人工智能从入门到精通：自然语言处理技术与应用实践

AI2个月前发布 beixibaobao

20 0 0

第十二章：自然语言处理技术与应用实践

学习目标

掌握自然语言处理（NLP）的基本概念和原理
了解NLP的常用任务和应用场景
学会使用深度学习框架实现NLP模型
掌握文本分类、情感分析、命名实体识别等任务的实现方法
学习NLP技术在实际项目中的应用实践

12.1 自然语言处理技术基础

12.1.1 自然语言处理的概念

自然语言处理（NLP）是计算机科学和人工智能的一个重要领域，研究如何让计算机理解和处理人类语言。

NLP的主要任务

文本分类：将文本分为不同的类别
情感分析：分析文本的情感倾向
命名实体识别：识别文本中的命名实体（如人名、地名、组织名）
机器翻译：将一种语言的文本翻译成另一种语言
文本生成：生成新的文本
问答系统：根据问题回答相关内容
对话系统：与用户进行自然语言对话

12.1.2 文本表示

计算机无法直接处理文本，需要将文本转换为数字表示。常用的文本表示方法包括：

词袋模型（Bag of Words）：将文本表示为词频向量
TF-IDF：使用词频和逆文档频率加权的词向量
词嵌入（Word Embedding）：将词表示为低维向量，捕捉词之间的语义关系

词袋模型的实现

from sklearn.feature_extraction.text import CountVectorizer
# 定义文本数据
texts = [
    '自然语言处理是计算机科学的一个分支',
    'NLP研究如何让计算机理解和处理人类语言',
    '文本分类是NLP的一个常用任务'
]
# 初始化CountVectorizer
vectorizer = CountVectorizer()
# 转换文本为词袋模型
X = vectorizer.fit_transform(texts)
# 输出词袋模型的词汇表和向量表示
print('词汇表:', vectorizer.get_feature_names_out())
print('词频向量:n', X.toarray())

💡 词袋模型简单直观，但无法捕捉词之间的语义关系。

12.1.3 词嵌入

词嵌入是NLP中的重要技术，将词表示为低维向量，捕捉词之间的语义关系。常用的词嵌入方法包括Word2Vec、GloVe等。

使用预训练词嵌入

from gensim.models import KeyedVectors
# 下载预训练词嵌入
# !wget -c "https://nlp.stanford.edu/data/glove.6B.zip" -O glove.6B.zip
# !unzip glove.6B.zip
# 加载预训练词嵌入
embedding_path = 'glove.6B.100d.txt'
word_vectors = KeyedVectors.load_word2vec_format(embedding_path, binary=False, no_header=True)
# 查找词向量
word = 'natural'
if word in word_vectors:
    vector = word_vectors[word]
    print(f"{word}的词向量: {vector}")
else:
    print(f"{word}不在词嵌入词汇表中")
# 查找相似词
similar_words = word_vectors.most_similar('natural', topn=5)
print(f"与'natural'相似的词: {similar_words}")

✅ 词嵌入可以捕捉词之间的语义关系，提高NLP任务的性能。

12.2 文本分类

12.2.1 文本分类的基本原理

文本分类是NLP的基础任务，其目标是将文本分为不同的类别。

文本分类的工作流程

数据预处理：对文本进行分词、去停用词等操作
文本表示：将文本转换为数字表示
模型训练：使用训练数据训练分类模型
模型评估：使用测试数据评估模型性能

12.2.2 文本分类模型实现

import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.layers import Embedding, LSTM, Dense, Dropout, Bidirectional
from tensorflow.keras.models import Sequential
import pandas as pd
# 加载数据
data = pd.read_csv('text_classification_data.csv')
# 预处理文本
tokenizer = Tokenizer(num_words=10000)
tokenizer.fit_on_texts(data['text'])
X = tokenizer.texts_to_sequences(data['text'])
X = pad_sequences(X, maxlen=100)
y = data['label']
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 构建LSTM分类模型
model = Sequential([
    Embedding(input_dim=10000, output_dim=64, input_length=100),
    Bidirectional(LSTM(64)),
    Dense(64, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])
model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)
# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=10,
    batch_size=32
)
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")

✅ 该模型使用了双向LSTM和嵌入层，实现了文本分类任务。

12.2.3 使用预训练语言模型

预训练语言模型（如BERT、GPT）在NLP任务中取得了优异的性能，可以通过微调应用到文本分类任务中。

使用BERT实现文本分类

from transformers import BertTokenizer, TFBertForSequenceClassification
import tensorflow as tf
import pandas as pd
# 加载数据
data = pd.read_csv('text_classification_data.csv')
# 初始化BERT分词器
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
# 编码文本
max_length = 100
X_train_encoded = tokenizer(
    list(data['text']),
    max_length=max_length,
    padding=True,
    truncation=True,
    return_tensors='tf'
)
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
    X_train_encoded['input_ids'],
    data['label'],
    test_size=0.2,
    random_state=42
)
# 加载BERT模型
model = TFBertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=2)
# 编译模型
optimizer = tf.keras.optimizers.Adam(learning_rate=2e-5)
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metric = tf.keras.metrics.SparseCategoricalAccuracy('accuracy')
model.compile(optimizer=optimizer, loss=loss, metrics=[metric])
# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=3,
    batch_size=8
)
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")

💡 预训练语言模型通过微调可以快速构建高性能的文本分类模型，但计算成本较高。

12.3 情感分析

12.3.1 情感分析的基本原理

情感分析是NLP的常见任务，其目标是分析文本的情感倾向（如正面、负面、中性）。

情感分析的常用方法

基于词典的方法：使用情感词典分析文本的情感倾向
机器学习方法：使用机器学习算法训练情感分析模型
深度学习方法：使用深度学习模型（如LSTM、BERT）进行情感分析

12.3.2 情感分析模型实现

import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
import pandas as pd
# 加载数据
data = pd.read_csv('sentiment_analysis_data.csv')
# 预处理文本
tokenizer = Tokenizer(num_words=10000)
tokenizer.fit_on_texts(data['text'])
X = tokenizer.texts_to_sequences(data['text'])
X = pad_sequences(X, maxlen=100)
y = data['sentiment']
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 构建情感分析模型
model = tf.keras.Sequential([
    tf.keras.layers.Embedding(input_dim=10000, output_dim=64, input_length=100),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(3, activation='softmax')
])
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)
# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=10,
    batch_size=32
)
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")
# 测试模型
new_text = ['这个产品非常好，质量很高', '这个产品质量很差，不值得购买']
new_text_encoded = tokenizer.texts_to_sequences(new_text)
new_text_padded = pad_sequences(new_text_encoded, maxlen=100)
predictions = model.predict(new_text_padded)
sentiments = ['负面', '中性', '正面']
for text, pred in zip(new_text, predictions):
    sentiment = sentiments[pred.argmax()]
    print(f"{text}: {sentiment}")

✅ 该模型使用了双向LSTM和嵌入层，实现了情感分析任务。

12.4 命名实体识别

12.4.1 命名实体识别的基本原理

命名实体识别（NER）是NLP的重要任务，其目标是识别文本中的命名实体（如人名、地名、组织名）。

命名实体识别的常用方法

基于规则的方法：使用正则表达式或语法规则识别命名实体
机器学习方法：使用条件随机场（CRF）或支持向量机（SVM）等算法
深度学习方法：使用双向LSTM+CRF或预训练语言模型（如BERT）

12.4.2 命名实体识别模型实现

import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.layers import Embedding, LSTM, Dense, Dropout, Bidirectional, TimeDistributed
from tensorflow.keras.models import Sequential
import pandas as pd
# 加载数据
data = pd.read_csv('ner_data.csv')
# 预处理文本和标签
tokenizer = Tokenizer(num_words=10000)
tokenizer.fit_on_texts(data['text'])
X = tokenizer.texts_to_sequences(data['text'])
X = pad_sequences(X, maxlen=100)
label_tokenizer = Tokenizer()
label_tokenizer.fit_on_texts(data['labels'])
y = label_tokenizer.texts_to_sequences(data['labels'])
y = pad_sequences(y, maxlen=100)
y = tf.keras.utils.to_categorical(y)
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 构建命名实体识别模型
model = Sequential([
    Embedding(input_dim=10000, output_dim=64, input_length=100),
    Bidirectional(LSTM(64, return_sequences=True)),
    TimeDistributed(Dense(64, activation='relu')),
    Dropout(0.5),
    TimeDistributed(Dense(y.shape[-1], activation='softmax'))
])
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)
# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=10,
    batch_size=32
)
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")

✅ 该模型使用了双向LSTM和TimeDistributed层，实现了命名实体识别任务。

12.5 自然语言处理应用场景

12.5.1 机器翻译

机器翻译是NLP的经典任务，将一种语言的文本翻译成另一种语言。

使用Transformer实现机器翻译

from transformers import MarianMTModel, MarianTokenizer
# 加载翻译模型和分词器
model_name = 'Helsinki-NLP/opus-mt-zh-en'
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)
# 翻译文本
text = '自然语言处理是计算机科学的一个分支'
inputs = tokenizer(text, return_tensors='pt', padding=True, truncation=True)
with torch.no_grad():
    outputs = model.generate(**inputs)
translation = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(f"原文: {text}")
print(f"译文: {translation}")

💡 Transformer架构在机器翻译任务中取得了优异的性能，是目前主流的机器翻译方法。

12.5.2 文本生成

文本生成是NLP的重要任务，用于生成新的文本，如对话系统、文章生成等。

使用GPT-2实现文本生成

from transformers import GPT2LMHeadModel, GPT2Tokenizer
# 加载GPT-2模型和分词器
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
model = GPT2LMHeadModel.from_pretrained('gpt2')
# 生成文本
prompt = '自然语言处理是计算机科学的一个分支'
inputs = tokenizer(prompt, return_tensors='pt')
with torch.no_grad():
    outputs = model.generate(**inputs, max_length=100, num_return_sequences=1)
generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(f"生成的文本: {generated_text}")

✅ GPT-2是一种强大的文本生成模型，能够生成流畅的自然语言文本。

12.5.3 问答系统

问答系统是NLP的应用之一，根据用户的问题回答相关内容。

使用BERT实现问答系统

from transformers import BertTokenizer, TFBertForQuestionAnswering
import tensorflow as tf
# 加载BERT问答模型和分词器
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = TFBertForQuestionAnswering.from_pretrained('bert-base-chinese')
# 定义问题和上下文
question = '什么是自然语言处理？'
context = '自然语言处理是计算机科学的一个分支，研究如何让计算机理解和处理人类语言。'
# 编码输入
inputs = tokenizer(question, context, return_tensors='tf')
# 预测答案位置
with tf.no_grad():
    outputs = model(**inputs)
start_logits = outputs.start_logits
end_logits = outputs.end_logits
# 找到最佳答案位置
start_index = tf.argmax(start_logits, axis=1)[0]
end_index = tf.argmax(end_logits, axis=1)[0]
# 解码答案
answer = tokenizer.decode(inputs['input_ids'][0][start_index:end_index+1], skip_special_tokens=True)
print(f"问题: {question}")
print(f"答案: {answer}")

💡 BERT在问答系统任务中取得了优异的性能，是目前主流的问答系统方法。

12.6 实战项目：产品评论情感分析系统

12.6.1 项目目标

开发一个产品评论情感分析系统，帮助用户分析产品评论的情感倾向。

12.6.2 项目步骤

数据收集与预处理
模型选择与训练
模型优化与评估
系统开发
部署与测试

12.6.3 项目代码

import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
import pandas as pd
import joblib
# 加载数据
data = pd.read_csv('product_reviews.csv')
# 预处理文本
tokenizer = Tokenizer(num_words=10000)
tokenizer.fit_on_texts(data['review'])
X = tokenizer.texts_to_sequences(data['review'])
X = pad_sequences(X, maxlen=100)
y = data['sentiment']
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 构建情感分析模型
model = tf.keras.Sequential([
    tf.keras.layers.Embedding(input_dim=10000, output_dim=64, input_length=100),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(3, activation='softmax')
])
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)
# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=10,
    batch_size=32
)
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")
# 保存模型和分词器
model.save('product_review_sentiment_analyzer.h5')
joblib.dump(tokenizer, 'tokenizer.pkl')
# 加载模型和分词器
loaded_model = tf.keras.models.load_model('product_review_sentiment_analyzer.h5')
loaded_tokenizer = joblib.load('tokenizer.pkl')
# 测试模型
new_reviews = ['这个产品非常好，质量很高', '这个产品质量很差，不值得购买']
new_reviews_encoded = loaded_tokenizer.texts_to_sequences(new_reviews)
new_reviews_padded = pad_sequences(new_reviews_encoded, maxlen=100)
predictions = loaded_model.predict(new_reviews_padded)
sentiments = ['负面', '中性', '正面']
for review, pred in zip(new_reviews, predictions):
    sentiment = sentiments[pred.argmax()]
    print(f"{review}: {sentiment}")

✅ 该项目实现了一个产品评论情感分析系统，使用LSTM模型和词嵌入技术。

12.7 自然语言处理技术前沿

12.7.1 预训练语言模型

预训练语言模型（如BERT、GPT、RoBERTa）在NLP任务中取得了优异的性能，成为NLP研究的热点。

使用RoBERTa实现文本分类

from transformers import RobertaTokenizer, TFRobertaForSequenceClassification
import tensorflow as tf
import pandas as pd
# 加载数据
data = pd.read_csv('text_classification_data.csv')
# 初始化RoBERTa分词器
tokenizer = RobertaTokenizer.from_pretrained('roberta-base')
# 编码文本
max_length = 100
X_train_encoded = tokenizer(
    list(data['text']),
    max_length=max_length,
    padding=True,
    truncation=True,
    return_tensors='tf'
)
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
    X_train_encoded['input_ids'],
    data['label'],
    test_size=0.2,
    random_state=42
)
# 加载RoBERTa模型
model = TFRobertaForSequenceClassification.from_pretrained('roberta-base', num_labels=2)
# 编译模型
optimizer = tf.keras.optimizers.Adam(learning_rate=2e-5)
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metric = tf.keras.metrics.SparseCategoricalAccuracy('accuracy')
model.compile(optimizer=optimizer, loss=loss, metrics=[metric])
# 训练模型
history = model.fit(
    X_train, y_train,
    validation_data=(X_test, y_test),
    epochs=3,
    batch_size=8
)
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")

💡 RoBERTa是BERT的改进版本，通过优化预训练过程提高了性能。

12.7.2 小样本学习

小样本学习（Few-Shot Learning）是NLP研究的重要方向，目标是在少量标注数据的情况下训练高性能模型。

使用PET实现小样本学习

from transformers import T5Tokenizer, T5ForConditionalGeneration
import torch
# 加载T5模型和分词器
tokenizer = T5Tokenizer.from_pretrained('t5-small')
model = T5ForConditionalGeneration.from_pretrained('t5-small')
# 定义训练数据
train_data = [
    ('The quick brown fox jumps over the lazy dog.', 'Animal'),
    ('Python is a popular programming language.', 'Technology'),
    ('Paris is the capital of France.', 'Geography')
]
# 准备训练数据
train_inputs = []
train_targets = []
for text, label in train_data:
    input_text = f"classify: {text}"
    target_text = label
    train_inputs.append(input_text)
    train_targets.append(target_text)
# 编码训练数据
train_encoded = tokenizer(train_inputs, return_tensors='pt', padding=True, truncation=True)
train_target_encoded = tokenizer(train_targets, return_tensors='pt', padding=True, truncation=True)
# 训练模型
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
loss_fn = torch.nn.CrossEntropyLoss()
for epoch in range(10):
    optimizer.zero_grad()
    outputs = model(**train_encoded, labels=train_target_encoded['input_ids'])
    loss = outputs.loss
    loss.backward()
    optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")
# 测试模型
test_text = 'The sun is shining in the sky.'
input_text = f"classify: {test_text}"
input_encoded = tokenizer(input_text, return_tensors='pt')
with torch.no_grad():
    outputs = model.generate(**input_encoded)
prediction = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(f"Test text: {test_text}")
print(f"Prediction: {prediction}")

✅ 小样本学习可以在少量标注数据的情况下训练模型，适用于数据标注成本高的场景。

12.8 工程实践最佳实践

12.8.1 数据预处理

对文本进行分词、去停用词等操作
处理数据不平衡问题
确保数据格式正确

12.8.2 模型选择与优化

根据任务选择合适的模型
使用预训练模型进行微调
对模型进行压缩和量化

12.8.3 部署与监控

选择合适的部署架构
监控模型性能
定期更新模型

12.9 总结

在本章中，我们学习了自然语言处理技术与应用实践，包括文本分类、情感分析、命名实体识别等任务的实现方法，以及自然语言处理技术在机器翻译、文本生成、问答系统等场景中的应用。我们还介绍了自然语言处理技术的前沿研究，如预训练语言模型和小样本学习。最后，我们通过实战项目演示了如何开发一个产品评论情感分析系统。自然语言处理技术在各个领域的应用越来越广泛，为人类生活带来了很大的便利。

文章版权归作者所有，未经允许请勿转载。

L4 级自动驾驶通讯痛点解析：AR588MA 模组 5G-A + 卫星通信全场景解决方案

人工智能从入门到精通：自然语言处理技术与应用实践

第十二章：自然语言处理技术与应用实践

学习目标

12.1 自然语言处理技术基础

12.1.1 自然语言处理的概念

12.1.2 文本表示

12.1.3 词嵌入

12.2 文本分类

12.2.1 文本分类的基本原理

12.2.2 文本分类模型实现

12.2.3 使用预训练语言模型

12.3 情感分析

12.3.1 情感分析的基本原理

12.3.2 情感分析模型实现

12.4 命名实体识别

12.4.1 命名实体识别的基本原理

12.4.2 命名实体识别模型实现

12.5 自然语言处理应用场景

12.5.1 机器翻译

12.5.2 文本生成

12.5.3 问答系统

12.6 实战项目：产品评论情感分析系统

12.6.1 项目目标

12.6.2 项目步骤

12.6.3 项目代码

12.7 自然语言处理技术前沿

12.7.1 预训练语言模型

12.7.2 小样本学习

12.8 工程实践最佳实践

12.8.1 数据预处理

12.8.2 模型选择与优化

12.8.3 部署与监控

12.9 总结

脉脉独家【AI创作者xAMA】| 多维价值与深远影响

NVIDIA AI Enterprise (NVAIE) 运维实战：面向医疗行业的深度培训路径分析

相关文章

L4 级自动驾驶通讯痛点解析：AR588MA 模组 5G-A + 卫星通信全场景解决方案

后端转 AI 创作？脉脉功能实测：一起聊聊技术人的出路

豆包AI生图去水印实用指南：5种免费方法，轻松拿下纯净原图

一个后台管理所有 AI：手把手教你搭建属于自己的 AI 中转站（CLIProxyAPI版）

人工智能从入门到精通：自然语言处理技术与应用实践

第十二章：自然语言处理技术与应用实践

学习目标

12.1 自然语言处理技术基础

12.1.1 自然语言处理的概念

12.1.2 文本表示

12.1.3 词嵌入

12.2 文本分类

12.2.1 文本分类的基本原理

12.2.2 文本分类模型实现

12.2.3 使用预训练语言模型

12.3 情感分析

12.3.1 情感分析的基本原理

12.3.2 情感分析模型实现

12.4 命名实体识别

12.4.1 命名实体识别的基本原理

12.4.2 命名实体识别模型实现

12.5 自然语言处理应用场景

12.5.1 机器翻译

12.5.2 文本生成

12.5.3 问答系统

12.6 实战项目：产品评论情感分析系统

12.6.1 项目目标

12.6.2 项目步骤

12.6.3 项目代码

12.7 自然语言处理技术前沿

12.7.1 预训练语言模型

12.7.2 小样本学习

12.8 工程实践最佳实践

12.8.1 数据预处理

12.8.2 模型选择与优化

12.8.3 部署与监控

12.9 总结

脉脉独家【AI创作者xAMA】| 多维价值与深远影响

NVIDIA AI Enterprise (NVAIE) 运维实战：面向医疗行业的深度培训路径分析

相关文章

L4 级自动驾驶通讯痛点解析：AR588MA 模组 5G-A + 卫星通信全场景解决方案

后端转 AI 创作？脉脉功能实测：一起聊聊技术人的出路

豆包AI生图去水印实用指南：5种免费方法，轻松拿下纯净原图

一个后台管理所有 AI：手把手教你搭建属于自己的 AI 中转站（CLIProxyAPI版）

标签云