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
- 公积金能贷多少(公积金能贷多少钱去哪里查) - 鸿海伟业生活资讯网
- 火车团体票(火车团体票多少人起) - 鸿海伟业生活资讯网
- 最新消息新闻 - 鸿海伟业生活资讯网
- 查询发票真伪(12366查询发票真伪) - 鸿海伟业生活资讯网
- 电动卷帘门怎么调限位(电动卷帘门怎么调限位图解) - 鸿海伟业生活资讯网
- 秦王嬴驷(秦王嬴驷和芈八子) - 鸿海伟业生活资讯网
- 美团闪付(美团闪付是什么) - 鸿海伟业生活资讯网
- 梓木 - 鸿海伟业生活资讯网
- 锋刃剧情介绍(锋刃剧情介绍大结局那个频道) - 鸿海伟业生活资讯网
- 重庆国税局(重庆国税局公务员录取名单) - 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维男子睡觉时误食AirPods:拉出后仍可正常使用下辖地区今天天气
我们的朋友圈里,有多少人在假装读书?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
- 深圳驾校排名(深圳的驾校排名) - 鸿海伟业生活资讯网
- 成都幼儿园 - 鸿海伟业生活资讯网
- 都江堰站(都江堰站到四川工商职业技术学院) - 鸿海伟业生活资讯网
- 中国大丰 - 鸿海伟业生活资讯网
- 简阳市人才网 - 鸿海伟业生活资讯网
- 大理石门套(大理石门套一个多少钱) - 鸿海伟业生活资讯网
- 军校录取分数线 - 鸿海伟业生活资讯网
- 高速清明节免费吗(高速路清明节免费吗?) - 鸿海伟业生活资讯网
- 学校报名时间 - 鸿海伟业生活资讯网
- 魔鬼蟹(魔鬼蟹寿命) - 鸿海伟业生活资讯网
- 中国人民征信 - 鸿海伟业生活资讯网
- 西昌青山机场(西昌青山机场大巴时刻表) - 鸿海伟业生活资讯网
- 大红瓶(大红瓶适合什么年龄段) - 鸿海伟业生活资讯网
- 火车团体票(火车团体票多少人起) - 鸿海伟业生活资讯网
- 璀璨人生演员表 - 鸿海伟业生活资讯网
- 壁纸怎么贴(壁纸怎么贴的又快又好) - 鸿海伟业生活资讯网
- 过小年吃什么(农历二十三或二十四过小年吃什么) - 鸿海伟业生活资讯网
- 蓝桉已遇释槐鸟下一句(蓝桉已遇释槐鸟下一句就是我对你说的话) - 鸿海伟业生活资讯网
- 征文范文(征文范文1000字) - 鸿海伟业生活资讯网
- 成都快递公司 - 鸿海伟业生活资讯网
- 成都蔬菜配送 - 鸿海伟业生活资讯网
- 成都外国语学校地址(成都外国语学校地址在哪) - 鸿海伟业生活资讯网
- 洗羽绒服怎么洗(自己洗羽绒服怎么洗) - 鸿海伟业生活资讯网
- 摩恩水槽尺寸 - 鸿海伟业生活资讯网
- 阆苑 - 鸿海伟业生活资讯网
- 公积金app下载 - 鸿海伟业生活资讯网
- 征文范文(征文范文1000字) - 鸿海伟业生活资讯网
- 12u机柜 - 鸿海伟业生活资讯网
- 全马是多少公里(马拉松半马和全马是多少公里) - 鸿海伟业生活资讯网
- 大理石门套 - 鸿海伟业生活资讯网
- 九寨旅游 - 鸿海伟业生活资讯网
- 玫瑰金是什么材质(玫瑰金是什么材质做的) - 鸿海伟业生活资讯网
- 全马是多少公里(全马是多少公里一般人跑多少时间) - 鸿海伟业生活资讯网
- 哪些食物补钙 - 鸿海伟业生活资讯网
- 房地产税收政策(韩国房地产税收政策) - 鸿海伟业生活资讯网
- 成都市人事局 - 鸿海伟业生活资讯网
- 儿童生长标准 - 鸿海伟业生活资讯网
- 金堂 - 鸿海伟业生活资讯网
- 高新区在哪里(西安高新区在哪里) - 鸿海伟业生活资讯网
- 高压锅怎么放气 - 鸿海伟业生活资讯网
- 床笠是什么(床笠是什么读音) - 鸿海伟业生活资讯网
- 小学音乐教材(小学音乐教材目录) - 鸿海伟业生活资讯网
- pvc墙布(pvc墙布有毒吗) - 鸿海伟业生活资讯网
- 木差读什么(木和差念什么) - 鸿海伟业生活资讯网
- 严防输入 - 鸿海伟业生活资讯网
- 网上选车牌号 - 鸿海伟业生活资讯网
- 成都牛王庙面馆(成都牛王庙面馆加盟) - 鸿海伟业生活资讯网
- 清洁冰箱 - 鸿海伟业生活资讯网
- 王翊菲和赵丽颖 - 鸿海伟业生活资讯网
- 成都住建(成都住建局 *** ) - 鸿海伟业生活资讯网
- 怎么看智能水表 - 鸿海伟业生活资讯网
- 中国游乐园排名(中国知名游乐园) - 鸿海伟业生活资讯网
- 模拟量和数字量的区别(模拟量和数字量的区别是什么) - 鸿海伟业生活资讯网
- 冰箱冷冻多少度(一般冰箱冷冻多少度) - 鸿海伟业生活资讯网
- 口红排名 - 鸿海伟业生活资讯网
- 查银行卡余额 - 鸿海伟业生活资讯网
- 金堂(金堂县) - 鸿海伟业生活资讯网
- 可疑的保姆(可疑的保姆) - 鸿海伟业生活资讯网
- bv绿是什么意思 - 鸿海伟业生活资讯网
- 转网(转网不换号怎么办理) - 鸿海伟业生活资讯网
天气资讯
气温排行榜
- 高温
- 低温
排名 | 城市 | 今天气温 |
1 | 美大学发生多起枪击案至少2死4伤如果你的手机有这10个软件,赶紧卸载 | 23~26 ° |
2 | 恒大发布足协杯海报:"劳而有得"揭婚恋网行骗套路:根据聊天程度诱导下载诈骗APP | 23~25 ° |
3 | 告别低效,人人必备的聪明工作法姑娘们的“三字经”,你懂了吗? | 23~25 ° |
4 | 死掉之后,我想这样再活一次股指期货成了大热门 分析师秒变“空中飞人” | 23~25 ° |
5 | 吉利星越/全新雷凌/起亚K3领衔 5月上市新车抢先看她是泰国的“人间尤物”, 身材堪称炸裂式发育, 被称为泰国林志玲 | 23~25 ° |
6 | 欧冠-C罗破门 尤文1-2阿贾克斯无缘四强日本冲绳老人的长寿秘密,竟然还是个哲学问题 | 23~25 ° |
7 | 天秤座:我不接受你的抱歉和离别天然的“止咳王”找到了!此野草泡水喝,止咳化痰 | 20~25 ° |
8 | 标普再创历史新高 美国或推2万亿美元基建计划"令和"开启!日本新任天皇德仁正式即位 | 20~25 ° |
9 | 马来西亚豁免印花税 房屋销量或增30%哈登带伤奋战留遗憾 勇士坚定捍卫主场 | 17~25 ° |
10 | NBA-雄鹿大胜绿军 字母哥上篮如腾云驾雾贾跃亭遭立案调查:26万股民欲哭无泪 | 12~25 ° |
1 | 丹东二手房限售 后续政策或微调收紧社保降费今起正式实施 今年社保还有三个大变化 | -24~-12 ° |
2 | LOL新英雄猫狗鱼特殊彩蛋对话一览!娜美快跑谷歌母公司一日最多蒸发780亿美元市值 | -24~-9 ° |
3 | 打造舒适暖心空间 吉利嘉际1.5TD MHEV中国制造 | 欧洲这艘最先进大船竟是中国造 | -23~-12 ° |
4 | 宋仲基胸肌腹肌一览无余 这身材谁能抵挡住?每周坚持长跑训练 带给跑者这6大益处 | -23~-8 ° |
5 | 粤网文【2017】6527-1578号海南假疫苗走私疑云:来自哪里 流向何方 | -20~-8 ° |
6 | 杭州美女租废弃水泥厂 花120万改成五层山景房相爱相杀真的甜,“德哈”吃粮线索全放送 | -20~-8 ° |
7 | CBA下季新赛制:常规赛4组循环 增至46轮巴萨VS利物浦前瞻:一场争夺节奏权的对决! | -20~-5 ° |
8 | 压垮我的不是加班,而是通勤业绩远超预期!证券股能否再当“领头羊”? | -19~-10 ° |
9 | 伊朗无人机为何能贴脸拍美国航母拼多多财务副总裁徐湉离职 所属团队暂向CEO黄峥汇报 | -18~-12 ° |
10 | 妥协了!iPhone上马屏幕指纹:安卓真香航母在右舷接受综合补给,为何不在左侧? | -18~-10 ° |
空气质量排行榜
- 最优
- 最差
排名 | 城市 | 今天空气 |
1 | 安妮海瑟薇近照状态回升中国制造 | 贵州这座桥的施工难度超乎你想象 | 7优 |
2 | 二战德国巨炮重1350吨炮弹重7吨这部神作,每秒都是不敢看的残忍 | 7优 |
3 | 一个妻子对丈夫说的话,刷爆了朋友圈前11个月国企利润同比增长15.6% | 7优 |
4 | 去哪家金融机构待遇最好?这里的人均月薪超10万!多人称买到火车票却没法上车 回应:有人到站不下致超载 | 7优 |
5 | 姑娘们的“三字经”,你懂了吗?广深连推住房保障 一线“抢人” 先破高房价魔咒 | 7优 |
6 | 路边捡来的流浪狗交给女友,半个月后,小狗狗被宠上了天一父两母?全球首位"三人试管婴儿"在希腊出生 | 7优 |
7 | 只会说这三个字,却没有行动和改变,必然不是真爱你的人创sports创客谈:专访FIRSTPOINT USA首席执... | 7优 |
8 | 阿贾克斯革命!困扰世界的5后卫密防 被他们破了大师们耗尽心血打造的一流建筑 竟都是失败之作 | 7优 |
9 | 孩子在三岁前的教育为什么非常重要深圳富源学校“高考移民”抢广东清华北大名额?市教育局回应来了 | 7优 |
10 | 突生变故!小伙接电话后崩溃大哭社保缴费比例今起下降至16% 事关你的钱袋子 | 7优 |
1 | 格力公布2018财报,董明珠赢得与雷军的"十亿赌约"放屁、漏尿、痔疮,15个尴尬的怀孕小问题 | 381严重 |
2 | 李诞自曝幽默养成秘诀江苏三名游客偷挖六根春笋带回老家 被拘留 | 324严重 |
3 | 南非金矿发生矿车坠物事故 约1800名矿工被困井下还在组队吃鸡?你要的吉利服、侦察兵都在这 | 273重度 |
4 | 中国移动遭反竞争调查,定制机“套牢”用户,携号转网难上加难日本新天皇德仁正式即位 开启“令和”时代 | 270重度 |
5 | 一打绿军就来劲 那个男人又回来了“五一”小长假怎么过?收下这份玩乐指南 | 269重度 |
6 | 李湘五一带女儿体验生活 王诗龄采摘看鸡不亦乐乎一季度房企销售回暖 高投资能否持续? | 257重度 |
7 | 世纪华通2018年游戏业务已超营收一半五一小长假看房指南丨20个新盘表示劳动最光荣 | 256重度 |
8 | "牛回头"还是"牛到头"不重要 私募正在抓紧调研曝《复联》演员片酬 "钢铁侠"小唐尼拍一部拿5亿 | 229重度 |
9 | "令和"开启!日本新任天皇德仁正式即位最强“灭霸”:近50岁仍魔鬼训练 年轻时曾吸毒酗酒2度离婚 | 229重度 |
10 | 每天最少学一味中药-垂盆草国产航母传来捷报!一艘5万吨巨舰缓缓靠近,好事将近... | 226重度 |