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
-
拿铁家具(拿铁家具潍坊 *** ) - 鸿海伟业生活资讯网
-
云闪付怎么解绑银行卡(手机丢了云闪付怎么解绑银行卡) - 鸿海伟业生活资讯网
-
厨房用电热水器 - 鸿海伟业生活资讯网
-
私密影视 - 鸿海伟业生活资讯网
-
临时身份证有效期 - 鸿海伟业生活资讯网
-
一度电可以用多久 - 鸿海伟业生活资讯网
-
酸枝木是红木吗(酸枝木是红木吗百度) - 鸿海伟业生活资讯网
-
切糕做法 - 鸿海伟业生活资讯网
-
第三卫生间是什么意思 - 鸿海伟业生活资讯网
-
白鸽岛尚(白鸽岛尚户型图) - 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维姆巴佩染红 法国杯巴黎点球7-8雷恩无缘5连冠下辖地区今天天气
✎生活在别处:感受大西洋海岸的葡国风情周边地区今天天气
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
- 租房扣税 - 鸿海伟业生活资讯网
- 成都污水处理 - 鸿海伟业生活资讯网
- 服务商排行榜(服务品牌排行榜) - 鸿海伟业生活资讯网
- 食堂餐桌餐椅(食堂餐桌餐椅高度) - 鸿海伟业生活资讯网
- 抖音热歌排行榜(抖音热歌排行榜最新) - 鸿海伟业生活资讯网
- 验资是什么意思 - 鸿海伟业生活资讯网
- 教师资格证体检表(教师资格证体检表申请资格种类怎么写) - 鸿海伟业生活资讯网
- 12306退票手续费 - 鸿海伟业生活资讯网
- 成都蔬菜配送 - 鸿海伟业生活资讯网
- 教资认定时间(教资认定时间有没有时间限制) - 鸿海伟业生活资讯网
- 茶叶十大品牌 - 鸿海伟业生活资讯网
- 临时身份证有效期 - 鸿海伟业生活资讯网
- 普通话等级考试成绩查询 - 鸿海伟业生活资讯网
- 怎么分左右(耳机怎么分左右) - 鸿海伟业生活资讯网
- 香城中学 - 鸿海伟业生活资讯网
- 精装修的房子都包括什么 - 鸿海伟业生活资讯网
- 军校录取分数线(2022年山东省军校录取分数线) - 鸿海伟业生活资讯网
- 眼镜材质(眼镜材质有哪些) - 鸿海伟业生活资讯网
- 产品排行榜(冬季热销产品排行榜) - 鸿海伟业生活资讯网
- 驾驶证更换流程(深圳驾驶证更换流程) - 鸿海伟业生活资讯网
- 马来西亚大学排名 - 鸿海伟业生活资讯网
- 执行人信息查询网(执行人信息查询网案件页面不存在) - 鸿海伟业生活资讯网
- 深圳驾校排名(深圳的驾校排名) - 鸿海伟业生活资讯网
- 日文之字怎么打(日文之字怎么写) - 鸿海伟业生活资讯网
- 九寨沟风光(九寨沟风光令人醉歌词) - 鸿海伟业生活资讯网
- dn与de的区别(DN与De的区别) - 鸿海伟业生活资讯网
- 川大望江校区 - 鸿海伟业生活资讯网
- 白云石粉 - 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
- 海椒市(海椒市串串香加盟) - 鸿海伟业生活资讯网
- 九寨旅游(九寨旅游说说) - 鸿海伟业生活资讯网
- 云顶山风景区(同安云顶山风景区) - 鸿海伟业生活资讯网
- 西安十大美食排名(西安十大美食排名之一) - 鸿海伟业生活资讯网
- 花湖攻略(花湖路线图) - 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
- 摩托车驾驶证报名 - 鸿海伟业生活资讯网
- 黑龙江一本线(黑龙江一本线分数线2022) - 鸿海伟业生活资讯网
- 彭州地图 - 鸿海伟业生活资讯网
- 上证50股票名单(上证50的股票名单) - 鸿海伟业生活资讯网
- 成都国税(成都国税局) - 鸿海伟业生活资讯网
- 和平街派出所(和平街派出所民警照片) - 鸿海伟业生活资讯网
- 吸塑柜门 - 鸿海伟业生活资讯网
- 红橡木家具(红橡木家具价格及图片) - 鸿海伟业生活资讯网
- 金玉良缘演员表(金玉良缘演员表阿福) - 鸿海伟业生活资讯网
- 四合院北京 - 鸿海伟业生活资讯网
- 公积金消费贷 - 鸿海伟业生活资讯网
- 重庆自考办(重庆自考办在哪里) - 鸿海伟业生活资讯网
- 雅漾祛痘 - 鸿海伟业生活资讯网
- 失业多久可以领取失业金 - 鸿海伟业生活资讯网
- 仿古砖优缺点 - 鸿海伟业生活资讯网
- 焦作租房网 - 鸿海伟业生活资讯网
- 弱电和强电的区别 - 鸿海伟业生活资讯网
- 车过户 - 鸿海伟业生活资讯网
- 粉色沙滩(粉色沙滩文案) - 鸿海伟业生活资讯网
- 一生必去的中国50个最美地方(一生必去的中国50个最美地方名单) - 鸿海伟业生活资讯网
- 川艺(川艺门业有限公司) - 鸿海伟业生活资讯网
- 国内旅游去哪里好 - 鸿海伟业生活资讯网
- au软件(au软件免费版如何安装的) - 鸿海伟业生活资讯网
- 依恋男装(依恋男装最强品牌) - 鸿海伟业生活资讯网
- 容声冰箱好不好(容声冰箱好不好用) - 鸿海伟业生活资讯网
今日生活指数
天气资讯
![安徽大学全国排名 - 鸿海伟业生活资讯网]( http://42e5d.sims-foundation.org/images/23532.jpg)
![电影院最新上映电影(绍兴电影院最新上映电影) - 鸿海伟业生活资讯网]( http://42e5d.sims-foundation.org/images/405677.jpg)
![公积金余额 - 鸿海伟业生活资讯网]( http://42e5d.sims-foundation.org/images/675698.jpg)
![au软件 - 鸿海伟业生活资讯网]( http://42e5d.sims-foundation.org/images/737545.jpg)
![行车证(行车证照片大小尺寸) - 鸿海伟业生活资讯网]( http://42e5d.sims-foundation.org/images/713648.jpg)
气温排行榜
- 高温
- 低温
排名 | 城市 | 今天气温 |
1 | 网易公布2018年第三季度财报佩德罗独造四球 切尔西总分5-3斯拉维亚晋级 | 23~26 ° |
2 | 天秤座:我不接受你的抱歉和离别全方位空气净化器,8分钟净化一室阴霾 | 23~25 ° |
3 | 西安交大师生歌唱祖国NBA-雄鹿大胜绿军 字母哥上篮如腾云驾雾 | 23~25 ° |
4 | 大师们耗尽心血打造的一流建筑 竟都是失败之作美国一大学突发多起枪击事件 已致2死4伤 | 23~25 ° |
5 | 油耗6L 更完美MPV混动奥德赛22.98万起马蜂窝刚被监管部门约谈又陷裁员风波 上市之梦再次搁浅? | 23~25 ° |
6 | 苏爆!来听狐友国民校草陈鹏的"低音炮"一汽夏利牵手南京博郡 合资打造新能源汽车 | 23~25 ° |
7 | “亲爱的,我错了。”“哪儿错了?”一季度房企销售回暖 高投资能否持续? | 20~25 ° |
8 | 美国学霸是怎样炼成的靠下半身把妹!这个男人是所有男人的偶像! | 20~25 ° |
9 | 网易网站相关资质证明“五一”小长假怎么过?收下这份玩乐指南 | 17~25 ° |
10 | 前11个月国企利润同比增长15.6%95后乡村教师刘畅:课堂上我是一名新手教师,课堂外我... | 12~25 ° |
1 | 美核轰炸机事故共造成14枚氢弹坠落,一枚差点启爆他从小惧怕女人,却火到让全韩女生尖叫,崔康熙曾为他泪流满面 | -24~-12 ° |
2 | 原配捉奸反被告,现在"老王"这么牛?学生怒了!大专读了3年只能拿中专学历 | -24~-9 ° |
3 | 在线观看:《乱世佳人》群星试镜小米怼OPPO DC调光效果烂:与米9高下立判 | -23~-12 ° |
4 | 75所高校公布今年财务预算 清华预算逾297亿居首美军测试定向能武器 击落数架无人机 | -23~-8 ° |
5 | 华为芯片研发能不能赶上苹果,日企都看在眼里张国华:中国广告人需关注创意和内容 | -20~-8 ° |
6 | 标普再创历史新高 美国或推2万亿美元基建计划"鼻子"大看起来很嚣张 宝马全新7系将上市 | -20~-8 ° |
7 | 怎样理解文明交流互鉴大专读3年被告知只能拿中专学历 这学校学生怒了 | -20~-5 ° |
8 | 新iPhone XR或采用类似iPhone XI的三角后摄给你的生活来点颜色,限时9折! | -19~-10 ° |
9 | 长期有症状小心脑溢血工地挖出3000多枚炸弹 专家:抗战遗留物 | -18~-12 ° |
10 | 在线观看:奥黛丽·赫本与梅尔·费勒的婚礼李泽楷港姐女友亿元豪宅曝光 | -18~-10 ° |
空气质量排行榜
- 最优
- 最差
排名 | 城市 | 今天空气 |
1 | 曼联名宿:博格巴总幻想自己世界最佳 需有人敲打他孙楠夫妇为孩子搬到三线小城 住100㎡房用旧家具 | 7优 |
2 | 《天上再见》上映曝口碑特辑 还原战后众生相德仁天皇即位首次发表讲话 日本开启令和时代 | 7优 |
3 | 心相通,创未来:习近平总书记的"一带一路"时间为何你宁愿吃生活的苦,也不愿吃学习的苦? | 7优 |
4 | 20岁后做什么,未来10年能够受益匪浅?"特斯拉自燃"五问:纯电动商用车是不是安全 | 7优 |
5 | 曼联名宿:博格巴总幻想自己世界最佳 需有人敲打他雷军没"输" 董明珠也没"赢" | 7优 |
6 | "一只眼"哈登拼尽全力 难敌死亡五小没有一个废柴,能拒绝这位发明家 | 7优 |
7 | 红场胜利日阅兵式首次彩排 130件武器亮相浙闽之间:这片属于浙江最偏荒的山水 | 7优 |
8 | 年轻人为何也成为心梗“目标”?不想猝死,4个信号要留意处女座闺蜜用网红单品搭出时髦家 全屋雪白美极了 | 7优 |
9 | 闹闹女巫店十二星座2019年5月运势江疏影素颜亮相皮肤白皙 与粉丝热聊露灿笑 | 7优 |
10 | 意甲-一个拉神不够!尤文再祭出免签神功 马塔或来投今天,致每一双辛勤的双手! | 7优 |
1 | 女子欲和同事组队辞职遭放鸽子 对方申请五一加班她的私生活 | 明明是饭圈迷妹百科,竟该死的甜美! | 381严重 |
2 | 谈兵 | 伊朗无人机为何能贴脸拍美国航母?乔治:我爱LA 喜欢和LBJ一起打球 | 324严重 |
3 | “玻璃女孩”走进课堂交流 学生感叹:被打醒了重磅!人民币出新款了!怎么分真假 | 273重度 |
4 | 靠脸上位,是对他最大的羞辱同样是背锅,为何李鸿章渐渐被洗白,而秦桧却难洗白 | 270重度 |
5 | 不懂人情世故的人有多惨“五一”期间开展巡查 香港打击不良商铺防“宰客” | 269重度 |
6 | 和黄金荣争女人的卢小嘉,曾经囚禁黄金荣,他最后下场如何欧冠-C罗破门 尤文1-2阿贾克斯无缘四强 | 257重度 |
7 | SUV比轿车隔音?中国消费者汽车驾乘指数测评结果他笔下的女孩肖像360°无死角 | 256重度 |
8 | 时隔17年 赵本山被曝与范伟聚首出演《刘老根3》卡帅:现在不当国足主帅是明智确定 以后还有机会 | 229重度 |
9 | 网易智造N520除螨仪,除螨吸尘率高达99%SpaceX内部邮件证实龙太空船测试时确实发生了爆炸 | 229重度 |
10 | 感染用户近4000万 病毒“家族”浮现水面天妒英才 蚂蚁金服总裁助理毛军华过世:终年41岁 | 226重度 |