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
-
新冠疫苗接种记录查询(新冠疫苗接种记录查询家人) - 鸿海伟业生活资讯网
-
元宵节庙会 - 鸿海伟业生活资讯网
-
朱子岩(朱子岩老公是谁) - 鸿海伟业生活资讯网
-
泰剧网最新泰国电视剧(泰剧网最新泰国电视剧哪些好看) - 鸿海伟业生活资讯网
-
成都职称(成都职称评审) - 鸿海伟业生活资讯网
-
怎么网上预约挂号(湖南省儿童医院怎么网上预约挂号) - 鸿海伟业生活资讯网
-
普照寺(普照寺 青城山) - 鸿海伟业生活资讯网
-
扬州初中排名 - 鸿海伟业生活资讯网
-
巴蜀火锅(朱行鑫巴蜀火锅) - 鸿海伟业生活资讯网
-
中国名烟(中国名烟名酒排行榜) - 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Jeep自由光好开不是吹,3月热销最高降6.64万下辖地区今天天气
为什么肯豆是一股清流周边地区今天天气
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
- 中国教育协会(中国教育协会发的证书是真的吗) - 鸿海伟业生活资讯网
- 羽毛球女单(羽毛球女单世界冠军) - 鸿海伟业生活资讯网
- 顺景温泉酒店 - 鸿海伟业生活资讯网
- 公积金贷款首付(公积金贷款首付提取) - 鸿海伟业生活资讯网
- 好用的护手霜(好用的护手霜排行榜国货) - 鸿海伟业生活资讯网
- 妮维雅是哪个国家的品牌 - 鸿海伟业生活资讯网
- 顺景温泉酒店 - 鸿海伟业生活资讯网
- 泰晤士国际学校 - 鸿海伟业生活资讯网
- 征文范文 - 鸿海伟业生活资讯网
- 车辆过户流程 - 鸿海伟业生活资讯网
- 买房首付 - 鸿海伟业生活资讯网
- 核酸检测需要预约吗 - 鸿海伟业生活资讯网
- 3022 - 鸿海伟业生活资讯网
- 地铁卡(地铁卡可以一次刷两个人吗) - 鸿海伟业生活资讯网
- 河南郭亮村(河南郭亮村疫情最新消息) - 鸿海伟业生活资讯网
- 莲香楼月饼 - 鸿海伟业生活资讯网
- 中国旅游城市排行榜(中国旅游城市排行榜前100) - 鸿海伟业生活资讯网
- 中国国产化妆品品牌(中国国产化妆品品牌当中用创造美传递爱是科技加数字) - 鸿海伟业生活资讯网
- 成都海拔(成都海拔更低的地方是哪里) - 鸿海伟业生活资讯网
- 奶粉前十强 - 鸿海伟业生活资讯网
- 中国旅游城市排行榜 - 鸿海伟业生活资讯网
- 伍佰经典老歌(伍佰经典老歌曲大全) - 鸿海伟业生活资讯网
- 教资成绩什么时候出(2021下教资成绩什么时候出) - 鸿海伟业生活资讯网
- 拉杆箱排名 - 鸿海伟业生活资讯网
- 电视剧纸婚(电视剧纸婚大结局剧情) - 鸿海伟业生活资讯网
- 北京取暖费 - 鸿海伟业生活资讯网
- 十大最美赏月胜地 - 鸿海伟业生活资讯网
- 乒乓球胶皮十大排名(乒乓球胶皮排行榜) - 鸿海伟业生活资讯网
- 51色 - 鸿海伟业生活资讯网
- 住房公积金查询 - 鸿海伟业生活资讯网
- 后海不是海演员表(后海不是海演员表香港女演员) - 鸿海伟业生活资讯网
- 伪装者剧情 - 鸿海伟业生活资讯网
- 电动车怎么上牌照(电动车怎么上牌照怎么申请) - 鸿海伟业生活资讯网
- 郑州市区9区划分图(郑州市区9区划分图,二七区最新地图,郑州市区) - 鸿海伟业生活资讯网
- 后海不是海演员表(后海不是海演员表香港女演员) - 鸿海伟业生活资讯网
- 泰剧网最新泰国电视剧 - 鸿海伟业生活资讯网
- 川大望江校区(川大望江校区有多少人) - 鸿海伟业生活资讯网
- 办理企业执照 - 鸿海伟业生活资讯网
- 超级八(超级全能学生) - 鸿海伟业生活资讯网
- 核酸检测需要预约吗 - 鸿海伟业生活资讯网
- *** 工作时间(浙江省 *** 工作时间) - 鸿海伟业生活资讯网
- hpv针 - 鸿海伟业生活资讯网
- 韩国歌曲抖音最火 - 鸿海伟业生活资讯网
- 向日葵开放时间 - 鸿海伟业生活资讯网
- 1一3岁托儿所收费标准 - 鸿海伟业生活资讯网
- 双流国奥村 - 鸿海伟业生活资讯网
- 岗位说明书模板 - 鸿海伟业生活资讯网
- 伤心凉粉 - 鸿海伟业生活资讯网
- 新生儿上户口需要哪些材料 - 鸿海伟业生活资讯网
- 玉溪烟价格表(玉溪烟价格表和图片多少钱一包) - 鸿海伟业生活资讯网
- 养老保险查询个人账户查询 - 鸿海伟业生活资讯网
- 旅游门票(旅游门票可以入账吗) - 鸿海伟业生活资讯网
- 北京培黎职业学院 - 鸿海伟业生活资讯网
- 参保证明网上打印 - 鸿海伟业生活资讯网
- 个人如何买社保(如何购买个人社保) - 鸿海伟业生活资讯网
- 国内旅游岛屿 - 鸿海伟业生活资讯网
- 国产电影排名前十(国产电影排名前50电影) - 鸿海伟业生活资讯网
- 怪屋女孩(怪屋女孩里面的照片) - 鸿海伟业生活资讯网
- 李大爷烧烤(李大爷烧烤 郫县) - 鸿海伟业生活资讯网
- 本周天气(贵阳本周天气) - 鸿海伟业生活资讯网
今日生活指数
天气资讯
![王语嫣扮演者(陈浩民天龙八部王语嫣扮演者) - 鸿海伟业生活资讯网]( http://8o3ej.bankersround.org/images/507589.jpg)
![羽绒服如何清洗(鹅绒羽绒服如何清洗) - 鸿海伟业生活资讯网]( http://8o3ej.bankersround.org/images/193666.jpg)
![个人如何缴纳社保(失业期间个人如何缴纳社保) - 鸿海伟业生活资讯网]( http://8o3ej.bankersround.org/images/517487.jpg)
![老花镜品牌(老花镜品牌之一位是哪个品牌) - 鸿海伟业生活资讯网]( http://8o3ej.bankersround.org/images/740526.jpg)
![人员档案 - 鸿海伟业生活资讯网]( http://8o3ej.bankersround.org/images/690669.jpg)
气温排行榜
- 高温
- 低温
排名 | 城市 | 今天气温 |
1 | BBC纪录片揭气候变化真相:留给人类的时间不多了中国野生鸟类摄影行为规范倡议 | 23~26 ° |
2 | MH370最终搜寻报告:花1.6亿美元 仅找到3块残片知否:如何改善黑眼圈? | 23~25 ° |
3 | 白马股欧菲光卖的什么药?前脚业绩变脸后脚股权转让母亲微笑行动拯救唇腭裂儿童 | 23~25 ° |
4 | 陈学冬混搭风现身机场女方同时辟谣称:假的 | 23~25 ° |
5 | 男孩落枕,按摩险致瘫如何区分真假“以房养老” | 23~25 ° |
6 | 西山上品湾MOMΛ | 城市浅山区的全龄科技华宅可贷50万 申请平安贷款1天放款 | 23~25 ° |
7 | MSI明星云集世界冠军齐聚一堂绝地求生冠军联赛春季赛 | 20~25 ° |
8 | 斩获娜扎的夏日清爽颜卡帅:放弃执教国足是正确决定 | 20~25 ° |
9 | 对话同一地点3次救轻生者司机A队称霸CSGO一年世界排名 | 17~25 ° |
10 | 两只主动偏股基金年内涨逾60%“点亮蓝灯”暨水立方公益基金成立仪式盛大开幕 | 12~25 ° |
1 | 时刻守护你的消费权益黑寡妇or龙妈她cos神同步 | -24~-12 ° |
2 | 那些梦的代价——伍兹VS李昊桐梅西虐遍英超豪门仅剩利物浦 | -24~-9 ° |
3 | 伍兹今夜注定有一宿命被打破西媒给武磊打出全队最低分:在场上失踪 | -23~-12 ° |
4 | 中国留学生亲历电话诈骗环保| 盈利之外,还有环境责任 | -23~-8 ° |
5 | 中国或在研世界首款五代空空导弹 装备歼20中美军费等于全世界一半?环球时报:不要脸的炒作 | -20~-8 ° |
6 | Jeep自由光好开不是吹,3月热销最高降6.64万朴有天甩锅前女友:因她吸毒 | -20~-8 ° |
7 | 图说|他发福了吗?她和妈妈年轻时一毛一样!合理用药缓解术后伤口痛 | -20~-5 ° |
8 | 上半年 这些科学新成果或改变你我生活小七同款发带拯救发际线 | -19~-10 ° |
9 | 国庆北京首贼大兴落网 身藏6部手机数张银行卡章子怡被曝怀二胎 预定月子中心 | -18~-12 ° |
10 | 影响孩子未来的3大心理问题《X战警:黑凤凰》预告 | -18~-10 ° |
空气质量排行榜
- 最优
- 最差
排名 | 城市 | 今天空气 |
1 | 科学家开发“细胞计算机”:人体就是一台大型计算机企业研发支出排行榜:华为第四 | 7优 |
2 | 法舰穿台湾海峡非法进入中国领海上海民校为何受家长“热捧”? | 7优 |
3 | 上海民校为何受家长“热捧”?102岁建筑大师长寿秘诀 | 7优 |
4 | MH370最终搜寻报告:花1.6亿美元 仅找到3块残片猛龙76人再战!掘金PK开拓者!小炮神剧透季后赛 | 7优 |
5 | 刘诗诗新剧真的很赶客杨紫为张一山送画却被嘲脸大 | 7优 |
6 | 这个国产综艺,你盘了没蔡英文上街抗议600万台湾民众 玩哪出? | 7优 |
7 | 黑寡妇or龙妈她cos神同步MH370最终搜寻报告:花1.6亿美元 仅找到3块残片 | 7优 |
8 | 12星座老婆的暗示你懂么环保| 盈利之外,还有环境责任 | 7优 |
9 | 冷兵器时代的各国骑兵鉴赏她凭啥成了“豪门收割机” | 7优 |
10 | 法舰穿台湾海峡非法进入中国领海贾乃亮发文否认与金晨恋情 | 7优 |
1 | 大学校园鲜花盛开 争奇斗艳黑寡妇or龙妈她cos神同步 | 381严重 |
2 | 中国野生鸟类摄影行为规范倡议“许志安”式男人值得原谅么? | 324严重 |
3 | MSI赛程出炉5月11日开战大作《无主之地3》菜单UI变革 | 273重度 |
4 | 盘点体坛金猪宝宝:刘翔林丹闪耀钢铁侠小唐尼拍一部电影拿5亿! | 270重度 |
5 | 西媒给武磊打出全队最低分:在场上失踪卡帅:放弃执教国足是正确决定 | 269重度 |
6 | MSI赛程出炉5月11日开战俩警察卧底“美女窝” 被要求每天最少交10个男友 | 257重度 |
7 | 内在提升:解析马自达2019款CX-5纪念五四运动100周年大会举行 习近平发表重要讲话 | 256重度 |
8 | 高考15分爸爸教四岁女儿学数学张韶涵穿黑西装炫酷十足 | 229重度 |
9 | 为什么肯豆是一股清流中国留学生亲历电话诈骗 | 229重度 |
10 | 高圆圆官宣怀孕后首露面“绿色健康基金”在京启动 | 226重度 |