分  享 
分  享 
源  码 
源  码 
课  程 
课  程 
设  计 
设  计 

[其他] 【PDF教材】《概率图模型:原理与技术》PDF扫描高清版

[复制链接]
密探007邮箱认证 OneDrive 认证 微信绑定 发表于 2020-1-5 17:07:01 | 显示全部楼层 |阅读模式
「智能推荐」
【PDF教材】《概率机器人》高清中英文PDF版+课后答案 【PDF教材】《应用随机过程:概率模型导论(第11版)带目录完整PDF版 [97MB]
【PDF教材】《概率图模型:原理与技术》完整PDF扫描版 [177MB]

欢迎加入「奥学网」学霸平台,让自学改变你的世界!

您需要 登录 才可以下载或查看,没有帐号?账号注册

x


【PDF教材】《概率图模型:原理与技术》PDF扫描高清版 - 奥学网

  概率图模型将概率论与图论相结合,是当前非常热门的一个机器学习研究方向。本书详细论述了有向图模型(又称贝叶斯网)和无向图模型(又称马尔可夫网)的表示、推理和学习问题,全面总结了人工智能这一前沿研究领域的最新进展。为了便于读者理解,书中包含了大量的定义、定理、证明、算法及其伪代码,穿插了大量的辅助材料,如示例(examples)、技巧专栏(skill boxes)、实例专栏(case study boxes)、概念专栏(concept boxes)等。另外,在第 2章介绍了概率论和图论的核心知识,在附录中介绍了信息论、算法复杂性、组合优化等补充材料,为学习和运用概率图模型提供了完备的基础。

  本书可作为高等学校和科研单位从事人工智能、机器学习、模式识别、信号处理等方向的学生、教师和研究人员的教材和参考书。

  目录

  目 录

  致谢 29

  插图目录 31

  算法目录 39

  专栏目录 41

  第 1章引言 .. 1

  1.1动机 . 1

  1.2结构化概率模型 . 2

  1.2.1 概率图模型 . 3

  1.2.2 表示、推理、学习 . 5

  1.3概述和路线图 . 6

  1.3.1 各章的概述 . 6

  1.3.2 读者指南 . 9

  1.3.3 与其他学科的联系 ... 10

  1.4历史注记 ... 12

  第 2章 基础知识 15

  2.1概率论 ... 15

  2.1.1 概率分布 ... 15

  2.1.2 概率中的基本概念 ... 17

  2.1.3 随机变量与联合分布 ... 19

  2.1.4 独立性与条件独立性 ... 22

  2.1.5 查询一个分布 ... 25

  2.1.6 连续空间 ... 27

  2.1.7 期望与方差 ... 30

  2.2图 ... 33

  2.2.1 节点与边 ... 33

  2.2.2 子图... 34

  2.2.3 路径与迹 ... 35

  2.2.4 圈与环 ... 36

  2.3相关文献 ... 37

  2.4习题 ... 38

  第Ⅰ部分表示

  第 3章贝叶斯网表示 45

  3.1独立性性质的利用 ... 45

  3.1.1 随机变量的独立性 ... 45

  3.1.2 条件参数化方法 ... 46

  3.1.3 朴素贝叶斯模型 ... 48

  3.2贝叶斯网 ... 51

  3.2.1 学生示例回顾 ... 51

  3.2.2 贝叶斯网的基本独立性 ... 55

  3.2.3 图与分布 ... 59

  3.3图中的独立性 ... 68

  3.3.1 d-分离 ... 68

  3.3.2 可靠性与完备性 ... 71

  3.3.3 d-分离算法 ... 73

  3.3.4 I-等价 75

  3.4从分布到图 ... 77

  3.4.1 昀小 I-map 78

  3.4.2 P-map 80

  3.4.3 发现 P-map* . 82

  3.5小结 ... 91

  3.6相关文献 ... 92

  3.7习题 ... 95

  第 4章无向图模型 .. 103

  4.1误解示例 . 103

  4.2参数化 . 106

  4.2.1 因子. 106

  4.2.2 吉布斯分布与马尔可夫网 . 107

  4.2.3 简化的马尔可夫网 . 110

  4.3马尔可夫网的独立性 . 113

  4.3.1 基本独立性 . 113

  4.3.2 独立性回顾 . 116

  4.3.3 从分布到图 . 119

  4.4参数化回顾 . 121

  4.4.1 细粒度参数化方法 . 121

  4.4.2 过参数化 . 127

  4.5贝叶斯网与马尔可夫网 . 132

  4.5.1 从贝叶斯网到马尔可夫网 . 132

  4.5.2 从马尔可夫网到贝叶斯网 . 136

  4.5.3 弦图. 138

  4.6部分有向模型 . 140

  4.6.1 条件随机场 . 141

  4.6.2 链图模型 *... 146

  4.7总结与讨论 . 149

  4.8相关文献 . 150

  4.9习题 . 151

  第 5章局部概率模型 .. 155

  5.1 CPD表 155

  5.2确定性 CPD 156

  5.2.1 表示. 156

  5.2.2 独立性 . 157

  5.3特定上下文 CPD 160

  5.3.1 表示. 160

  5.3.2 独立性 . 168

  5.4因果影响的独立性 . 172

  5.4.1 Noisy-or模型 . 172

  5.4.2 广义线性模型 . 175

  5.4.3 一般公式化表示 . 179

  5.4.4 独立性 . 180

  5.5连续变量 . 181

  5.5.1 混合模型 . 185

  5.6条件贝叶斯网 . 187

  5.7总结 . 189

  5.8相关文献 . 189

  5.9习题 . 191

  第 6章基于模板的表示 .. 195

  6.1引言 . 195

  6.2时序模型 . 196

  6.2.1 基本假设 . 196

  6.2.2 动态贝叶斯网 . 198

  6.2.3 状态-观测模型 ... 203

  6.3模板变量与模板因子 . 208

  6.4对象-关系领域的有向概率模型 211

  6.4.1 Plate模型 211

  6.4.2 概率关系模型 . 217

  6.5无向表示 . 223

  6.6结构不确定性 * ... 227

  6.6.1 关系不确定性 . 227

  6.6.2 对象不确定性 . 230

  6.7小结 . 235

  6.8相关文献 . 236

  6.9习题 . 237

  第 7章高斯网络模型 .. 241

  7.1多元高斯分布 . 241

  7.1.1 基本参数化方法 . 241

  7.1.2 高斯分布的运算 . 243

  7.1.3 高斯分布的独立性 . 244

  7.2高斯贝叶斯网 . 245

  7.3高斯马尔可夫随机场 . 248

  7.4小结 . 251

  7.5相关文献 . 251

  7.6习题 . 252

  第 8章指数族 .. 255

  8.1引言 . 255

  8.2指数族 . 255

  8.2.1 线性指数族 . 257

  8.3因式化的指数族( factored exponential families)... 260

  8.3.1 乘积分布( product distributions) 260

  8.3.2 贝叶斯网 . 261

  8.4熵和相对熵 . 263

  8.4.1 熵. 263

  8.4.2 相对熵 . 266

  8.5投影 . 267

  8.5.1 比较. 268

  8.5.2 M-投影 270

  8.5.3 I-投影 .. 275

  8.6小结 . 275

  8.7相关文献 . 276

  8.8习题 . 276

  第Ⅱ部分推理

  第 9章精确推理:变量消除 .. 281

  9.1复杂性分析 . 281

  9.1.1 精确推理分析 . 282

  9.1.2 近似推理分析 . 284

  9.2变量消除:基本思路 . 286

  9.3变量消除 . 290

  9.3.1 基本消除 . 290

  9.3.2 证据处理 . 295

  9.4复杂度与图结构:变量消除 . 298

  9.4.1 简单分析 . 298

  9.4.2 图论分析 . 299

  9.4.3 寻找消除顺序 *... 302

  9.5条件作用 * ... 308

  9.5.1 条件作用算法 . 308

  9.5.2 条件作用与变量消除 . 309

  9.5.3 图论分析 . 313

  9.5.4 改进的条件作用算法 . 314

  9.6用结构 CPD推理*.. 316

  9.6.1 因果影响的独立性 . 316

  9.6.2 上下文特定的独立性 . 319

  9.6.3 讨论. 326

  9.7总结和讨论 . 327

  9.8相关文献 . 328

  9.9习题 . 329

  第 10章精确推理:团树 337

  10.1 变量消除与团树 ... 337

  10.1.1 聚类图 . 337

  10.1.2 团树. 338

  10.2 消息传递:和积 ... 340

  10.2.1 团树中的变量消除 . 341

  10.2.2 团树校准 . 346

  10.2.3 将校准团树作为一个分布 . 352

  10.3 消息传递:置信更新 ... 355

  10.3.1 使用除法的消息传递 . 356

  10.3.2 和-积与置信-更新消息的等价性 .. 359

  10.3.3 回答查询 . 360

  10.4 构建一个团树 ... 364

  10.4.1 源自变量消除的团树 . 364

  10.4.2 源自弦图的团树 . 365

  10.5 小结 ... 367

  10.6 相关文献 ... 368

  10.7 习题 ... 369

  第 11章作为优化的推理 373

  11.1引言 ... 373

  11.1.1 再议精确推理 * ... 374

  11.1.2 能量泛函 . 376

  11.1.3 优化能量泛函 . 377

  11.2作为优化的精确推理 ... 378

  11.2.1 不动点刻画 . 379

  11.2.2 推理优化 . 382

  11.3基于传播的近似 ... 382

  11.3.1 一个简单的例子 . 383

  11.3.2 聚类图置信传播 . 387

  11.3.3 聚类图置信传播的性质 . 391

  11.3.4 收敛性分析 * ... 393

  11.3.5 构建聚类图 . 395

  11.3.6 变分分析 . 401

  11.3.7 其他熵近似 * ... 404

  11.3.8 讨论. 417

  11.4近似消息传播 *.. 419

  11.4.1 因子分解的消息 . 419

  11.4.2 近似消息计算 . 422

  11.4.3 近似消息推理 . 425

  11.4.4 期望传播 . 431

  11.4.5 变分分析 . 434

  11.4.6 讨论. 436

  11.5结构化的变分近似 ... 437

  11.5.1 平均场近似 . 438

  11.5.2 结构化的近似 . 445

  11.5.3 局部变分法 * ... 456

  11.6总结与讨论 ... 460

  11.7相关文献 ... 462

  11.8习题 ... 464

  第 12章基于粒子的近似推理 475

  12.1 前向采样 ... 476

  12.1.1 从贝叶斯网中采样 . 476

  12.1.2 误差分析 . 478

  12.1.3 条件概率查询 . 479

  12.2 似然加权与重要性采样 ... 480

  12.2.1 似然加权:直觉 . 480

  12.2.2 重要性采样 . 482

  12.2.3 贝叶斯网的重要性采样 . 486

  12.2.4 重要性采样回顾 . 492

  12.3 马尔可夫链的蒙特卡罗方法 ... 492

  12.3.1 吉布斯采样算法 . 493

  12.3.2 马尔可夫链 . 494

  12.3.3 吉布斯采样回顾 . 499

  12.3.4 马尔可夫链的一个更广泛的类 * ... 502

  12.3.5 马尔可夫链的使用 . 505

  12.4 坍塌的粒子 ... 512

  12.4.1 坍塌的似然加权 *... 513

  12.4.2 坍塌的 MCMC ... 517

  12.5 确定性搜索方法 * . 522

  12.6 小结 ... 525

  12.7 相关文献 ... 527

  12.8 习题 ... 529

  第 13章最大后验概率推理 537

  13.1 综述 ... 537

  13.1.1 计算复杂性 . 537

  13.1.2 解决方法综述 . 538

  13.2 (边缘) MAP的变量消除.. 540

  13.2.1 昀大-积变量消除 ... 540

  13.2.2 找到昀可能的赋值 . 542

  13.2.3 边缘 MAP的变量消除* 545

  13.3 团树中的昀大 -积.. 547

  13.3.1 计算昀大 -边缘 ... 548

  13.3.2 作为再参数化的信息传递 . 549

  13.3.3 昀大-边缘解码 ... 550

  13.4 多圈聚类图中的昀大 -积置信传播 .. 553

  13.4.1 标准昀大 -积消息传递 ... 553

  13.4.2 带有计数的昀大 -积 BP* 557

  13.4.3 讨论. 560

  13.5 作为线性优化问题的 MAP* 562

  13.5.1 整数规划的公式化 . 562

  13.5.2 线性规划松弛 . 564

  13.5.3 低温极限 . 566

  13.6 对 MAP使用图割. 572

  13.6.1 使用图割的推理 . 572

  13.6.2 非二元变量 . 575

  13.7 局部搜索算法 * . 579

  13.8 小结 ... 580

  13.9 相关文献 ... 582

  13.10习题 . 584

  第 14章混合网络中的推理 589

  14.1 引言 ... 589

  14.1.1 挑战. 589

  14.1.2 离散化 . 590

  14.1.3 概述. 591

  14.2 高斯网络中的变量消除 ... 592

  14.2.1 标准型 . 592

  14.2.2 和-积算法 ... 595

  14.2.3 高斯置信传播 . 596

  14.3 混合网络 ... 598

  14.3.1 面临的困难 . 599

  14.3.2 混合高斯网络的因子运算 . 601

  14.3.3 CLG网络的 EP .. 604

  14.3.4 一个“准确的” CLG算法* .. 609

  14.4 非线性依赖 ... 613

  14.4.1 线性化 . 614

  14.4.2 使用高斯近似的期望传播 . 620

  14.5 基于粒子的近似方法 ... 624

  14.5.1 在连续空间中采样 . 625

  14.5.2 贝叶斯网中的前向采样 . 626

  14.5.3 马尔可夫链 -蒙特卡罗方法 626

  14.5.4 坍塌的粒子 . 627

  14.5.5 非参数消息传递 . 628

  14.6 总结与讨论 ... 629

  14.7 相关文献 ... 630

  14.8 习题 ... 631

  第 15章时序模型中的推理 635

  15.1 推理任务 ... 636

  15.2 精确推理 ... 637

  15.2.1 状态观测模型的滤波 . 637

  15.2.2 作为团树传播的滤波 . 638

  15.2.3 DBN中的团树推理 ... 639

  15.2.4 复杂情况探讨 . 640

  15.3 近似推理 ... 644

  15.3.1 核心思想 . 645

  15.3.2 因子分解的置信状态方法 . 646

  15.3.3 粒子滤波 . 648

  15.3.4 确定性搜索方法 . 658

  15.4 混合 DBN.. 659

  15.4.1 连续模型 . 659

  15.4.2 混合模型 . 667

  15.5 小结 ... 671

  15.6 相关文献 ... 672

  15.7 习题 ... 674

  第 Ⅲ部分学习

  第 16章图模型学习:概述 681

  16.1 动机 ... 681

  16.2 学习目标 ... 682

  16.2.1 密度估计 . 682

  16.2.2 具体的预测任务 . 684

  16.2.3 知识发现 . 685

  16.3 优化学习 ... 686

  16.3.1 经验风险与过拟合 . 686

  16.3.2 判别式与生成式训练 . 693

  16.4 学习任务 ... 695

  16.4.1 模型限制 . 695

  16.4.2 数据的可观测性 . 696

  16.4.3 学习任务的分类 . 697

  16.5 相关文献 ... 698

  第 17章参数估计 699

  17.1 昀大似然估计( MLE) 699

  17.1.1 图钉的例子 . 699

  17.1.2 昀大似然准则 . 701

  17.2 贝叶斯网的 MLE.. 704

  17.2.1 一个简单的例子 . 704

  17.2.2 全局似然分解 . 706

  17.2.3 CPD表 707

  17.2.4 高斯贝叶斯网 *... 709

  17.2.5 作为 M-投影的昀大似然估计* . 713

  17.3 贝叶斯参数估计 ... 714

  17.3.1 图钉例子的回顾 . 714

  17.3.2 先验分布与后验分布 . 719

  17.4 贝叶斯网中的贝叶斯参数估计 ... 723

  17.4.1 参数独立性与全局分解 . 723

  17.4.2 局部分解 . 727

  17.4.3 贝叶斯网学习的先验分布 . 729

  17.4.4 MAP估计* . 732

  17.5 具有共享参数的学习模型 ... 735

  17.5.1 全局参数共享 . 736

  17.5.2 局部参数共享 . 741

  17.5.3 具有共享参数的贝叶斯推断 . 742

  17.5.4 层次先验 *... 744

  17.6 泛化分析 * . 750

  17.6.1 渐近性分析 . 750

  17.6.2 PAC界 751

  17.7 小结 ... 757

  17.8 相关文献 ... 758

  17.9 习题 ... 759

  第 18章贝叶斯网中的结构学习 767

  18.1 引言 ... 767

  18.1.1 问题定义 . 767

  18.1.2 方法概述 . 769

  18.2 基于约束的方法 ... 769

  18.2.1 总体框架 . 769

  18.2.2 独立性检验 . 771

  18.3 结构得分 ... 774

  18.3.1 似然得分 . 774

  18.3.2 贝叶斯得分 . 778

  18.3.3 单个变量的边缘似然 . 780

  18.3.4 贝叶斯网的贝叶斯得分 . 782

  18.3.5 理解贝叶斯得分 . 785

  18.3.6 先验性 . 787

  18.3.7 得分等价性 *... 790

  18.4 结构搜索 ... 791

  18.4.1 学习树结构网络 . 791

  18.4.2 给定顺序 . 793

  18.4.3 一般图 . 794

  18.4.4 用等价类学习 *... 804

  18.5 贝叶斯模型平均 * . 807

  18.5.1 基本理论 . 807

  18.5.2 基于给定序的模型平均 . 809

  18.5.3 一般的情况 . 811

  18.6 带有附加结构的学习模型 ... 815

  18.6.1 带有局部结构的学习 . 816

  18.6.2 学习模板模型 . 819

  18.7 总结与讨论 ... 821

  18.8 相关文献 ... 822

  18.9 习题 ... 825

  第 19章部分观测数据 833

  19.1 基础知识 ... 833

  19.1.1 数据的似然和观测模型 . 833

  19.1.2 观测机制的解耦 . 837

  19.1.3 似然函数 . 840

  19.1.4 可识别性 . 843

  19.2 参数估计 ... 846

  19.2.1 梯度上升方法 . 846

  19.2.2 期望昀大化( EM)... 852

  19.2.3 比较:梯度上升与 EM.. 870

  19.2.4 近似推理 *... 876

  19.3 使用不完备数据的贝叶斯学习 *.. 880

  19.3.1 概述. 880

  19.3.2 MCMC采样 ... 881

  19.3.3 变分贝叶斯学习 . 887

  19.4 结构学习 ... 890

  19.4.1 结构得分 . 891

  19.4.2 结构搜索 . 898

  19.4.3 结构 EM.. 902

  19.5 带有隐变量的学习模型 ... 907

  19.5.1 隐变量的信息内容 . 908

  19.5.2 确定基数 . 909

  19.5.3 引入隐变量 . 912

  19.6 小结 ... 914

  19.7 相关文献 ... 915

  19.8 习题 ... 917

  第 20章学习无向模型 927

  20.1 概述 ... 927

  20.2 似然函数 ... 928

  20.2.1 一个例子 . 928

  20.2.2 似然函数的形式 . 930

  20.2.3 似然函数的性质 . 930

  20.3 昀大(条件)似然参数估计 ... 932

  20.3.1 昀大似然估计 . 933

  20.3.2 条件训练模型 . 934

  20.3.3 用缺失数据学习 . 937

  20.3.4 昀大熵和昀大似然 *... 939

  20.4 参数先验与正则化 ... 941

  20.4.1 局部先验 . 942

  20.4.2 全局先验 . 944

  20.5 用近似推理学习 ... 945

  20.5.1 信念传播 . 945

  20.5.2 基于 MAP的学习* 950

  20.6 替代目标 ... 953

  20.6.1 伪似然及其推广 . 953

  20.6.2 对比优化准则 . 957

  20.7 结构学习 ... 962

  20.7.1 使用独立性检验的结构学习 . 962

  20.7.2 基于得分的学习:假设空间 . 964

  20.7.3 目标函数 . 965

  20.7.4 优化任务 . 968

  20.7.5 评估模型的改变 . 975

  20.8 小结 ... 978

  20.9 相关文献 ... 981

  20.10习题 . 984

  第 Ⅳ部分行为与决策

  第 21章因果关系 993

  21.1 动机与概述 ... 993

  21.1.1 条件作用与干预 . 993

  21.1.2 相关关系和因果关系 . 996

  21.2 因果关系模型 ... 998

  21.3 结构性因果关系的可识别性 . 1000

  21.3.1 查询简化规则 ... 1001

  21.3.2 迭代的查询简化 ... 1003

  21.4 机制与响应变量 * ... 1009

  21.5 函数因果模型中的部分可识别性 * 1013

  21.6 虚拟查询 * ... 1017

  21.6.1 成对的网络 ... 1017

  21.6.2 虚拟查询的界 ... 1020

  21.7 学习因果模型 . 1021

  21.7.1 学习没有混合因素的因果模型 ... 1022

  21.7.2 从干预数据中学习 ... 1025

  21.7.3 处理隐变量 *. 1029

  21.7.4 学习功能因果关系模型 *.. 1032

  21.8 小结 . 1033

  21.9 相关文献 . 1034

  21.10习题 ... 1035

  第 22章效用和决策 .. 1039

  22.1 基础:期望效用昀大化 . 1039

  22.1.1 不确定性情况下的决策制定 ... 1039

  22.1.2 理论证明 *. 1041

  22.2 效用曲线 . 1044

  22.2.1 货币效用 ... 1044

  22.2.2 风险态度 ... 1046

  22.2.3 合理性 ... 1047

  22.3 效用的获取 . 1048

  22.3.1 效用获取过程 ... 1048

  22.3.2 人类生命的效用 ... 1049

  22.4 复杂结果的效用 . 1050

  22.4.1 偏好和效用独立性 *. 1051

  22.4.2 加法独立性特性 ... 1053

  22.5 小结 . 1060

  22.6 相关文献 . 1061

  22.7 习题 . 1063

  第 23章结构化决策问题 .. 1065

  23.1 决策树 . 1065

  23.1.1 表示... 1065

  23.1.2 逆向归纳算法 ... 1067

  23.2 影响图 . 1068

  23.2.1 基本描述 ... 1068

  23.2.2 决策规则 ... 1070

  23.2.3时间与记忆 ... 1071

  23.2.4 语义与昀优性准则 ... 1072

  23.3 影响图的逆向归纳 . 1075

  23.3.1 影响图的决策树 ... 1075

  23.3.2 求和-昀大化-求和规则 1077

  23.4 期望效用的计算 . 1079

  23.4.1 简单的变量消除 ... 1079

  23.4.2 多个效用变量:简单的方法 ... 1080

  23.4.3 广义变量消除 *. 1081

  23.5 影响图中的昀优化 . 1086

  23.5.1 昀优化一个单一的决策规则 ... 1086

  23.5.2 迭代优化算法 ... 1087

  23.5.3 策略关联与全局昀优性 *. 1089

  23.6 忽略无关的信息 * ... 1097

  23.7 信息的价值 . 1100

  23.7.1 单一观察 ... 1100

  23.7.2 多重观察 ... 1103

  23.8 小结 . 1105

  23.9 相关文献 . 1106

  23.10习题 ... 1108

  第 24章结束语 .. 1113

  附录 A背景材料 1117

  A.1信息论 .. 1117

  A.1.1 压缩和熵 . 1117

  A.1.2 条件熵与信息 . 1119

  A.1.3 相对熵和分布距离 . 1120

  A.2收敛界 .. 1123

  A.2.1 中心极限定理 . 1124

  A.2.2 收敛界 . 1125

  A.3算法与算法复杂性 .. 1126

  A.3.1 基本图算法 .. 1126

  A.3.2 算法复杂性分析 .. 1127

  A.3.3 动态规划 .. 1129

  A.3.4 复杂性理论 .. 1130

  A.4组合优化与搜索 .. 1134

  A.4.1 优化问题 .. 1134

  A.4.2 局部搜索 .. 1134

  A.4.3 分支限界搜索 .. 1141

  A.5连续昀优化 .. 1142

  A.5.1 连续函数昀优解的刻画 .. 1142

  A.5.2 梯度上升方法 .. 1144

  A.5.3 约束优化 .. 1148

  A.5.4 凸对偶性 .. 1152

  参考文献 1155

  符号索引 1191

  主题索引 1195



 百度网盘 / Download(回复可见):
 The following hidden content members only. Join us 
游客,如果您要查看本帖隐藏内容请回复

 

 

楼 主 推 荐
jbsiR 发表于 2020-1-7 23:01:42 | 显示全部楼层
人之所以能,是相信能.
回复 支持 反对

使用道具 举报

chenzida 发表于 2020-1-12 02:01:08 | 显示全部楼层
试试看,应该是没问题的呢~.
回复 支持 反对

使用道具 举报

cSEp 发表于 2020-1-17 03:36:07 | 显示全部楼层
都是那么过来的.
回复 支持 反对

使用道具 举报

13982019857 发表于 2020-1-19 11:33:52 | 显示全部楼层
打酱油-顺便支持一下.
回复 支持 反对

使用道具 举报

天天想桑 发表于 2020-1-20 04:45:37 | 显示全部楼层
支持一下吧.
回复 支持 反对

使用道具 举报

GgTXvj 发表于 2020-1-21 07:30:12 | 显示全部楼层
希望可以用些时间了~````.
回复 支持 反对

使用道具 举报

kieekso 发表于 2020-1-21 18:03:57 | 显示全部楼层
好帖子不多啊.
回复 支持 反对

使用道具 举报

happyflyer 发表于 2020-1-22 22:28:04 | 显示全部楼层
不错不错,我喜欢.
回复 支持 反对

使用道具 举报

kuishetai 发表于 2020-1-24 16:01:53 | 显示全部楼层
说的不错.
回复 支持 反对

使用道具 举报

快速回复 收藏帖子 返回列表
加密...

Try it|SiteMap|奥学网

E-mail: [email protected]

Xtreme-aesthetic Design

© 2012~Now 6SO.SO

快速回复 返回顶部 返回列表