理想化的人工神经元 *** ,并且指出了它们进行简单逻辑运算的机制。
1957年,康奈尔大学的实验心理学家弗兰克·罗森布拉特(Rosenblatt)在一台IBM–704计算机上模拟实现了一种他发明的叫作“感知机”(Perceptron)的神经 *** 模型。神经 *** 与支持向量机都源自于感知机(Perceptron)。
1962年,罗森布拉特著作:《神经动力学原理:感知机和大脑机制的理论》(Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechani *** s)。
1969年,明斯基和麻省理工学院的另一位教授佩普特合作著作:《感知机:计算几何学》(Perceptrons: An Introduction to Computational Geometry)。在书中,明斯基和佩普特证明单层神经 *** 不能解决XOR(异或)问题。
1971年,V. Vapnik and A. Chervonenkis在论文“On the uniform convergence of relative frequencies of events to their probabilities”中提出VC维的概念。
1974年,V. Vapnik提出了结构风险最小化原则。
1974年,沃波斯(Werbos)的博士论文证明了在神经 *** 多加一层,并且利用“后向传播”(Back-propagation)学习 *** ,可以解决XOR问题。那时正是神经 *** 研究的低谷,文章不合时宜。
1982年,在加州理工担任生物物理教授的霍普菲尔德,提出了一种新的神经 *** ,可以解决一大类模式识别问题,还可以给出一类组合优化问题的近似解。这种神经 *** 模型后被称为霍普菲尔德 *** 。
1986年,Rummelhart与McClelland发明了神经 *** 的学习算法Back Propagation。
1993年,Corinna Cortes和Vapnik等人提出了支持向量机(support vector machine)。神经 *** 是多层的非线性模型,支持向量机利用核技巧把非线性问题转换成线性问题。
1992~2005年,SVM与Neural network之争,但被互联网风潮掩盖住了。
2006年,Hinton提出神经 *** 的Deep Learning算法。Deep Learning假设神经 *** 是多层的,首先用Restricted Boltzmann Machine(非监督学习)学习 *** 的结构,然后再通过Back Propagation(监督学习)学习 *** 的权值。
现在,deep learning的应用越来越广泛,甚至已经有超越SVM的趋势。一方面以Hinton,Lecun为首的深度学习派坚信其有效实用性,另一方面Vapnik等统计机器学习理论专家又坚持着理论阵地,怀疑deep learning的泛化界。
Hoeffding不等式是关于一组随机变量均值的概率不等式。 如果X1,X2,⋯,Xn为一组独立同分布的参数为p的伯努利分布随机变量,n为随机变量的个数。定义这组随机变量的均值为:
接下来,我们希望可以将机器学习关联到上一节讨论的hoeffding不等式。
一个基本的机器学习过程如下图所示。其中的概念定义为: f 表示理想的方案(可以是一个函数,也可以是一个分布),H 是该机器学习 *** 的假设空间,g 表示我们求解的用来预测的假设,g属于H。
机器学习的过程就是:通过算法A,在假设空间H中,根据样本集D,选择更好的假设作为g。选择标准是 g 近似于 f。
Eout(h),可以理解为在理想情况下(已知f),总体(out-of-sample)的损失(这里是0–1 loss)的期望,称作expected loss。
根据上面不等式,我们可以推断,当N足够大时,expected loss和expirical loss将非常接近。
注意在上面推导中,我们是针对某一个特定的解h(x)。在我们的假设空间H中,往往有很多个假设函数(甚至于无穷多个),这里我们先假定H中有M个假设函数。
上面式子的含义是:在假设空间H中,设定一个较小的ϵ值,任意一个假设h,它的Ein(h)与Eout(h)的差由该值2Mexp(−2ϵ2N)所约束住。注意这个bound值与 “样本数N和假设数M” 密切相关。
上面这两个核心条件,也正好对应着test和train这两个过程。train过程希望损失期望(即Ein(g) )尽可能小;test过程希望在真实环境中的损失期望也尽可能小,即Ein(g)接近于Eout(g)。
但往往我们更多在关心,如何基于模型的假设空间,利用更优化算法,找到Ein最小的解g。但容易忽视test这个过程,如果让学习可行,不仅仅是要在训练集表现好,在真实环境里也要表现好。
M太小,当N足够大时,Ein和Eout比较接近,但如果候选假设集太小,不容易在其中找到一个g,使得Ein(g)约等于0,第二项不能满足。
而如果M太大,这时候选集多了,相对容易在其中找到一个g,使得Ein(g)约等于0,但之一项就不能满足了。所以假设空间H的大小M很关键。
虽说假设空间很大,上述推导里,我们用到了P(h1 or h2 … hm) = P(h1) + P(h2) + … + P(hm)。但事实上,多个h之间并不是完全独立的,他们是有很大的重叠的(这里重叠可理解为不同模型可能发生相同的错误,即这些错误重叠),也就是在M个假设中,可能有一些假设可以归为同一类。
下面我们以二维假设空间为例,来解释一下该空间下各假设在确定的训练样本上的重叠性。
对于这个有效的假设函数值,我们尝试用一个数学定义来说明:
从H中任意选择一个方程h,让这个h对样本 *** D进行二元分类,输出一个结果向量。例如在平面里用一条直线对2个点进行二元分类,输出可能为{1,–1},{–1,1},{1,1},{–1,–1},这样每个输出向量我们称为一个dichotomy。
下面是hypotheses与dichotomies的概念对比:
注意到,如果对平面上的4个点来分类,根据前面分析,输出的结果向量只有14种可能,即有14个dichotomies。
如果有N个样本数据,那么有效的假设个数定义为: effective(N) = H作用于样本集D“最多”能产生多少不同的dichotomy。
H作用于D“最多”能产生多少种不同的dichotomies?这个数量与假设空间H有关,跟数据量N也有关。将H作用于D“最多”能产生的dichotomies数量(即effective(N) )表示为数学符号:max_H(x1,x2,…,xN)
在进一步推导前,再看两个概念:shatter,break point。
Shatter的概念:当假设空间H作用于N个input的样本集时,产生的dichotomies数量等于这N个点总的组合数2^N是,就称:这N个inputs被H给shatter掉了。
对于给定的成长函数m_H(N),从N=1出发,N慢慢变大,当增大到k时,出现mH(N)2k的情形,则我们说k是该成长函数的break point。对于任何N k个inputs而言,H都没有办法再shatter他们了。
举例来说,对于上面的positive ray的例子,因为m_H(N)=N+1,当N=2时,m_H(2)2^2, 所以它的break point就是2。
说完break point的概念后,再回到成长函数。
我们将成长函数的上界,设为B(N,k),意为:maximum possible m_H(N) when break point = k。
那么我们做一些简单的推导:
B(2,2)=3。因为break point=2,任意两个点都不能被shatter,m_H(2)肯定小于22,所以B(2,2)=3。
B(3,2)=4。因为任意两个点都不能被shatter,那么3个点产生的dichotomies不能超过4,所以B(3,2)=4。
B(N,1)=1。
B(N,k)=2N for N k;B(N,k)=2N–1 for N=k;
B(4,3)=?去掉其中的一个数据点x4后,考虑到break point=3,余下数据(x1,x2,x3)的dichotomies数目不能超过B(3,3)。当扩展为(x1,x2,x3,x4)时,(x1,x2,x3)上的dichotomies只有部分被重复复制了,设被复制的dichotomies数量为a,未被复制的数量为b。于是有B(3,3) = a+b; B(4,3) = 2a + b。因为a被复制了,表示x4有两个取值,那么(x1,x2,x3)上的a应该小于等于B(3,2)。所以推导出B(4,3) = 2a + b = B(3,3) + B(3,2)。
对于任意Nk,类推可以得到,B(N,k) ≤ B(N−1,k)+B(N−1,k−1)
所以我们得到结论:如果break point存在(有限的正整数),生长函数m(N) 是多项式的。
再重复一遍,H作用于数据量为N的样本集D,方程的数量看上去是无穷的,但真正有效(effective)的方程的数量却是有限的,这个数量为m_H(N)。H中每一个h作用于D都能算出一个Ein来,一共有m_H(N)个不同的Ein。
OK,到目前为止,关于m_H(N)的推导结束。回到growth function小节提出的问题,能否用m_H(N)直接替换M?
关于这个公式的数学推导,我们可以暂且不去深究。我们先看一下这个式子的意义,如果假设空间存在有限的break point,那么m_H(2N)会被更高幂次为k–1的多项式上界给约束住。随着N的逐渐增大,指数式的下降会比多项式的增长更快,所以此时VC Bound是有限的。更深的意义在于,N足够大时,对H中的任意一个假设h,Ein(h)都将接近于Eout(h),这表示学习可行的之一个条件是有可能成立的。
说了这么多,VC维终于露出庐山真面目了。此概念由Vladimir Vapnik与Alexey Chervonenkis提出。
一个假设空间H的VC dimension,是这个H最多能够shatter掉的点的数量,记为dvc(H)。如果不管多少个点H都能shatter它们,则dvc(H)=无穷大。还可以理解为:vc-dim就是argmax_n {growth function=power(2,n)}。
根据定义,可以得到一个明显的结论:
k = d_vc(H) + 1
根据前面的推导,我们知道VC维的大小:与学习算法A无关,与输入变量X的分布也无关,与我们求解的目标函数f 无关。它只与模型和假设空间有关。
总结回顾一下,要想让机器学到东西,并且学得好,有2个条件:
从上图可以看出,当VC维很小时,条件1容易满足,但因为假设空间较小,可能不容易找到合适的g 使得Ein(g)约等于0。当VC维很大时,条件2容易满足,但条件1不容易满足,因为VC bound很大。
VC维反映了假设空间H 的强大程度(powerfulness),VC 维越大,H也越强,因为它可以打散(shatter)更多的点。
注意在前述讨论中,理想的目标函数为f(x),error measure用的是“0–1 loss”。如果在unknown target上引入噪声(+noise),或者用不同的error measure *** ,VC theory还有效吗?这里只给出结论,VC theory对于绝大部分假设空间(or 加入噪声)和error度量 *** ,都是有效的。
除此外,我们为了避免overfit,一般都会加正则项。那加了正则项后,新的假设空间会得到一些限制,此时新假设空间的VC维将变小,也就是同样训练数据条件下,Ein更有可能等于Eout,所以泛化能力更强。这里从VC维的角度解释了正则项的作用。
对于神经 *** ,其VC维的公式为:
举例来说,一个普通的三层全连接神经 *** :input layer是1000维,hidden layer有1000个nodes,output layer为1个node,则它的VC维大约为O(1000 1000 1000)。
可以看到,神经 *** 的VC维相对较高,因而它的表达能力非常强,可以用来处理任何复杂的分类问题。根据上一节的结论,要充分训练该神经 *** ,所需样本量为10倍的VC维。如此大的训练数据量,是不可能达到的。所以在20世纪,复杂神经 *** 模型在out of sample的表现不是很好,容易overfit。
但现在为什么深度学习的表现越来越好。原因是多方面的,主要体现在:
但即便这样,深度学习的VC维和VC Bound依旧很大,其泛化控制 *** 依然没有强理论支撑。但是实践又一次次证明,深度学习是好用的。所以VC维对深度学习的指导意义,目前不好表述,有一种思想建议,深度学习应该抛弃对VC维之类概念的迷信,尝试从其他方面来解释其可学习型,例如使用泛函空间(如 Banach Space )中的概率论。
上面仔细分析了VC维的来龙去脉,讲述了VC维在机器学习理论中的指导意义。考虑到VC维在机器学习领域虽是基础,却也是大坑,所以难免有理解不深或不当之处,敬请谅解。若希望获得更深理解,请参考下面的参考文献。
vc维河北曝冒名上大学事件下辖地区今天天气
给你的生活来点颜色,限时9折!周边地区今天天气
城市天气预报
- 热门
- ABCD
- EFGH
- JKLM
- NPQR
- STWX
- YZ
国际城市天气预报
- 亚洲
- 欧洲
- 美洲
- 大洋洲
- 非洲
合作伙伴
- 9月旅游(9月旅游云南) - 鸿海伟业生活资讯网
- 活动开场白台词(活动开场白台词大全) - 鸿海伟业生活资讯网
- 成都海拔(成都海拔更低的地方是哪里) - 鸿海伟业生活资讯网
- 哪里的精油更好(哪家精油好) - 鸿海伟业生活资讯网
- 四川省花 - 鸿海伟业生活资讯网
- 中国人民征信(中国人民征信网个人征信查询) - 鸿海伟业生活资讯网
- 北京酒店排名(北京酒店排名前十价格) - 鸿海伟业生活资讯网
- 取消限购令(取消限购令的城市对房价有哪些影响) - 鸿海伟业生活资讯网
- 成都市彩虹小学 - 鸿海伟业生活资讯网
- 查违章怎么查(给别人查违章怎么查) - 鸿海伟业生活资讯网
- 麦克风权限在哪里开启 - 鸿海伟业生活资讯网
- 少女馆 - 鸿海伟业生活资讯网
- 电视没声音 - 鸿海伟业生活资讯网
- 成都市盐道街中学 - 鸿海伟业生活资讯网
- 北京取暖费(北京取暖费收取标准2022) - 鸿海伟业生活资讯网
- 贾延龙(贾延龙x) - 鸿海伟业生活资讯网
- 天堂岛乐园(天堂岛乐园教案) - 鸿海伟业生活资讯网
- 广元女儿节(广元女儿节赛龙舟) - 鸿海伟业生活资讯网
- 十大名牌电视(电视十大名牌哪个好) - 鸿海伟业生活资讯网
- 中国人口自然增长率 - 鸿海伟业生活资讯网
- 小学语文人教版(小学语文人教版三年级上册) - 鸿海伟业生活资讯网
- 贵州理工学院官网 - 鸿海伟业生活资讯网
- 绵阳米线 - 鸿海伟业生活资讯网
- 行政区划改革 - 鸿海伟业生活资讯网
- 冬奥会纪念币预约入口(冬奥会纪念币预约入口天津) - 鸿海伟业生活资讯网
- 租房扣税 - 鸿海伟业生活资讯网
- 什么不能托运(双飞人药品是什么飞机为什么不能托运) - 鸿海伟业生活资讯网
- 古装电视剧排名 - 鸿海伟业生活资讯网
- 大苏烟图片 - 鸿海伟业生活资讯网
- 个人所得税办理(个人所得税办理退税是什么意思) - 鸿海伟业生活资讯网
- 月饼种类(月饼种类图片) - 鸿海伟业生活资讯网
- 幼儿园指南(幼儿园指南内容) - 鸿海伟业生活资讯网
- 大当家电视剧(大当家电视剧全集免费观看) - 鸿海伟业生活资讯网
- cba新赛季赛程 - 鸿海伟业生活资讯网
- 美国梅西百货 - 鸿海伟业生活资讯网
- 学校报名时间 - 鸿海伟业生活资讯网
- 小金属股票 - 鸿海伟业生活资讯网
- 中国旅游城市排行榜(全国旅游城市排名) - 鸿海伟业生活资讯网
- 时间电影 - 鸿海伟业生活资讯网
- 专业技术人员职业资格证书 - 鸿海伟业生活资讯网
- 网游之天谴修罗 - 鸿海伟业生活资讯网
- 社保系数(社保系数01是什么意思) - 鸿海伟业生活资讯网
- 成都高中学校排名 - 鸿海伟业生活资讯网
- 轻钢龙骨隔墙规范(轻钢龙骨隔墙规范高度) - 鸿海伟业生活资讯网
- 昆明景点排名 - 鸿海伟业生活资讯网
- 月花(月花语) - 鸿海伟业生活资讯网
- 自然光源 - 鸿海伟业生活资讯网
- 网上申报办税系统(新疆税务网上申报办税系统) - 鸿海伟业生活资讯网
- 大苏烟图片 - 鸿海伟业生活资讯网
- 四川交通职业技术学院单招 - 鸿海伟业生活资讯网
- 冠珠瓷砖如何 - 鸿海伟业生活资讯网
- 快乐男声欧豪的简单介绍 - 鸿海伟业生活资讯网
- 结婚的女神(结婚的女神电视剧) - 鸿海伟业生活资讯网
- 中国十大火锅 - 鸿海伟业生活资讯网
- 机场大巴时间 - 鸿海伟业生活资讯网
- 中央空调怎么调制热(酒店的中央空调怎么调制热) - 鸿海伟业生活资讯网
- 崇州市邮编(四川崇州市邮编) - 鸿海伟业生活资讯网
- 怎么查询房产信息 - 鸿海伟业生活资讯网
- 南京好玩的地方排行榜 - 鸿海伟业生活资讯网
今日生活指数
天气资讯
![羽毛球比赛直播(羽毛球比赛直播网站) - 鸿海伟业生活资讯网]( http://ykdzqqk.riskyzone.org/images/595792.jpg)
![3号线地铁站点线路图 - 鸿海伟业生活资讯网]( http://ykdzqqk.riskyzone.org/images/312956.jpg)
![居住证的作用(成都居住证的作用) - 鸿海伟业生活资讯网]( http://ykdzqqk.riskyzone.org/images/529266.jpg)
![身份证挂失流程 - 鸿海伟业生活资讯网]( http://ykdzqqk.riskyzone.org/images/761926.jpg)
![工作个人总结(医院年度工作个人总结) - 鸿海伟业生活资讯网]( http://ykdzqqk.riskyzone.org/images/936425.jpg)
气温排行榜
- 高温
- 低温
排名 | 城市 | 今天气温 |
1 | 缅甸新娘背后的利益链新华网调查:数据绘制当代大学生精神图谱 | 23~26 ° |
2 | NBA-雄鹿大胜绿军 字母哥上篮如腾云驾雾如果你的手机有这10个软件,赶紧卸载 | 23~25 ° |
3 | 全方位空气净化器,8分钟净化一室阴霾糖尿病人做到这6点,血糖不高不得并发症 | 23~25 ° |
4 | 马来西亚豁免印花税 房屋销量或增30%下周开始运势大涨,财气旺盛如火,发财机会多,轻松发大财的生肖 | 23~25 ° |
5 | 巴菲特这一年遭遇各种雷苹果“逼死”第三方应用:掌控力越高,公平越难实现 | 23~25 ° |
6 | 双一流高校漫步:厦门大学外媒指出特斯拉虚报一季度业绩,隐瞒2亿美元退税收入 | 23~25 ° |
7 | 淘宝来了,线下批发店就死了李诞自曝幽默养成秘诀 | 20~25 ° |
8 | 国际不打小孩日,向体罚说“不”每天最少学一味中药-垂盆草 | 20~25 ° |
9 | 辽宁遭暴雨侵袭致城市内涝 紧急转移12万人戒赌吧老哥们,后来都怎样了 | 17~25 ° |
10 | GIF-奥斯卡1V4似过大马路 远射中柱后傅欢补射得手张庭儿子拼装积木 认真的样子超有范儿 | 12~25 ° |
1 | 揭婚恋网行骗套路:根据聊天程度诱导下载诈骗APP拍下你入坑的手账,送貌美实用文具~ | -24~-12 ° |
2 | 举报邮箱:jubao@vip.163.com75所高校公布今年财务预算 清华预算逾297亿居首 | -24~-9 ° |
3 | 韩春雨的“基因剪刀”又复活了?美版王思聪富可敌国 6亿元豪宅专用来约美女 | -23~-12 ° |
4 | 中移动遭反竞争调查 或因限制第二卡槽真正聪明的人饭局上用这8个套路说话 | -23~-8 ° |
5 | 欧冠-孙兴慜停赛范德贝克破门 阿贾克斯1-0热刺从习近平忙碌的四月看“我将无我” | -20~-8 ° |
6 | 在线观看:奥黛丽·赫本与梅尔·费勒的婚礼骑车触摸德国 感受德式独特的新体验 | -20~-8 ° |
7 | 我使馆确认共有6名中国公民在斯里兰卡爆炸袭击中遇难欧冠-C罗破门 尤文1-2阿贾克斯无缘四强 | -20~-5 ° |
8 | 古代婚姻:提倡妇女守节起自于何时?打哈欠真的会传染?哈欠还会传染给狗狗 | -19~-10 ° |
9 | 李泽楷港姐女友住亿元豪宅 月供21.4万带空中泳池意甲-一个拉神不够!尤文再祭出免签神功 马塔或来投 | -18~-12 ° |
10 | A股商誉:1660亿减值创新高 141股Q1扭亏申花工作人员当着小球员面抽烟 绿城日籍教练吐槽 | -18~-10 ° |
空气质量排行榜
- 最优
- 最差
排名 | 城市 | 今天空气 |
1 | 效仿星爷?《流浪地球》再被骂,网上付费12元,观众:想钱想疯了委内瑞拉防长:政变属恐怖主义行为 | 7优 |
2 | 死掉之后,我想这样再活一次虎牙最新股权曝光:腾讯持股31.5% 李学凌持股3% | 7优 |
3 | 增长肌肉不只靠力量训练 这10种食物也可以四十岁的女人如果想要一个婚姻,需要在哪些方面调整或妥协? | 7优 |
4 | 75所高校公布今年财务预算 清华预算逾297亿居首他笔下的女孩肖像360°无死角 | 7优 |
5 | 五一白云机场预计接送旅客78万人次阿贾克斯革命!困扰世界的5后卫密防 被他们破了 | 7优 |
6 | 广告周CMO谈与网易战略合作《复联4》距离《战狼2》,还差几个《流浪地球》 | 7优 |
7 | 广深连推住房保障 一线“抢人” 先破高房价魔咒航母在右舷接受综合补给,为何不在左侧? | 7优 |
8 | 前11个月国企利润同比增长15.6%没有一个废柴,能拒绝这位发明家 | 7优 |
9 | 全球最年轻富豪资产782亿 英国女王都住他家的地全面学习资料与你分享 | 7优 |
10 | 谷歌母公司Q1营收312亿美元净利67亿cos:东方Project-和服芙兰朵露·斯卡雷特 | 7优 |
1 | 网易传媒:打造内容消费升级新生态日本新天皇德仁正式即位 开启“令和”时代 | 381严重 |
2 | 全民调查:你想生几个娃?养个孩子你花了多少钱?豆瓣9.8,美哭了,这是什么神仙星球! | 324严重 |
3 | 官宣!苍井空诞下双胞胎新iPhone XR或采用类似iPhone XI的三角后摄 | 273重度 |
4 | 戒赌吧老哥们,后来都怎样了宋仲基胸肌腹肌一览无余 这身材谁能抵挡住? | 270重度 |
5 | 给你的生活来点颜色,限时9折!社保降费今起正式实施 今年社保还有三个大变化 | 269重度 |
6 | B2隐身轰炸机座舱画面首度公开!家有暴脾气宝宝,聪明的家长都是这么处理的! | 257重度 |
7 | 淘宝来了,线下批发店就死了全世界正遭遇跟国内相似"调控"房住不炒 | 256重度 |
8 | 最大比特币交易所被查!加密币市场百亿美元蒸发谷歌母公司Q1营收312亿美元净利67亿 | 229重度 |
9 | 未来金茂府最新进展来了! 5月4号示范区开放五一白云机场预计接送旅客78万人次 | 229重度 |
10 | 年轻妈妈一手抱两月大婴儿 一手开车上高速戴姆勒近日宣布 Smart品牌将退出北美市场 | 226重度 |