您现在的位置是:不治之症网 > 王品
vc维(vc维生素c什么时候吃比较好) - 鸿海伟业生活资讯网
不治之症网2024-07-06 07:39:27【王品】3人已围观
简介本文目录一览:1、如何通俗的理解机器学习中的VC维,shatter和breakpoint2、提出SVM***的学者是3、VC维的来龙去脉如何通俗的理解机器学习中的VC维,shatter和breakpo
本文目录一览:
- 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
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维很赞哦!(5731)
上一篇: 灶台尺寸(高低灶台尺寸) - 鸿海伟业生活资讯网 成都气模 - 鸿海伟业生活资讯网 成都地铁15号线 - 鸿海伟业生活资讯网 情侣拍照姿势 - 鸿海伟业生活资讯网 买房步骤和手续(买房的详细流程和需要注意的) - 鸿海伟业生活资讯网 四川今日地震(四川今日地震视频) - 鸿海伟业生活资讯网 软瓷砖(软瓷砖图片) - 鸿海伟业生活资讯网 黄龙海拔(玉龙雪山海拔) - 鸿海伟业生活资讯网 成都外国语学校附属小学 - 鸿海伟业生活资讯网 婚假法定多少天 - 鸿海伟业生活资讯网 查电费怎么查(电力局查电费怎么查) - 鸿海伟业生活资讯网 北京天然气价格 - 鸿海伟业生活资讯网 网上订票流程 - 鸿海伟业生活资讯网 成都地震(成都地震多吗) - 鸿海伟业生活资讯网 成都团购(成都团购阳澄湖大闸蟹) - 鸿海伟业生活资讯网 女表品牌排行 - 鸿海伟业生活资讯网 哪里有灯会 - 鸿海伟业生活资讯网 四川票务网 - 鸿海伟业生活资讯网 大理石花岗岩(大理石花岗岩石英石哪个好) - 鸿海伟业生活资讯网 净化空气的花(净化空气的植物排名) - 鸿海伟业生活资讯网 万圣节派对 - 鸿海伟业生活资讯网 好看的韩国电影 - 鸿海伟业生活资讯网 成华区教育局 - 鸿海伟业生活资讯网 汽车黑匣子概念股 - 鸿海伟业生活资讯网 灶台尺寸(高低灶台尺寸) - 鸿海伟业生活资讯网 成都禁摩区域(成都禁摩区域会被拍照吗) - 鸿海伟业生活资讯网 小叶紫檀怎么盘 - 鸿海伟业生活资讯网 放大镜的作用 - 鸿海伟业生活资讯网 做空什么意思 - 鸿海伟业生活资讯网 开关插座怎么接线 - 鸿海伟业生活资讯网 十种不适合学吉他的人 - 鸿海伟业生活资讯网 巴花木(巴花木纹图片) - 鸿海伟业生活资讯网 国内旅游景点推荐 - 鸿海伟业生活资讯网 水费价格 - 鸿海伟业生活资讯网 百叶窗安装 - 鸿海伟业生活资讯网 合金会掉色吗(合金会掉色吗项链) - 鸿海伟业生活资讯网 2a是多少瓦 - 鸿海伟业生活资讯网 巴花木 - 鸿海伟业生活资讯网 开关插座怎么接线(五孔开关插座怎么接线) - 鸿海伟业生活资讯网 推特怎么注册 - 鸿海伟业生活资讯网 职业资格认证(职业资格认证可以成为限制外国劳动者) - 鸿海伟业生活资讯网 公租房论坛 - 鸿海伟业生活资讯网 金沙陵园(金沙陵园价格表) - 鸿海伟业生活资讯网 成都地铁15号线(成都地铁15号线一期最新线路图) - 鸿海伟业生活资讯网 咖啡排名(更好喝的咖啡排名) - 鸿海伟业生活资讯网 辣妈正传结局(辣妈正传结局复合问题) - 鸿海伟业生活资讯网 中秋节有什么活动 - 鸿海伟业生活资讯网 金沙陵园(金沙陵园价格表) - 鸿海伟业生活资讯网 成都机场有几个(成都机场有几个出口) - 鸿海伟业生活资讯网 失业人员 - 鸿海伟业生活资讯网 开关插座品牌 - 鸿海伟业生活资讯网 成都海洋极地公园 - 鸿海伟业生活资讯网 十种不适合学吉他的人 - 鸿海伟业生活资讯网 清流(清流旅游景点有哪些) - 鸿海伟业生活资讯网 灭火器怎么使用(灭火器使用 *** 四步) - 鸿海伟业生活资讯网 人力资源与社会保障局 - 鸿海伟业生活资讯网 成都海洋极地公园(成都海洋极地公园 *** ) - 鸿海伟业生活资讯网 成都外国语学校附属小学 - 鸿海伟业生活资讯网 华西医院 *** (华西医院 *** 医生条件) - 鸿海伟业生活资讯网 网上订票流程(手机怎么买火车票网上订票流程) - 鸿海伟业生活资讯网
下一篇: 语文电子课本(语文电子课本五年级上册人教版) - 鸿海伟业生活资讯网 户外亲子乐园项目 - 鸿海伟业生活资讯网 长沙山水时尚酒店(长沙山水时尚酒店机场大巴时间) - 鸿海伟业生活资讯网 个人自己申报个人所得税步骤 - 鸿海伟业生活资讯网 人口普查数据(人口普查数据准确吗) - 鸿海伟业生活资讯网 金沙陵园 - 鸿海伟业生活资讯网 少女馆(少女馆) - 鸿海伟业生活资讯网 电费查询余额 - 鸿海伟业生活资讯网 川大望江校区 - 鸿海伟业生活资讯网 除味(除味器) - 鸿海伟业生活资讯网 居住证申请 - 鸿海伟业生活资讯网 tritan材质(tritan材质和pc材质哪个好) - 鸿海伟业生活资讯网 大红瓶 - 鸿海伟业生活资讯网 四川绵阳地震(四川绵阳地震带) - 鸿海伟业生活资讯网 cba新赛季赛程(cBA新赛季赛程) - 鸿海伟业生活资讯网 成都国美 - 鸿海伟业生活资讯网 正高级会计师 - 鸿海伟业生活资讯网 成都大邑县(成都大邑县旅游景点) - 鸿海伟业生活资讯网 地铁(地铁1号线) - 鸿海伟业生活资讯网 推特怎么注册 - 鸿海伟业生活资讯网 支部活动方案(幼儿园党支部活动方案) - 鸿海伟业生活资讯网 爱思贝(爱思贝米粉) - 鸿海伟业生活资讯网 买房首付 - 鸿海伟业生活资讯网 好看的韩国电影(在哪里可以看最新的韩国电影) - 鸿海伟业生活资讯网 春季旅游 - 鸿海伟业生活资讯网 成都品茶 - 鸿海伟业生活资讯网 川大望江校区 - 鸿海伟业生活资讯网 除去甲醛(除去甲醛最有效的 *** 是什么) - 鸿海伟业生活资讯网 黑龙江分数线 - 鸿海伟业生活资讯网 小叶紫檀怎么盘(小叶紫檀怎么盘玩) - 鸿海伟业生活资讯网 朝五晚九日剧 - 鸿海伟业生活资讯网 收养人(收养人应当年满多少周岁) - 鸿海伟业生活资讯网 上海故事丝巾 - 鸿海伟业生活资讯网 神木垒景区(神木垒景区天气预报) - 鸿海伟业生活资讯网 桂溪街道 - 鸿海伟业生活资讯网 狂欢派对之夜(派对之夜游戏) - 鸿海伟业生活资讯网 儿童生长标准 - 鸿海伟业生活资讯网 博美多少钱 - 鸿海伟业生活资讯网 法式西餐 - 鸿海伟业生活资讯网 电视剧血誓 - 鸿海伟业生活资讯网 身份证加急办理需要几天(河南身份证加急办理需要几天) - 鸿海伟业生活资讯网 神木垒景区 - 鸿海伟业生活资讯网 洗脸盆下水管更换(洗脸盆下水管更换带存水湾) - 鸿海伟业生活资讯网 如何注册推特(安卓手机如何注册推特) - 鸿海伟业生活资讯网 酒吧装饰(酒吧装修风格) - 鸿海伟业生活资讯网 贵州大专院校排名(贵州大专院校排名2021) - 鸿海伟业生活资讯网 成都国美(成都国美电器旗舰店) - 鸿海伟业生活资讯网 辣妈正传结局(辣妈正传结局复合问题) - 鸿海伟业生活资讯网 成都市人口(成都市人口密度) - 鸿海伟业生活资讯网 热水器有响声是怎么回事 - 鸿海伟业生活资讯网 三月份适合去哪里旅游 - 鸿海伟业生活资讯网 新都东站 - 鸿海伟业生活资讯网 蛋糕展柜 - 鸿海伟业生活资讯网 海正药业最新消息 - 鸿海伟业生活资讯网 苏州景点攻略(苏州景点攻略顺序) - 鸿海伟业生活资讯网 汶川车厘子 - 鸿海伟业生活资讯网 翻唱歌手 - 鸿海伟业生活资讯网 成都外国语学校附属小学(成都外国语学校附属小学高新美年校区) - 鸿海伟业生活资讯网 汶川车厘子 - 鸿海伟业生活资讯网 重庆落户政策(重庆落户政策推荐去渝才社保) - 鸿海伟业生活资讯网
相关文章
- 公住房(公租房是什么意思?) - 鸿海伟业生活资讯网
- 成都群光广场(成都群光广场营业时间调整) - 鸿海伟业生活资讯网
- 鑫苑城(鑫苑城六号院) - 鸿海伟业生活资讯网
- 成都市房价 - 鸿海伟业生活资讯网
- 怎么办理暂住证(长沙手机上怎么办理暂住证) - 鸿海伟业生活资讯网
- 四川特色美食小吃 - 鸿海伟业生活资讯网
- 天府新区小学排名(天府新区小学排名2020) - 鸿海伟业生活资讯网
- 屏幕常亮怎么设置(华为手机屏幕常亮怎么设置) - 鸿海伟业生活资讯网
- 放大镜的作用(放大镜的作用6个) - 鸿海伟业生活资讯网
- 微信登录入口(ipad和平精英没有微信登录入口) - 鸿海伟业生活资讯网
- 房租抵扣个税 - 鸿海伟业生活资讯网
- 小叶紫檀怎么盘(小叶紫檀怎么盘玩) - 鸿海伟业生活资讯网
- 二号 - 鸿海伟业生活资讯网
- 山东华宇学院 - 鸿海伟业生活资讯网
- 社会保险缴费基数(社会保险缴费基数申报凭证在哪里打印) - 鸿海伟业生活资讯网
- macbookair恢复出厂设置 - 鸿海伟业生活资讯网
- 电视剧血誓 - 鸿海伟业生活资讯网
- 公积金更低基数(公积金更低基数能贷款多少) - 鸿海伟业生活资讯网
- 成都市房管局网站(成都市房管局官方网站) - 鸿海伟业生活资讯网
- 钢带波纹管(钢带波纹管的参数和标准) - 鸿海伟业生活资讯网
- 医保备案(医保备案能在手机上自己操作吗) - 鸿海伟业生活资讯网
- 户外亲子乐园项目 - 鸿海伟业生活资讯网
- 7号线线路图 - 鸿海伟业生活资讯网
- 大理石地板 - 鸿海伟业生活资讯网
- 怎么预约九价(怎么预约九价疫苗) - 鸿海伟业生活资讯网
- 防盗门报警器(防盗门报警器安装图) - 鸿海伟业生活资讯网
- 成都市房管局网站 - 鸿海伟业生活资讯网
- 学生医保报销比例 - 鸿海伟业生活资讯网
- 成都七中高新校区(成都七中高新校区录取分数线) - 鸿海伟业生活资讯网
- 罗拉是谁(罗拉是谁旗下的艺人) - 鸿海伟业生活资讯网
- 灰姑娘2 - 鸿海伟业生活资讯网
- 附近旅游(附近旅游的地方有哪些) - 鸿海伟业生活资讯网
- 男士护肤品排行榜(男士护肤品排行榜前十名有哪些) - 鸿海伟业生活资讯网
- 凌晨2点是什么时辰 - 鸿海伟业生活资讯网
- 汽车黑匣子概念股(汽车黑匣子概念股 北斗导航) - 鸿海伟业生活资讯网
- pu材质(pu材质是什么意思) - 鸿海伟业生活资讯网
- 全国会计专业技术资格考试(全国会计专业技术资格考试查询) - 鸿海伟业生活资讯网
- 成都周边城市 - 鸿海伟业生活资讯网
- 我和春天有个约会演员表的简单介绍 - 鸿海伟业生活资讯网
- 赵樱子个人资料(赵樱子个人资料年龄) - 鸿海伟业生活资讯网
- 军校排名及分数线 - 鸿海伟业生活资讯网
- 灯光节(灯光节是几月几日) - 鸿海伟业生活资讯网
- 四川商务(四川商务职业学院和盛校区) - 鸿海伟业生活资讯网
- 山东泰山烟(山东泰山烟怎么样) - 鸿海伟业生活资讯网
- 钢带波纹管 - 鸿海伟业生活资讯网
- 成都机场有几个 - 鸿海伟业生活资讯网
- 羌族 - 鸿海伟业生活资讯网
- 个人税起征点 - 鸿海伟业生活资讯网
- 成都二手 - 鸿海伟业生活资讯网
- 全友家居是几线品牌(全友家居算是几线品牌) - 鸿海伟业生活资讯网
- 洗衣机质量排行榜 - 鸿海伟业生活资讯网
- 温泉哪里好(清远温泉哪里好) - 鸿海伟业生活资讯网
- 成都房车展(2022年成都房车展时间和地点) - 鸿海伟业生活资讯网
- 汶川车厘子(汶川车厘子7月份还有吗) - 鸿海伟业生活资讯网
- 成都气模(成都 航模) - 鸿海伟业生活资讯网
- 电动汽车品牌排行(电动汽车排行榜及价格) - 鸿海伟业生活资讯网
- 垫江牡丹(垫江牡丹花) - 鸿海伟业生活资讯网
- 结构板 - 鸿海伟业生活资讯网
- cf8是什么材质 - 鸿海伟业生活资讯网
- qq音乐怎么加好友 - 鸿海伟业生活资讯网
不治之症网的名片
职业:She has received a number of awards for her work, including the Meyenburg Foundation Award for Cancer Research and the Robert Koch Prize程序员,廊坊市设计师
现居:陕西汉中洋县
工作室:何猷君发文承认将向奚梦瑶求婚:准备了一个多月小组
Email:云南省委原书记秦光荣接受审查调查
热门文章
- 刘涛个人资料年龄 - 鸿海伟业生活资讯网
- 当代与现代的区别(当代与现代的区别和联系) - 鸿海伟业生活资讯网
- 幸福树多久浇一次水 - 鸿海伟业生活资讯网
- 地台床 - 鸿海伟业生活资讯网
- 格栅射灯 - 鸿海伟业生活资讯网
- 薛丁山电视剧全集免费 - 鸿海伟业生活资讯网
- 垫江牡丹 - 鸿海伟业生活资讯网
- 开心麻花乌龙山伯爵 - 鸿海伟业生活资讯网
- 定做浴室柜 - 鸿海伟业生活资讯网
- 高新区工商局(高新区工商局局长) - 鸿海伟业生活资讯网
- 成都房车展(成都房车展2022最新时间表) - 鸿海伟业生活资讯网
- 贷款利率下限 - 鸿海伟业生活资讯网
- 高温补贴(高温补贴是哪几个月) - 鸿海伟业生活资讯网
- 卫生间暖气片(卫生间暖气片小背篓安装) - 鸿海伟业生活资讯网
- 南昌初中排名(南昌初中排名一览表2020) - 鸿海伟业生活资讯网
- cf8是什么材质 - 鸿海伟业生活资讯网
- 桃花什么季节开(菊花和桃花什么季节开) - 鸿海伟业生活资讯网
- 韩国最新疫情最新消息 - 鸿海伟业生活资讯网
- 316l是什么材质(不锈钢316l是什么材质) - 鸿海伟业生活资讯网
- 失业人员(失业人员在领取失业保险金期间死亡的,参照) - 鸿海伟业生活资讯网
- 疫苗可以混打吗(北京科兴与北京生物疫苗可以混打吗) - 鸿海伟业生活资讯网
- 南昌初中排名 - 鸿海伟业生活资讯网
- 护照补办(护照补办后原来的签证怎么办) - 鸿海伟业生活资讯网
- 三亚帆船酒店(三亚帆船酒店叫什么名字) - 鸿海伟业生活资讯网
- 二号(二号突击炮) - 鸿海伟业生活资讯网
- 二成首付 - 鸿海伟业生活资讯网
- 兰蔻爽肤水 - 鸿海伟业生活资讯网
- 无痕钉安装图解 - 鸿海伟业生活资讯网
- 李明珠个人资料 - 鸿海伟业生活资讯网
- 婚假法定多少天 - 鸿海伟业生活资讯网
- 怎么退税(三亚免税店怎么退税) - 鸿海伟业生活资讯网
- 百叶窗安装 - 鸿海伟业生活资讯网
- 软装硬装区别(设计软装和硬装的区别) - 鸿海伟业生活资讯网
- 失业人员 - 鸿海伟业生活资讯网
- 招牌卤肉饭(招牌卤肉饭好评) - 鸿海伟业生活资讯网
- 三月份适合去哪里旅游(3月份适合去哪里旅游) - 鸿海伟业生活资讯网
- 纪梵希禁忌 - 鸿海伟业生活资讯网
- 成都富士康 - 鸿海伟业生活资讯网
- 成都区域划分图 - 鸿海伟业生活资讯网
- 中秋节有什么活动(古代中秋节有什么活动) - 鸿海伟业生活资讯网
- 利仁电器怎么样 - 鸿海伟业生活资讯网
- 泸州新增病例 - 鸿海伟业生活资讯网
- 成都市人口(成都市人口分布状况) - 鸿海伟业生活资讯网
- 电费查询余额(支付宝电费查询余额) - 鸿海伟业生活资讯网
- 水龙头漏水怎么办(水龙头漏水怎么办小窍门) - 鸿海伟业生活资讯网
- 朱之文资产一共多少亿 - 鸿海伟业生活资讯网
- 徐州市中心(徐州市中心最繁华的地方在哪) - 鸿海伟业生活资讯网
- 花千骨糖宝演员(花千骨糖宝演员 安悦溪) - 鸿海伟业生活资讯网
- 陆贞传奇分集剧情(陆贞传奇分集剧情简介145) - 鸿海伟业生活资讯网
- 四川地震 - 鸿海伟业生活资讯网
- 灰姑娘2(灰姑娘2美梦成真普通话) - 鸿海伟业生活资讯网
- 曹操扮演者(86版三国演义曹操扮演者) - 鸿海伟业生活资讯网
- 成都大邑县 - 鸿海伟业生活资讯网
- 苏州景点攻略(苏州景点攻略顺序) - 鸿海伟业生活资讯网
- 天府新区小学排名(天府新区小学排名2020) - 鸿海伟业生活资讯网
- 圣诞树的寓意(圣诞树的寓意及象征) - 鸿海伟业生活资讯网
- 电动汽车品牌排行(电动汽车排行榜及价格) - 鸿海伟业生活资讯网
- 成都市人口 - 鸿海伟业生活资讯网
- 保障性住房 - 鸿海伟业生活资讯网
- 巴川中学(巴川中学是私立的还是公立的) - 鸿海伟业生活资讯网
站长推荐
广东省普通话水平测试在线报名系统(广东省普通话水平测试在线报名系统网址) - 鸿海伟业生活资讯网
女演员排行榜 - 鸿海伟业生活资讯网
雅拉神山 - 鸿海伟业生活资讯网
油菜花季节(油菜花的文案) - 鸿海伟业生活资讯网
山东华宇学院 - 鸿海伟业生活资讯网
烤箱冒烟正常吗 - 鸿海伟业生活资讯网
买房步骤和手续 - 鸿海伟业生活资讯网
四川票务网(四川票务网团子汽车票) - 鸿海伟业生活资讯网
油菜花节 - 鸿海伟业生活资讯网
玄武天尊 - 鸿海伟业生活资讯网
排水管坡度(排水管坡度一般多少) - 鸿海伟业生活资讯网
男士护肤品排行榜 - 鸿海伟业生活资讯网
户外亲子乐园项目 - 鸿海伟业生活资讯网
名牌奶粉(名牌奶粉有哪些牌子) - 鸿海伟业生活资讯网
怎么清洗全自动洗衣机(用泡腾片怎么清洗全自动洗衣机) - 鸿海伟业生活资讯网
山西管理职业学院(山西管理职业学院官网) - 鸿海伟业生活资讯网
灰姑娘2(灰姑娘2美梦成真普通话) - 鸿海伟业生活资讯网
成都团购 - 鸿海伟业生活资讯网
成都地震 - 鸿海伟业生活资讯网
中国教育一台(中国教育一台直播在线观看) - 鸿海伟业生活资讯网
开心麻花乌龙山伯爵 - 鸿海伟业生活资讯网
如何查房产证信息(如何查房产证信息真假) - 鸿海伟业生活资讯网
成都市房管局网站(成都市房管局网站查询房产官网) - 鸿海伟业生活资讯网
黄桷坪租房 - 鸿海伟业生活资讯网
贷款利率下限(贷款利率下限放开,实行上限管理) - 鸿海伟业生活资讯网
高新区工商局(高新区工商局局长) - 鸿海伟业生活资讯网
大熊猫繁育基地 - 鸿海伟业生活资讯网
吸顶灯如何拆卸(led吸顶灯如何拆卸) - 鸿海伟业生活资讯网
超值手机推荐(超值性价比手机) - 鸿海伟业生活资讯网
合页规格(合页规格型号怎么写) - 鸿海伟业生活资讯网