构建旋转变换矩阵对二维到高维空间的线段点进行旋转

羞儿2024-11-04 19:01

  • 问题：在二维空间中，假设你有一条线段，其一个端点固定在原点 (0, 0)，另一个端点的初始位置为 (x1,y1) 。现在这条线段绕原点旋转了 θ 度（以弧度为单位），需要计算旋转后另一个端点的新位置 (x2,y2) 。

  • 旋转后的坐标可以通过以下公式计算：

    • x 2 = x 1 c o s ( θ ) − y 1 s i n ( θ ) y 2 = x 1 s i n ( θ ) + y 1 c o n ( θ ) x_2=x_1cos(θ)−y_1sin(θ)\\ y_2=x_1sin(θ)+y_1con(θ) x2=x1cos(θ)−y1sin(θ)y2=x1sin(θ)+y1con(θ)

    • x1,y1 是初始位置的坐标。θ 是旋转的角度（以弧度为单位）。x2,y2 是旋转后的位置坐标。

    python 复制代码 
    import numpy as np
from matplotlib import pyplot as plt
import cv2
def rotate_point(x1, y1, theta):
    """
    旋转一个点 (x1, y1) 绕原点 (0, 0) 旋转 theta 弧度。
    参数: x1, y1: 初始点的坐标。theta: 旋转角度（以弧度为单位）。
    返回: x2, y2: 旋转后点的坐标。
    """
    # 将角度转换为弧度
    theta_rad = np.radians(theta)
    x2 = x1 * np.cos(theta_rad) - y1 * np.sin(theta_rad)
    y2 = x1 * np.sin(theta_rad) + y1 * np.cos(theta_rad)
    # print("np.cos(theta_rad) , np.sin(theta_rad)",np.cos(theta_rad),np.sin(theta_rad))
    # print("np.sin(theta_rad) , np.cos(theta_rad)",np.sin(theta_rad),np.cos(theta_rad))
    return x2, y2
def rotate_points(points, theta):
    """
    批量旋转多个点，参数 points 是二维数组，每一行表示一个点的坐标。
    参数 theta 是旋转角度（以弧度为单位）。
    返回值是旋转后的坐标。
    """
    x1, y1 = points.T
    x2, y2 = rotate_point(x1, y1, theta)
    return np.vstack((x2, y2)).T
def rotate_point_by_warpAffine(x1, y1, theta):
    """
    利用 OpenCV 的 warpAffine 函数实现旋转一个点。
    参数: x1, y1: 初始点的坐标。theta: 旋转角度（以弧度为单位）。
    返回: x2, y2: 旋转后点的坐标。
    """
    bg_width = 400
    bg_height = 600
    background = np.zeros((bg_height, bg_width, 3), dtype=np.uint8)
    background.fill(255)  # 填充为白色
    cv2.circle(background, (int(bg_width / 2), int(bg_height / 2)), 5, (0, 0, 0), -1)  # 黑色圆点
    cv2.putText(background, f'center: (0, 0)', (int(bg_width / 2), int(bg_height / 2)),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 1)  # 黑色坐标
    normalize_factor = np.sqrt(x1*x1 + y1*y1)
    x1 = np.intp((x1/normalize_factor)* 200)+bg_width/2
    y1 = np.intp((y1/normalize_factor)* 200)+bg_height/2
    print("x1,y1",x1,y1)
    # 在背景上绘制初始点
    cv2.circle(background, (int(x1), int(y1)), 5, (0, 0, 255), -1)  # 红色点
    cv2.putText(background, f'rotated', (int(x1), int(y1)), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 255), 1)  # 红色坐标
    cv2.line(background, (0, int(bg_height/2)), (bg_width, int(bg_height/2)), (0, 0, 0), 1)
    cv2.line(background, (int(bg_width/2), 0), (int(bg_width/2), bg_height), (0, 0, 0), 1)
    M = cv2.getRotationMatrix2D((bg_width / 2, bg_height / 2), theta, 1)  # 旋转中心, 旋转角度, 缩放比例
    # 应用旋转矩阵
    rotated_image = cv2.warpAffine(background, M, (bg_width, bg_height))   # opencv 与 numpy 坐标系不同，需要调整
    # 在旋转后的图像上绘制旋转后的点
    cv2.circle(rotated_image, (int(x1), int(y1)), 5, (0, 255, 0), -1)  # 绿色点
    cv2.putText(rotated_image, f'original: ({x1-bg_width/2}, {y1-bg_height/2})', (int(x1), int(y1)), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 255, 0), 1)  # 绿色坐标
    # 显示图像
    cv2.imshow('Rotated Point', rotated_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
def plot_rotation(x1, y1, x2, y2, theta_degrees):
    """
    绘制初始点和旋转后的点，并显示旋转角度。
    参数:x1, y1: 初始点的坐标。x2, y2: 旋转后点的坐标。 theta_degrees: 旋转角度（以度为单位）。
    """
    fig, ax = plt.subplots()
    # 绘制初始点
    ax.plot(x1, y1, 'ro', label='Initial Point')
    ax.text(x1, y1, f'({x1}, {y1})', fontsize=12, ha='right')
    # 绘制旋转后的点
    ax.plot(x2, y2, 'bo', label='Rotated Point')
    ax.text(x2, y2, f'({x2:.2f}, {y2:.2f})', fontsize=12, ha='left')
    # 绘制连接线
    ax.plot([0, x1], [0, y1], 'r--', label='Initial Line')
    ax.plot([0, x2], [0, y2], 'b--', label='Rotated Line')
    # 设置标题和标签
    ax.set_title(f'Rotation by {theta_degrees} degrees')
    ax.set_xlabel('X-axis')
    ax.set_ylabel('Y-axis')
    # 添加图例
    ax.legend()
    # 设置轴比例一致
    ax.set_aspect('equal', adjustable='box')
    # 显示图形
    plt.grid(True)
    plt.axhline(0, color='black', linewidth=0.5)
    plt.axvline(0, color='black', linewidth=0.5)
    plt.show()
if __name__ == '__main__':
    # 示例
    x1, y1 = 3, 4  # 初始点的坐标
    theta_degrees = 45  # 旋转角度（以度为单位）

    # 计算旋转后的坐标
    x2, y2 = rotate_point(x1, y1, theta_degrees)
    # 绘制图形
    plot_rotation(x1, y1, x2, y2, theta_degrees)

    # 利用 OpenCV 的 warpAffine 函数实现旋转,通过旋转坐标系实现旋转
    rotate_point_by_warpAffine(x1, y1, theta_degrees)
    • 如果需要处理多个点的旋转，可以使用向量化操作来提高效率。例如，如果你有多个点，可以将它们存储在一个数组中，并一次性进行旋转计算。

  • cv2.warpAffine() 是 OpenCV 库中的一个函数，用于执行二维仿射变换。仿射变换是一种线性变换，可以包括平移、旋转、缩放和剪切操作。这个函数在图像处理中非常有用，可以用来对图像进行几何变换。仿射变换的原理仿射变换可以用以下公式表示：

    • ( x ′ y ′ ) = A ( x y ) + b \begin{pmatrix} x' \\ y' \end{pmatrix} = A \begin{pmatrix} x \\ y \end{pmatrix} + b (x′y′)=A(xy)+b

    • 其中：( (x, y) ) 是原图像中的点。( (x', y') ) 是变换后图像中的点。( A ) 是一个 2x2 的矩阵，表示线性变换（旋转、缩放、剪切）。( b ) 是一个 2x1 的向量，表示平移。

  • 具体来说，仿射变换可以写成：

    • ( x ′ y ′ ) = ( a 11 a 12 a 21 a 22 ) ( x y ) + ( b 1 b 2 ) \begin{pmatrix} x' \\ y' \end{pmatrix} = \begin{pmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{pmatrix} \begin{pmatrix} x \\ y \end{pmatrix} + \begin{pmatrix} b_1 \\ b_2 \end{pmatrix} (x′y′)=(a11a21a12a22)(xy)+(b1b2)

    • 在 OpenCV 中，仿射变换矩阵通常表示为一个 2x3 的矩阵：

    • M = ( a 11 a 12 b 1 a 21 a 22 b 2 ) M = \begin{pmatrix} a_{11} & a_{12} & b_1 \\ a_{21} & a_{22} & b_2 \end{pmatrix} M=(a11a21a12a22b1b2)

  • cv2.warpAffine() 函数解析，cv2.warpAffine() 函数的基本语法如下：

    python 复制代码 
    cv2.warpAffine(src, M, dsize, dst=None, flags=cv2.INTER_LINEAR, borderMode=None, borderValue=None)

    • 参数说明：

    • src：输入图像。

    • M：2x3 的仿射变换矩阵。

    • dsize：输出图像的大小 (width, height)。

    • dst：可选参数，输出图像。

    • flags：插值方法，默认为 cv2.INTER_LINEAR（双线性插值）。其他选项包括 cv2.INTER_NEAREST（最近邻插值）、cv2.INTER_CUBIC（三次样条插值）等。

    • borderMode：边界填充模式，默认为 cv2.BORDER_CONSTANT。其他选项包括 cv2.BORDER_REFLECT、cv2.BORDER_WRAP 等。

    • borderValue：当 borderMode 为 cv2.BORDER_CONSTANT 时使用的常数值。

  • 下面是一些常见的仿射变换示例，包括平移、旋转和缩放。

    python 复制代码 
    import cv2
import numpy as np
# 读取图像
image = cv2.imread("./image.jpg")
# 定义平移矩阵
tx, ty = 50, 30  # 水平和垂直方向的平移量
M = np.float32([[1, 0, tx], [0, 1, ty]])
# 执行仿射变换
translated_image = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))
# 显示结果
cv2.imshow("Translated Image", translated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
      1. 旋转
    python 复制代码 
    import cv2
import numpy as np
# 读取图像
image = cv2.imread("./image.jpg")
# 定义旋转角度
angle = 45  # 旋转角度
center = (image.shape[1] // 2, image.shape[0] // 2)  # 旋转中心
scale = 1.0  # 缩放比例
# 计算旋转矩阵
M = cv2.getRotationMatrix2D(center, angle, scale)
# 执行仿射变换
rotated_image = cv2.warpAffine(image, M, (image.shape[1], image.shape[0]))
# 显示结果
cv2.imshow("Rotated Image", rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
      1. 缩放
    python 复制代码 
    import cv2
import numpy as np
# 读取图像
image = cv2.imread("./image.jpg")
# 定义缩放因子
scale_x, scale_y = 1.5, 1.5  # 水平和垂直方向的缩放因子
M = np.float32([[scale_x, 0, 0], [0, scale_y, 0]])
# 计算输出图像的大小
new_width = int(image.shape[1] * scale_x)
new_height = int(image.shape[0] * scale_y)
# 执行仿射变换
scaled_image = cv2.warpAffine(image, M, (new_width, new_height))
# 显示结果
cv2.imshow("Scaled Image", scaled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

  • 仿射变换 包括平移、旋转、缩放和剪切操作。可以通过定义不同的变换矩阵来实现平移、旋转和缩放等操作。

  • 仿射变换矩阵 是一个 2x3 的矩阵，表示线性变换和平移。

  • cv2.warpAffine() 函数用于执行仿射变换，需要输入图像、变换矩阵和输出图像的大小。

  • 在更高维度的空间中进行旋转操作，可以使用旋转矩阵或四元数等方法。对于三维以上的空间，旋转通常涉及多个轴的组合。这里我们将介绍如何在高维空间中进行旋转，并提供相应的 Python 代码示例。高维空间中的旋转

    • 在高维空间中，旋转可以通过多个低维旋转的组合来实现。具体来说，你可以通过将旋转分解为多个二维平面上的旋转来处理。例如，在四维空间中，你可以在 xy 平面、xz 平面、xw 平面等上分别进行旋转。

    • 计算公式：假设我们有一个 n 维空间中的点 $ (\mathbf{p} = (p_1, p_2, \ldots, p_n))$，并且我们希望绕某个平面（例如 xy 平面）旋转角度 ( θ ) (\theta) (θ)。我们可以使用以下公式：

    • [ R i j ( θ ) = I + ( cos ⁡ ( θ ) − 1 ) ( e i e i T + e j e j T ) + sin ⁡ ( θ ) ( e i e j T − e j e i T ) ] [ R_{ij}(\theta) = I + (\cos(\theta) - 1)(\mathbf{e}_i \mathbf{e}_i^T + \mathbf{e}_j \mathbf{e}_j^T) + \sin(\theta)(\mathbf{e}_i \mathbf{e}_j^T - \mathbf{e}_j \mathbf{e}_i^T) ] [Rij(θ)=I+(cos(θ)−1)(eieiT+ejejT)+sin(θ)(eiejT−ejeiT)]

    • 其中：(I) 是单位矩阵。

    • $(\mathbf{e}_i) 和 (\mathbf{e}_j) $是标准基向量。

    • $(\mathbf{e}_i \mathbf{e}_i^T) 和 (\mathbf{e}_j \mathbf{e}_j^T) $是外积。

    • ( e i e j T − e j e i T ) (\mathbf{e}_i \mathbf{e}_j^T - \mathbf{e}_j \mathbf{e}_i^T) (eiejT−ejeiT)是叉积。

  • 下面是一个示例代码，展示了如何在四维空间中绕不同的平面旋转一个点，并计算旋转后的新位置。

    python 复制代码 
    import numpy as np
def rotation_matrix(n, i, j, theta):
    """生成绕指定平面旋转的旋转矩阵。
    参数:
    n: 空间的维度。
    i, j: 旋转平面的两个轴索引（0-based）。
    theta: 旋转角度（以弧度为单位）。
    返回:
    旋转矩阵。
    """
    # 创建单位矩阵
    R = np.eye(n)
    # 计算旋转矩阵
    R[i, i] = np.cos(theta)
    R[j, j] = np.cos(theta)
    R[i, j] = -np.sin(theta)
    R[j, i] = np.sin(theta)
    return R
def rotate_point(point, i, j, theta):
    """ 旋转一个点绕指定平面旋转。
    参数:
    point: 初始点的坐标 (p1, p2, ..., pn)。
    i, j: 旋转平面的两个轴索引（0-based）。
    theta: 旋转角度（以弧度为单位）。
    返回: 旋转后点的坐标 (p1', p2', ..., pn')。
    """
    # 将点转换为列向量
    point_vector = np.array(point).reshape(-1, 1)
    # 生成旋转矩阵
    R = rotation_matrix(len(point), i, j, theta)
    # 应用旋转矩阵
    rotated_point_vector = np.dot(R, point_vector)
    # 将结果转换回行向量
    rotated_point = rotated_point_vector.flatten()
    return rotated_point
# 示例
point = (1, 2, 3, 4)  # 初始点的坐标
i, j = 0, 1  # 旋转平面：xy 平面
theta_degrees = 45  # 旋转角度（以度为单位）
# 将角度转换为弧度
theta_rad = np.radians(theta_degrees)
# 计算旋转后的新位置
rotated_point = rotate_point(point, i, j, theta_rad)
print(f"初始坐标: {point}")
print(f"旋转平面: ({i}, {j})")
print(f"旋转角度: {theta_degrees} 度")
print(f"旋转后坐标: {rotated_point}")

    • rotation_matrix 函数根据指定的平面生成旋转矩阵。

    • rotate_point 函数使用旋转矩阵将点旋转到新的位置。

    • 在示例中，我们定义了一个四维点 (1, 2, 3, 4)，绕 xy 平面旋转 45 度，并计算旋转后的新位置。

  • 复合旋转

    • 如果你需要在多个平面上进行复合旋转，可以依次应用多个旋转矩阵。例如，在四维空间中，你可以先绕 xy 平面旋转，再绕 xz 平面旋转。

    python 复制代码 
    # 示例
point = (1, 2, 3, 4)  # 初始点的坐标
theta_degrees = 45  # 旋转角度（以度为单位）
theta_rad = np.radians(theta_degrees)
# 绕 xy 平面旋转
rotated_point_xy = rotate_point(point, 0, 1, theta_rad)
# 绕 xz 平面旋转
rotated_point_xz = rotate_point(rotated_point_xy, 0, 2, theta_rad)
print(f"初始坐标: {point}")
print(f"旋转角度: {theta_degrees} 度")
print(f"绕 xy 平面旋转后的坐标: {rotated_point_xy}")
print(f"再绕 xz 平面旋转后的坐标: {rotated_point_xz}")

  • 旋转矩阵 ：在高维空间中，旋转可以通过多个低维旋转的组合来实现。每个旋转矩阵对应于一个二维平面的旋转。

  • Python 实现：通过定义旋转矩阵并应用这些矩阵，可以实现高维空间中的旋转操作。

  • 复合旋转：如果需要在多个平面上进行旋转，可以依次应用多个旋转矩阵。这种方法可以扩展到任意维度的空间，并且可以灵活地处理复杂的旋转操作。

  • 旋转注意点

    • 都是逆时针，角度为正时。
    • 角度单位 ：cv2.getRotationMatrix2D 角度为度，三角函数计算偏移矩阵为弧度制
    • 注意通道维度变换 PIL CV2 torch tensorflow

  • 在使用如PIL (Pillow), OpenCV (cv2), PyTorch, 和 TensorFlow 这样的库处理图像时，理解通道维度的定义是非常重要的。这些库对于图像通道的默认处理方式有所不同，可以对各个工具如何处理图像通道的一般性说明：

    • PIL (Pillow)，读取图像：PIL 默认以 RGB 模式读取图像，除非特别指定了其他模式（例如灰度模式）。因此，图像的数据形状通常是 (height, width, 3) 对于彩色图像。通道顺序：R, G, B。

    • OpenCV (cv2)，读取图像：OpenCV 默认以 BGR 模式读取图像。这意味着图像数据形状同样是 (height, width, 3)，但是颜色通道的顺序与 PIL 不同。通道顺序：B, G, R。如果需要将图像转换为RGB模式，可以使用 cv2.cvtColor(image, cv2.COLOR_BGR2RGB)。

    • PyTorch，处理图像：PyTorch 中通常期望图像数据格式为 [batch, channels, height, width]。因此，在使用 PyTorch 处理图像之前，可能需要调整图像的维度顺序。示例：如果原始图像是 (height, width, 3) 形状的 numpy 数组，则可以通过 image.transpose((2, 0, 1)) 转换为 (3, height, width) 的形式，然后作为张量输入到模型中。通道顺序：当从numpy数组创建张量时，应确保通道顺序符合预期，通常为 R, G, B。

      python 复制代码 
      import torch
import numpy as np
from PIL import Image
# 读取图像
image = Image.open("image.jpg")
image_np = np.array(image)
# 转换为 PyTorch 张量，并调整维度顺序
image_tensor = torch.from_numpy(image_np).permute(2, 0, 1).float() / 255.0
print("Image shape (PyTorch):", image_tensor.shape)  # 输出: (3, height, width)
# 如果需要批量处理
batch_image_tensor = image_tensor.unsqueeze(0)  # 增加 batch 维度
print("Batch image shape (PyTorch):", batch_image_tensor.shape)  # 输出: (1, 3, height, width)

    • TensorFlow / Keras，处理图像：TensorFlow 或 Keras 一般采用 [batch, height, width, channels] 的格式。这与 PyTorch 的默认格式相反。示例：直接加载的图像已经是 (height, width, 3) 形状，可以直接使用。通道顺序：R, G, B。如果是通过 OpenCV 加载的图像，则需要先转换为 RGB 模式。

      python 复制代码 
      import tensorflow as tf
import numpy as np
from PIL import Image
# 读取图像
image = Image.open("image.jpg")
image_np = np.array(image)
# 转换为 TensorFlow 张量
image_tensor = tf.convert_to_tensor(image_np, dtype=tf.float32) / 255.0
print("Image shape (TensorFlow):", image_tensor.shape)  # 输出: (height, width, 3)
# 如果需要批量处理
batch_image_tensor = tf.expand_dims(image_tensor, axis=0)  # 增加 batch 维度
print("Batch image shape (TensorFlow):", batch_image_tensor.shape)  # 输出: (1, height, width, 3)

    • Scikit-image: 使用类似于 PIL 的 RGB 顺序，并且图像通常表示为 (height, width, 3)。

    • ImageMagick: 可以灵活地处理多种颜色空间，但默认情况下也倾向于使用 RGB 顺序。

    • Dlib: 主要用于人脸检测等任务，对图像的颜色空间支持较为灵活，但同样最常见的是 RGB 顺序。

  • 如果想从 OpenCV 读取图像并希望将其转换为 PyTorch 或 TensorFlow 格式，可以按照以下步骤进行：

    python 复制代码 
    import cv2
import torch
import numpy as np
# 读取图像
image = cv2.imread("image.png")
print("Image shape (OpenCV):", image.shape)  # 输出: (height, width, 3)
# 将 BGR 转换为 RGB
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 转换为 PyTorch 张量，并调整维度顺序
image_tensor = torch.from_numpy(image_rgb).permute(2, 0, 1).float() / 255.0
print("Image shape (OpenCV to PyTorch):", image_tensor.shape)  # 输出: (3, height, width)
# 如果需要批量处理
batch_image_tensor = image_tensor.unsqueeze(0)  # 增加 batch 维度
print("Batch image shape (OpenCV to PyTorch):", batch_image_tensor.shape)  # 输出: (1, 3, height, width)

    • 从 OpenCV 到 TensorFlow

    python 复制代码 
    import cv2
import tensorflow as tf
import numpy as np
# 读取图像
image = cv2.imread("image.jpg")
# 将 BGR 转换为 RGB
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 转换为 TensorFlow 张量
image_tensor = tf.convert_to_tensor(image_rgb, dtype=tf.float32) / 255.0
print("Image shape (OpenCV to TensorFlow):", image_tensor.shape)  # 输出: (height, width, 3)
# 如果需要批量处理
batch_image_tensor = tf.expand_dims(image_tensor, axis=0)  # 增加 batch 维度
print("Batch image shape (OpenCV to TensorFlow):", batch_image_tensor.shape)  # 输出: (1, height, width, 3)
相关推荐
sp_fyf_202429 分钟前
【大语言模型】ACL2024论文-35 WAV2GLOSS：从语音生成插值注解文本
人工智能·深度学习·神经网络·机器学习·语言模型·自然语言处理·数据挖掘
AITIME论道29 分钟前
论文解读 | EMNLP2024 一种用于大语言模型版本更新的学习率路径切换训练范式
人工智能·深度学习·学习·机器学习·语言模型
明明真系叻1 小时前
第二十六周机器学习笔记：PINN求正反解求PDE文献阅读——正问题
人工智能·笔记·深度学习·机器学习·1024程序员节
88号技师3 小时前
2024年12月一区SCI-加权平均优化算法Weighted average algorithm-附Matlab免费代码
人工智能·算法·matlab·优化算法
IT猿手3 小时前
多目标应用（一）：多目标麋鹿优化算法（MOEHO）求解10个工程应用，提供完整MATLAB代码
开发语言·人工智能·算法·机器学习·matlab
88号技师3 小时前
几款性能优秀的差分进化算法DE（SaDE、JADE，SHADE，LSHADE、LSHADE_SPACMA、LSHADE_EpSin）-附Matlab免费代码
开发语言·人工智能·算法·matlab·优化算法
2301_764441333 小时前
基于python语音启动电脑应用程序
人工智能·语音识别
HyperAI超神经3 小时前
未来具身智能的触觉革命！TactEdge传感器让机器人具备精细触觉感知，实现织物缺陷检测、灵巧操作控制
人工智能·深度学习·机器人·触觉传感器·中国地质大学·机器人智能感知·具身触觉
galileo20164 小时前
转化为MarkDown
人工智能
说私域4 小时前
私域电商逆袭密码：AI 智能名片小程序与商城系统如何梦幻联动
人工智能·小程序
热门推荐
01电赛2024年H题智能小车基于MSPM0G3507主控MCU（利用8路灰度加上MPU6050的解决方式）具体项目报告02Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO03玄机平台应急响应—webshell查杀04大模型国产化适配7-华为昇腾LLM落地可选解决方案（MindFormers、ModelLink、MindIE）05组基轨迹建模 GBTM的介绍与实现（Stata 或 R）06支付宝短视频平台创作分成激励项目07STM32 无法烧录08【一文读懂】NTN（非地面网络）技术介绍09优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间10怎么找小红书美食探店博主合作？