当前位置：首页 > news >正文

ResNet-SE + MFCC 训练框架，包括数据加载、训练流程，以及混淆矩阵可视化示例

news 来源：原创 2025/8/18 20:16:08

1. 依赖库安装

如果你还没安装相关库，请先执行：

pip install torch torchaudio torchvision scikit-learn matplotlib tqdm

2. 数据加载

这里假设你有一个 音频分类数据集，其文件结构如下：

dataset/
│── train/
│   ├── class_0/
│   │   ├── audio_0.wav
│   │   ├── audio_1.wav
│   ├── class_1/
│   │   ├── audio_0.wav
│   │   ├── audio_1.wav
│── val/
│   ├── class_0/
│   ├── class_1/

实现数据加载器：

import os
import torch
import torchaudio
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms# 音频数据集类
class AudioDataset(Dataset):def __init__(self, root_dir, sample_rate=16000, n_mfcc=40):self.root_dir = root_dirself.sample_rate = sample_rateself.n_mfcc = n_mfccself.classes = sorted(os.listdir(root_dir))  # 目录名作为类别self.file_paths = []self.labels = []for label, class_name in enumerate(self.classes):class_dir = os.path.join(root_dir, class_name)for file_name in os.listdir(class_dir):self.file_paths.append(os.path.join(class_dir, file_name))self.labels.append(label)self.mfcc_transform = torchaudio.transforms.MFCC(sample_rate=self.sample_rate,n_mfcc=self.n_mfcc,melkwargs={"n_fft": 400, "hop_length": 160, "n_mels": 64})def __len__(self):return len(self.file_paths)def __getitem__(self, idx):file_path = self.file_paths[idx]label = self.labels[idx]waveform, sr = torchaudio.load(file_path)if sr != self.sample_rate:resampler = torchaudio.transforms.Resample(orig_freq=sr, new_freq=self.sample_rate)waveform = resampler(waveform)mfcc = self.mfcc_transform(waveform).squeeze(0)  # (n_mfcc, time)mfcc = mfcc.unsqueeze(0).repeat(3, 1, 1)  # (3, n_mfcc, time) 适配 ResNetreturn mfcc, label# 创建数据加载器
def get_dataloaders(train_dir, val_dir, batch_size=32, num_workers=2):train_dataset = AudioDataset(train_dir)val_dataset = AudioDataset(val_dir)train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=num_workers)val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False, num_workers=num_workers)return train_loader, val_loader

3. 训练和验证

import torch.optim as optim
from tqdm import tqdmdef train_model(model, train_loader, val_loader, num_epochs=10, lr=0.001, device="cuda"):model = model.to(device)criterion = torch.nn.CrossEntropyLoss()optimizer = optim.Adam(model.parameters(), lr=lr)for epoch in range(num_epochs):print(f"Epoch [{epoch+1}/{num_epochs}]")# 训练阶段model.train()total_loss, correct, total = 0, 0, 0for inputs, labels in tqdm(train_loader):inputs, labels = inputs.to(device), labels.to(device)optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()total_loss += loss.item()total += labels.size(0)correct += (outputs.argmax(dim=1) == labels).sum().item()train_acc = correct / totalprint(f"Train Loss: {total_loss/len(train_loader):.4f}, Train Acc: {train_acc:.4f}")# 验证阶段model.eval()total_loss, correct, total = 0, 0, 0with torch.no_grad():for inputs, labels in tqdm(val_loader):inputs, labels = inputs.to(device), labels.to(device)outputs = model(inputs)loss = criterion(outputs, labels)total_loss += loss.item()total += labels.size(0)correct += (outputs.argmax(dim=1) == labels).sum().item()val_acc = correct / totalprint(f"Val Loss: {total_loss/len(val_loader):.4f}, Val Acc: {val_acc:.4f}")return model

4. 混淆矩阵可视化

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplaydef evaluate_model(model, val_loader, device="cuda"):model.eval()all_preds = []all_labels = []with torch.no_grad():for inputs, labels in tqdm(val_loader):inputs, labels = inputs.to(device), labels.to(device)outputs = model(inputs)preds = outputs.argmax(dim=1).cpu().numpy()labels = labels.cpu().numpy()all_preds.extend(preds)all_labels.extend(labels)return np.array(all_labels), np.array(all_preds)def plot_confusion_matrix(y_true, y_pred, class_names):cm = confusion_matrix(y_true, y_pred)disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=class_names)disp.plot(cmap=plt.cm.Blues, values_format="d")plt.xticks(rotation=45)plt.show()

5. 运行完整训练流程

if __name__ == "__main__":train_dir = "dataset/train"val_dir = "dataset/val"batch_size = 32num_epochs = 10device = "cuda" if torch.cuda.is_available() else "cpu"# 加载数据train_loader, val_loader = get_dataloaders(train_dir, val_dir, batch_size)# 初始化模型model = ResNetSE(num_classes=len(os.listdir(train_dir)))# 训练模型trained_model = train_model(model, train_loader, val_loader, num_epochs=num_epochs, device=device)# 计算混淆矩阵y_true, y_pred = evaluate_model(trained_model, val_loader, device=device)# 绘制混淆矩阵class_names = sorted(os.listdir(train_dir))plot_confusion_matrix(y_true, y_pred, class_names)

6. 总结

✅ 数据加载

通过 torchaudio 提取 MFCC 特征，并适配 ResNet 输入格式。

✅ ResNet-SE 训练

训练过程包含 Adam 优化器 + 交叉熵损失，支持 GPU 训练。

✅ 混淆矩阵可视化

通过 sklearn 计算混淆矩阵，并绘制 分类效果图。

改进方向

🚀 模型优化

使用 ResNet-34/50 替代 ResNet-18 提升表达能力。
结合 SpecAugment 增强数据，提高鲁棒性。

⚡ 推理加速

采用 TorchScript / ONNX 进行模型导出，提高部署效率。

💡 数据增强

额外使用 时域和频域增强（如 torchaudio.transforms.TimeMasking）。

这样，你就能完整训练 ResNet-SE + MFCC 进行音频分类，并分析模型性能了！💪🚀

ResNet-SE + MFCC 训练框架，包括数据加载、训练流程，以及混淆矩阵可视化示例

1. 依赖库安装如果你还没安装相关库，请先执行： pip install torch torchaudio torchvision scikit-learn matplotlib tqdm2. 数据加载这里假设你有一个音频分类数据集，其文件结构如下： dataset/ │── train/ │ ├──…...

编程日记 2025/8/18 20:16:08

Golang | 每日一练 (5)

💢欢迎来到张胤尘的技术站 💥技术如江河，汇聚众志成。代码似星辰，照亮行征程。开源精神长，传承永不忘。携手共前行，未来更辉煌💥 文章目录 Golang | 每日一练 (5)题目参考答案线程与协程线程切换…...

编程日记 2025/8/18 9:54:00

搞定python之四----函数、lambda和模块

本文是《搞定python》系列专栏的第四篇，通过代码演示列python自定义函数、lambda和模块的用法。本文学习完成后，python的基础知识就完了。后面会学习面向对象的内容。 1、自定义函数 # 测试python自定义函数# 有参数，没有返回值 def say_he…...

编程日记 2025/8/16 9:47:38

算法分享———进制转换通用算法

模板一：任意（K）进制转10进制将k进制的x转化为10进制的x ll x0; for(int i1;i<n;i) { xx*ka[i]; } cout<<x<<endl;模板二：十进制转m进制 ll x; cin>>x; while(x) { a[cnt]x%k; x/k; } reverse(a1,a1cnt);…...

编程日记 2025/8/15 12:48:46

Proser：新增指令批次发送功能

Proser中的批次发送功能，是通过指令集进行管理的。起初设计时，希望指令集窗口自身包含指令的编辑功能，这部分功能与传输窗口的功能重合度高，所以设计上进行了简化，由用户在传输窗口输入指令，添加到指令集窗…...

编程日记 2025/8/16 11:51:07

rpc grpc

RPC Remote Procedure Call，远程过程调用，是用来屏蔽分布式计算中的各种调用细节，使得调用远端的方法就像调用本地的一样。客户端与服务端沟通的过程客户端发送数据(以字节流的方式)；（编码）服务端接受…...

编程日记 2025/8/18 20:14:18

AI赋能铁道安全巡检探索智能巡检新时代，基于YOLOv7全系列【tiny/l/x】参数模型开发构建铁路轨道场景下轨道上人员行为异常检测预警系统

在交通强国的战略引领下，中国铁路网如巨龙般纵贯大江南北，将五湖四海紧密相连，极大地促进了人员出行与物流运输的便捷性。然而，随着铁路线路的不断扩展，管理层面的安全问题也日益凸显。历史上，多起与铁路相…...

编程日记 2025/8/18 20:15:44

Kubernetes安全：集群保护的最佳实践

随着容器化技术的广泛应用，Kubernetes已经成为企业IT基础设施的重要组成部分。然而，Kubernetes集群的复杂性也带来了独特的安全挑战。如何在动态变化的云原生环境中保障集群的安全性，成为每一位运维工程师和安全专家关注的焦点。本文将详细探…...

编程日记 2025/8/16 13:05:37

R+VIC模型融合实践技术应用及未来气候变化模型预测

在气候变化问题日益严重的今天，水文模型在防洪规划，未来预测等方面发挥着不可替代的重要作用。目前，无论是工程实践或是科学研究中都存在很多著名的水文模型如SWAT/HSPF/HEC-HMS等。虽然，这些软件有各自的优点；但是&am…...

编程日记 2025/8/18 20:15:43

前端开发：混合技术栈的应用

目录前言混合技术栈的优势移动端开发嵌入H5 1、场景描述 2、实现方法 3、源码示例 OC项目嵌入Swift的使用 1、场景描述 2、实现方法 3、源码示例 HarmonyOS开发中嵌入WebView 1、权限配置 2、加载网页结束语前言随着技术的不断进步，软件开发领域…...

编程日记 2025/8/18 7:40:39

Machine Learning: 十大基本机器学习算法

机器学习算法分类：监督学习、无监督学习、强化学习基本的机器学习算法： 线性回归、支持向量机(SVM)、最近邻居(KNN)、逻辑回归、决策树、k平均、随机森林、朴素贝叶斯、降维、梯度增强。机器学习算法大致可以分为三类： 监督学习算法 (Sup…...

编程日记 2025/8/16 12:22:08

react实现一个列表的拖拽排序(react实现拖拽)

需求场景： 我的项目里需要实现一个垂直列表的拖拽排序，效果图如下图： 技术调研： 借用antd Table实现： 我的项目里使用了antd，antd表格有一个示例还是挺像的，本来我想用Table实现&#xff0…...

编程日记 2025/8/16 12:45:49

通过mybatis的拦截器对SQL进行打标

1、背景在我们开发的过程中，一般需要编写各种SQL语句，万一生产环境出现了慢查询，那么我们如何快速定位到底是程序中的那个SQL出现的问题呢？ 2、解决方案如果我们的数据访问层使用的是mybatis的话，那么我们可以通过…...

编程日记 2025/8/17 15:55:01

【MySQL】MySQL服务器——mysqld

1.MySQL服务器是名为 mysqld 的数据库服务器程序，和“主机”（host）不一样是一个多线程的单进程管理对磁盘和内存中数据库的访问支持并发的客户端连接支持多个存储引擎，常见的存储引擎包括InnoDB、MyISAM、Memory、Archive支持事…...

编程日记 2025/8/16 11:24:07

JAVA面试_进阶部分_Java JVM：垃圾回收（GC 在什么时候，对什么东西，做了什么事情）

在什么时候： 首先需要知道，GC又分为minor GC 和 Full GC（major GC）。Java堆内存分为新生代和老年代，新生代中又分为1个eden区和两个Survior区域。一般情况下，新创建的对象都会被分配到eden区&#xff…...

编程日记 2025/8/16 11:54:33

【探秘海洋伤痕】海洋环境污染损害的警世启示

在地球这个蓝色星球上，广袤无垠的海洋孕育了无数生命，支撑着地球的生态平衡与人类的生存发展。然而，随着工业化和现代化的加速，海洋环境遭受的伤害日益严重，海洋环境污染损害成为了我们必须直面的严峻问题。本文将带您…...

编程日记 2025/8/17 3:45:57

过滤器（Filter）与拦截器（Interceptor）

在Java Web开发中，**拦截器（Interceptor）和过滤器（Filter）**都用于在请求处理过程中拦截和处理HTTP请求或响应，但它们有不同的应用场景和工作原理。下面将详细解释它们的区别，并提供代码演示。 …...

编程日记 2025/8/17 3:51:13

智慧城市运行管理服务平台建设方案

随着城市化的快速发展，城市运行管理面临着前所未有的挑战。智慧城市的概念应运而生，旨在通过信息技术手段提升城市管理效率和居民生活质量。智慧城市运行管理服务平台作为智慧城市建设的核心组成部分，其建设方案的科学性和前瞻性至关重要。 …...

编程日记 2025/8/16 9:53:37

Java是怎么解决并发问题的?

Happens-Before规则(前言) Happens-Before规则是 Java 内存模型（JMM）中用于定义线程间操作可见性和有序性的一种规范。它的核心目的是：确保一个线程的某些操作结果对其他线程是可见的，并且这些操作在时间上的顺序不会被重排序破…...

编程日记 2025/8/16 13:03:01

使用 Chrome Flags 设置（适用于 HTTP 站点开发）

使用 Chrome Flags 设置（适用于 HTTP 站点开发） 在 Chrome 地址栏输入：chrome://flags/在搜索框输入 “Insecure origins” 或 “Allow invalid certificates”。找到 “Insecure origins treated as secure” 选项（或者 #allow-…...

编程日记 2025/8/16 12:44:18

解锁 AI 开发的无限可能：邀请您加入 coze-sharp 开源项目

大家好！今天我要向大家介绍一个充满潜力的开源项目——coze-sharp！这是一个基于 C# 开发的 Coze 客户端，旨在帮助开发者轻松接入 Coze AI 平台，打造智能应用。项目地址在这里：https://github.com/zhulige/coze-sharp&a…...

编程日记 2025/8/17 20:52:44

定义一个协议(protocol)，swift 中可以对protocol 进行扩展(extension)通过协议的扩展可以对函数有默认的实现 protocol Sleepable {func sleep() } protocol Eatable {func eat() } extension Eatable {func eat() {print("eat food")} }在类(class)或结…...

编程日记 2025/8/16 12:11:31

图神经网络学习笔记—纯 PyTorch 中的多 GPU 训练（专题十二）

对于许多大规模的真实数据集，可能需要在多个 GPU 上进行扩展训练。本教程将介绍如何通过 torch.nn.parallel.DistributedDataParallel 在 PyG 和 PyTorch 中设置多 GPU 训练管道，而无需任何其他第三方库（如 PyTorch Lightning）。请注意，此方法基于数据并行。这意味着每个 …...

编程日记 2025/8/16 11:28:34

Linux云计算SRE-第二十周

完成ELK综合案例里面的实验，搭建完整的环境一、 1、安装nginx和filebeat，配置node0(10.0.0.100)，node1(10.0.0.110)，node2(10.0.0.120)，采用filebeat收集nignx日志。 #node0、node1、node2采用以下相同方式收集ngin…...

编程日记 2025/8/16 11:24:17

springcloud gateway搭建及动态获取nacos注册的服务信息信息

前言 Spring Cloud Gateway 通过集成 Nacos 服务发现，可以动态获取注册到 Nacos 的微服务实例信息，并根据服务名（Service Name）自动生成路由规则或手动配置路由规则，实现请求的动态路由和负载均衡。一个最简单的网关就…...

编程日记 2025/8/16 12:06:20

SSM基础专项复习6——Spring框架AOP（3）

系列文章 1、SSM基础专项复习1——SSM项目整合-CSDN博客 2、SSM基础专项复习2——Spring 框架（1）-CSDN博客 3、SSM基础专项复习3——Spring框架（2）-CSDN博客 4、SSM基础专项复习4——Maven项目管理工具（1&#xff…...

编程日记 2025/8/17 16:27:16

【嵌入式linux】网口和USB热插拔检测

在Linux常常需要对网口和USB等外设接口进行插拔检测，从而执行部分初始化操作。下面简要介绍Linux的Netlink机制，并在C程序中使用Linux的Netlink机制完成网口和USB口插拔检测。 Netlink 是 Linux 内核与用户空间进程通信的一种机制，主要用于内…...

编程日记 2025/8/16 12:17:47

C++(13)—类和对象(中) ③拷贝构造函数

文章目录一、拷贝构造函数的基本概念1.1 什么是拷贝构造函数？1.2 拷贝构造函数的调用场景二、拷贝构造函数的核心特性2.1 拷贝构造函数的参数2.2 默认拷贝构造函数三、深拷贝与浅拷贝3.1 浅拷贝的问题四、拷贝构造函数的实际应用4.1 何时需要显式定义拷贝构造函…...

编程日记 2025/8/16 9:49:57

【GPT入门】第17课 RAG向量检索分类、原理与优化

【GPT入门】第16课 RAG向量检索分类、原理与优化 1.向量检索概念1.1 文本检索的两类方式1.2 向量的定义1.3 文本向量（Text Embeddings）1.4 文本向量如何得到1.5 向量间相似度计算1.6 向量数据库功能对比1.7 open ai发布的两个向量模型2.向量数据库1.8 向量检索的优化3.检索后…...

编程日记 2025/8/16 12:01:35

Operator ＜=＞ (spaceship operator)

operator <>动机在C20以前定义比较运算符：其他比较运算符基于<和实现 struct Type {int value;// 相等运算符friend bool operator(const Type& a, const Type& b) {return a.value b.value;}// 不等运算符friend bool operator!(const Type&a…...

编程日记 2025/8/16 9:48:52

队列的简单例题

题目如下模拟队列首先你要明白队列的话只有队尾才能进行新增，也就是入队只有队首才能出队，也就是删除队首队尾指针一开始默认都是0 相当于队列中一开始是有一个元素的就是 0的位置队首指针head0 队尾指针tail0 1.入队也就是队尾要先赋值&#xf…...

编程日记 2025/8/16 1:33:37

Calibre-Web-Automated：打造你的私人图书馆

有没有小伙伴在工作、学习或生活中喜欢保存一些书籍或PDF文件，结果过一段时间想找的时候却怎么也找不到，最后只能无奈放弃？你是否已经厌倦了手动管理电子书的繁琐？是否梦想拥有一个私人图书馆，随时随地都能轻松访问自己…...

编程日记 2025/8/16 9:48:50

第27周JavaSpringboot 前后端联调

电商前后端联调课程笔记一、项目启动与环境搭建 1.1 项目启动在学习电商项目的前后端联调之前，需要先掌握如何启动项目。项目启动是整个开发流程的基础，只有成功启动项目，才能进行后续的开发与调试工作。 1.1.1 环境安装环境安装是项…...

编程日记 2025/8/16 9:50:10

【实战ES】实战 Elasticsearch：快速上手与深度实践-8.2.1AWS OpenSearch无服务器方案

👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路文章大纲 8.2.1AWS OpenSearch 无服务器方案深度解析与实践指南1. Serverless架构的核心价值与行业趋势1.1 传统Elasticsearch集群的运维挑战1.2 Serverless技术演进路线技术特性对比…...

编程日记 2025/8/17 22:58:06

鸿蒙开发者社区资源的重要性

鸿蒙系统，作为华为公司自主研发的操作系统，旨在为各类智能设备提供统一的平台。它不仅支持手机、平板电脑等移动设备，还涵盖了物联网（IoT）设备和其他智能家居产品。鸿蒙系统的开发环境和工具链对于开发者来说至关重要&…...

编程日记 2025/8/16 9:47:22

【QT】事件系统入门——QEvent 基础与示例

一、事件介绍事件是应用程序内部或者外部产生的事情或者动作的统称在 Qt 中使用一个对象来表示一个事件。所有的 Qt 事件均继承于抽象类 QEvent。事件是由系统或者 Qt 平台本身在不同的时刻发出的。当用户按下鼠标、敲下键盘，或者是窗口需要重新绘制的时候&…...

编程日记 2025/8/17 23:16:57

⚡️Jolt -- 通过JSON配置来处理复杂数据转换的工具

简介：一个能够通过JSON配置（特定的语法）来处理复杂数据转换的工具。比如将API响应转换为内部系统所需的格式，或者处理来自不同来源的数据结构差异。例如，将嵌套的JSON结构扁平化，或者重命名字段&#xff0…...

编程日记 2025/8/16 9:47:20

2025-03-13 禅修-错误的做法

摘要: 2025-03-13 禅修-错误的做法禅修-错误的做法我们今天的课程是这个禅修防误。主要是有一些我们所明令禁止的。在整个禅修过程中，会对我们禅修出现一些弊端的这部分，我们会给大家介绍。第一，在禅修中要防止自由联想，防止幻…...

编程日记 2025/8/16 11:49:05

uni-app学习笔记——自定义模板

一、流程 1.这是一个硬性的流程，只要按照如此程序化就可以实现二、步骤 1.第一步 2.第二步 3.第三步 4.每一次新建页面，都如第二步一样；可以选择自定义的模版（vue3Setup——这是我自己的模版），第二步的…...

编程日记 2025/8/16 0:39:58

【医院绩效管理专题】8.医院绩效数据的收集与整理方法：洞察现状，引领未来

医院成本核算、绩效管理、运营统计、内部控制、管理会计专题索引一、引言在当今医疗行业竞争日益激烈的背景下，医院绩效管理已成为提升医疗服务质量、优化运营效率、增强综合竞争力的关键因素。而绩效数据的收集与整理作为绩效管理的基础环节，其科学性、准确性和完整性直…...

编程日记 2025/8/18 13:32:09

麒麟系统如何安装Anaconda

在银河麒麟操作系统（Kylin OS）中安装 Anaconda 的步骤相对简单，以下是基于搜索结果整理的详细安装指南： 步骤 1：下载 Anaconda 安装脚本打开浏览器，访问 Anaconda 官方下载页面。选择适合 Linux 系统的安…...

编程日记 2025/8/16 12:11:19

Linux网络套接字编程——UDP服务器

Linux网络套接字编程——创建并绑定-CSDN博客前面已经介绍了网络套接字的创建和绑定，这篇文章会通过UDP套接字实现一个UDP服务器。先介绍将使用的接口。 recvfrom ssize_t recvfrom(int sockfd, void *buf, size_t len, int flags,struct sockaddr *src_addr,…...

编程日记 2025/8/18 6:39:25

deepseek+kimi做ppt教程记录

1.首先注册deepseek和kimi deepseek官网：https://chat.deepseek.com/ kimi官网：https://kimi.moonshot.cn/ 以下以一篇工作总结报告为例 2.使用deepseek生成ppt大纲让deepseek生成kimi生成ppt所需要的内容时，需要注意提示词内容，…...

编程日记 2025/8/16 9:47:57

Cursor 终极使用指南：从零开始走向AI编程

Cursor 终极使用指南：从零开始走向AI编程问什么是cursor? mindmaproot(Cursor核心功能)智能编码代码生成自动补全错误修复项目管理多窗口布局版本控制终端集成个性设置主题定制快捷键配置插件扩展AI协作对话编程知识检索文档生成前些天发现了一个巨牛的人工智能学…...

编程日记 2025/8/16 9:47:17

TiDB 观测性解读（一）丨索引观测：快速识别无用索引与低效索

导读可观测性已经成为分布式系统成功运行的关键组成部分。如何借助多样、全面的数据，让架构师更简单、高效地定位问题、分析问题、解决问题，已经成为业内的一个技术焦点。本系列文章将深入解读 TiDB 的关键参数，帮助大家更好地观测系统的状…...

编程日记 2025/8/16 9:49:11

批量将 Excel 文档中的图片提取到文件夹

前面我们介绍过如何批量删除 Excel 文档中的所有图片或者指定的图片，其中就需要用到批量提取 Excel 文档中图片的操作。我们如何才能够将 Excel 文档中的图片快速的提取出来呢？其实单个 Excel 文档中的图片提取到文件夹中是有多种方法可以完成的&#xf…...

编程日记 2025/8/17 11:56:12

postgresql 数据库使用

目录索引查看索引创建删除索引修改数据库时区索引查看索引 select * from pg_indexes where tablenamet_table_data; 或者 select * from pg_statio_all_indexes where relnamet_table_data; 创建 CREATE INDEX ix_table_data_time ON t_table_data (id, crea…...

编程日记 2025/8/18 10:42:38