客户行为平台使用指南0415版

1.平台简介

客户行为数字化平台（Gamma Insight Platform）是一个面向开发者的平台，使用的开发语言是C++。该平台旨在帮助开发者解决AI算法落地门槛高，成本高，实现周期长，高度定制化造成的重复开发等问题，建立健全一个有用、高效、支持完备的平台。在我们的平台上集成和开放了很多计算机视觉方向的AI能力，在网页上就可以轻松地实现对这些能力的调用，再加上平台本身提供的软件工具，可以很方便地打造面向自己的业务、解决自己需求的软件哦。

  1. 利用此平台网页开发你需要：
  • c++
  • 能联网的浏览器（xjk-dev or pinganNet）
  1. 利用此平台部署在本地你需要：
  • 有GPU的主机
  • RTSP/USB摄像头（非必须，可以有待处理的视频、图片文件等）
  • 主机安装Ubuntu 16.04
  1. 利用此平台进行后端开发（to 平台维护者），除上述以外，你需要：
  • 代码网址
  • 安装依赖

2.平台初印象

step1. 登录地址：http://192.168.137.83:8081（内网，xjk-dev）
或者http://192.168.35.192:8081（内网，pinganNet）
因网络速度与稳定性原因，目前阶段会在网络之间切换，两个都试试。

登录账户密码为：admin：123456

登录界面

step2. 点击新建技能，直接感受保存、编译、运行、查看预览效果


新建技能
按顺序点击保存、编译、运行、查看预览效果

可以看到，当前这个功能的结果，不仅用人脸框追踪人脸的动向，而且识别出来这张人脸是谁。


预览效果1
预览效果2

为了体验平台上目前已经支持的功能，请查看 网址https://gitlab.com/GammaLab_AI/freeforward_build/tree/master/etc
下的文件并将其内容替换网页端已有的json文件即可。目前可运行的包括：
1） ff.gpu.face.json ——人脸检测
2）ff.facefeature.json ——人脸识别
3）ff.objectDetect.json ——物体识别
4）ff.person.interest.json ——人脸识别 + 微表情识别
5）ff.face.count.json ——人脸检测 + tracking工具
6）ff.attention.identify.json ——人脸识别 + 头部姿态

step 3. 当你发现有一个功能适用场景与你想要的刚好匹配，想要下载这个执行体并部署于本地，处理你本地的视频文件、图片或者视频流的话，你需要：
第一步：布置好本地环境（详见Chap 4-1）
第二步：下载这个执行体（下载地址：方法详见Chap 4-2）
第三步：解压并修改配置文件 （配置文件详细解析见Chap 4-3）
第四步：用终端打开当前路径，执行指令：./freeforward -c freeforward.json（文件名可自定义）

比较理想的结果如下图所示，能够处理你本地的视频流输入啦


本地运行人脸检测技能

至此为止，你已经获得一个完整的能运行在你本地的技能啦！

（或许并不想要下载到本地，而是直接在线上进行分析拿到日志、表格等统计信息即可呢？使用者上传视频，获取结果，我们获得视频，涉及付费模式）

3.平台初体验

现在你已经看到平台上能做到的功能啦，利用这些功能的组合或者部分中间结果可以实现你想要的需求，那么可以开始动手打造你自己的一个技能啦！下面就以“数人头”这个需求为例展示给各位如何实现吧。

（以后打开每一个算法模块都要呈现完整的算法的类名，算法技能对外提供的技能和接口，可以查看但不能修改源文件，修改源文件需要权限设置）

1）首先查看能用的算法和工具吧。数人头的需求本身并没有针对“这个人是谁”提出需求，也就是说我们只要用到“人脸检测”模型，而不需要用到“人脸识别”模型。“人脸检测”推荐使用已有的封装类：CFaceWrapperSkillGpu。而除此之外，如果你有相关的工程经验，那么就会知道，要对同一个人脸进行不重复的计数，并能够排除“掉帧”或“个别帧检测人脸失败”的情况，那么“人脸追踪”功能就是必不可少的。平台上已经提供了IOU_Tracking模块，类名为IOU_Tracking，能帮助我们的技能实现有效的平滑效果；

（头文件批量包含的问题需要修改）

2）知道了平台能提供的功能，就要定制我们自己的需求啦。假设我们希望这个技能的需求如下：

需求明细项 呈现方式/功能 需实现方式
处理材料 视频文件 通过json文件配置
视觉要求 在视频处理中实时显示已经出现的人头数目 定义user_metadata内容
算法模型 实现对图像的“人脸检测”功能 利用类：CFaceWrapperSkillGpu
工具类 实现人脸框追踪 利用类：IOU_Tracking

按照这个需求我们可以确定实现的逻辑：设立计数器初始值为0，当检测到人脸时，将人脸框（坐标、大小）送到IOU_Tracking模块进行判断，是不是可以认为是一个全新的人脸框。如果是，计数器加1，否则不变。

3）进行网页端开发。在我们的设计中，开发者核心需要实现的函数是infer，以及postInfer两个。大部分已经填写好，skill.h文件修改内容如下所示：

插入代码

skill.h

#ifndef CUSTOM_SKILL_H_
#define CUSTOM_SKILL_H_
#pragma once


#include <vector>
#include <string>
#include <unordered_map>

#include <opencv2/opencv.hpp>
#include <Eigen/Dense>


#include "../skill.h"
#include "./vip_skill/faceWrapper/face_wrapper_skill_gpu.h"
#include "../../utilities/faceRelated/IOU_Tracking.h"



struct FFRuntime;

class IInferer;

namespace cv {
    class Mat;
}


class CCustomSkill : public ISkill {

private:
    FFRuntime * ffrt_;
    std::vector<std::string> user_metadata_;
    std::string interface_path_;
    bool    isLocalMode_;

public:
    explicit CCustomSkill(const Json::Value & params, FFRuntime * ffrt);
    ~CCustomSkill();
public:
    virtual int PreInfer(int pipeid, const std::vector<int>& camids, const std::vector<int> & frameids, const std::vector<cv::Mat> & imgs);
    virtual int Infer(int pipeid, std::vector<IInferer *> & inferers, const std::vector<int>& camids, const std::vector<int> & frameids, const std::vector<cv::Mat> & imgs);
    virtual int PostInfer(int pipeid, const std::vector<int>& camids, const std::vector<int> & frameids, const std::vector<cv::Mat> & imgs);

public:
    virtual int NotifiedEnded(int pipeid, const std::vector<int>& camids, bool ended=false);


//==================below is new added=============================================
private:
        CFaceWrapperSkillGpu* face_detector_ = NULL;
        int face_count_ ;
        IOU_Tracking* iou_tracker_ = NULL;

//==================above is new added=============================================


};

#endif

由代码中可见，实际新增内容是在末尾处定义的三个private变量，CFaceWrapperSkillGpu型指针用以实现人脸检测，而face_count_用以实现持续计数充当计数器，IOU_Tracking用以实现人脸框追踪。

skill.cpp文件修改内容则如下所示：

#pragma GCC diagnostic ignored "-Wsign-compare"

#include <vector>
#include <string>

#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

#include "../../runtime/inferer/inferer.h"
#include "../../runtime/view/view.h"
#include "../../runtime/db/db.h"
#include "../../runtime/ffrt.h"
#include "../../runtime/view/guiview/guiview.h"
#include <json/json.h>
#include <sys/stat.h>


#include "custom_skill.h"
#include "./vip_skill/faceWrapper/face_wrapper_utilities.h"

using namespace FACEWRAPPER2;


CCustomSkill::CCustomSkill(const Json::Value & params, FFRuntime * ffrt)
    : ffrt_(ffrt)
{
    std::string file_path = params["user_path"].asString();

    interface_path_ = params["interface_data_path"].asString();
    isLocalMode_ = (params["isLocalMode"].asInt()==1)?true:false;

    int ret = mkdir(interface_path_.c_str(), 0777);
    if(ret){
        std::cout << "[face_count_skill] CCustomSkill: mkdir fail" << ret <<std::endl;
    }
//==================below is new added=============================================

    face_detector_ = new CFaceWrapperSkillGpu(params, ffrt);
    iou_tracker_ = new IOU_Tracking();
    face_count_ = 0;
//==================above is new added=============================================

}

CCustomSkill::~CCustomSkill()
{

}

int CCustomSkill::PreInfer(int pipeid, const std::vector<int>& camids, const std::vector<int> & frameids, const std::vector<cv::Mat> & imgs)
{
    return 0;
}

int CCustomSkill::Infer(int pipeid, std::vector<IInferer *> & inferers, const std::vector<int>& camids, const std::vector<int> & frameids, const std::vector<cv::Mat> & imgs)
{
//==================below is new added=============================================

    if(!face_detector_ && isLocalMode_)
    {
        std::cout<<"face_detector_ has not be constructed! Attention!"<<std::endl;
        return -1;
    }
    if(!iou_tracker_ && isLocalMode_)
    {
        std::cout<<"iou_tracker_ has not be constructed! Attention!"<<std::endl;
        return -1;
    }
    int ret = face_detector_->Infer(pipeid, inferers, camids, frameids, {imgs});


    if(ret)
    {
        return -2;
    }
    std::vector < cv :: Rect > faceBoxes;
    face_detector_->getFaceBoxes( faceBoxes);

    std::vector < std :: vector < cv :: Point >> landmarks;
    face_detector_->getLandmarks(landmarks);

    std::vector<std::string> box_ids;
    std::vector<bool> newid_state;
    int ret2 = iou_tracker_->tracking(faceBoxes, box_ids, newid_state);
    if(ret2 == false){
        std::cout << "[face_count_skill] [infer] iou_tracker_ : mkdir fail" << ret <<std::endl;
    }

    int i = 0;
    for (std::vector<std::string> :: iterator it = box_ids.begin(); it != box_ids.end(); it++)
    {
        if (newid_state[i]) {
             face_count_ ++;
        }

    }
//==================above is new added=============================================

    return 0;
}

int CCustomSkill::PostInfer(int pipeid, const std::vector<int>& camids, const std::vector<int> & frameids, const std::vector<cv::Mat> & imgs)
{
    cv::Mat img_out;
    if(ffrt_->view){
        CGuiView* viewer = (CGuiView*)ffrt_->view;
        user_metadata_.clear();
//==================below is new added=============================================
        user_metadata_.push_back("ENTER NUM:"+std::to_string(face_count_));
        viewer->displayG(imgs.at(0),user_metadata_,img_out, isLocalMode_);
//==================above is new added=============================================

        if(!isLocalMode_){
            std::string file_name = interface_path_ +"/" + std::to_string(frameids.at(0)) + ".jpg";
            cv::imwrite(file_name, img_out);
        }
    }
    return 0;
}

int CCustomSkill::NotifiedEnded(int pipeid, const std::vector<int>& camids, bool ended)
{
    return 0;
}

由文件中修改可见，实际需要修改三个函数：构造函数、Infer也就是调用前向的函数、以及后处理函数PostInfer。

修改json文件（配置文件详细解析见Chap 4-3）：

{ 
  "skill":{
    "type": "custom",
    "param": {
        "user_path":"/media/zhangjing/data/Project/freeforward_build/models/face_one2N_model/",
        "interface_data_path":"shared",
        "isLocalMode": 1
    }
  },
  "pipes": [
    {
      "inputtest": {
        "type": "usb",
        "param": {
          "mrl": "v4l2:///dev/video0",
          "cords": [ 1.0, 1.0, 1.0, 2.0, 3.0 ]
        }
      },
      "input": {
        "type": "rtsp",
        "param": {
          "mrl": "file:///var/gammalab/freeforward_build/test_video/count.mp4",
          "cords": [ 1.0, 1.0, 1.0, 2.0, 3.0 ]
        }
      },
      "inferers": [
        {
          "type": "caffewrapper",
          "param": {
            "cpu": false,
            "id" : "pNet",
            "weight": "./models/face_one2N_model/det1.caffemodel",
            "net": "./models/face_one2N_model/det1-memory_gpu.prototxt"
          }
        },
        {
          "type": "caffewrapper",
          "param": {
            "cpu": false,
            "id" : "RNet",
            "weight": "./models/face_one2N_model/det2.caffemodel",
            "net": "./models/face_one2N_model/det2-gpu.prototxt"
          }
        },
        {
          "type": "caffewrapper",
          "param": {
            "cpu": false,
            "id" : "ONet",
            "weight": "./models/face_one2N_model/det3.caffemodel",
            "net": "./models/face_one2N_model/det3-gpu.prototxt"
          }
        }
      ],
      "DUMMY": { }
    }
  ],
  "view": {
        "type": "guiview",
        "param": { }
  },
  "db": {
    "type": "redis",
    "param": { }
  },
  "logger": {
    "type": "consolelogger",
    "param": { }
  },
  "DUMMY": { }
}

看起来很繁琐但其实其中满满的都是套路哦，先直接使用，下一章再详解。

4）好啦，核心的部分已经搞定啦，快来看看我们第一个技能的能不能运行，以及效果如何吧。一路点击保存、编译、运行、查看预览效果。
须知（for now）：
a.编译以后得到确切的编译成功信息后再点运行这一步。这个信息可以点击查看编译信息得到


查看编译信息

b.运行以后大致等2min左右的时间后再查看预览效果，否则结果未完全生成；


运行结果1

运行结果2

看，按照我们的预期运行起来了~

5）然后就可以下载到本地实际试试啦。假设作为开发者的你已经布置好本地环境了（详见Chap 4-1），那么剩下的操作步骤与Chap2的step3没有什么区别啦。我们拿本地的一个视频测试一下（示例文件地址：https://gitlab.com/GammaLab_AI/freeforward/tree/master/shared/testvideos ，也可以自己准备示例视频）。

本地运行结果

注意左上角有对人数实现计数。
也就是说，我们部署在本地，实现了在商店里计算客流量的的功能。是不是可以由此扩展到更多的业务场景呢？

4.平台配置导读

以下内容是你想深入了解平台、更好地利用平台开发所需的information：

1）布置能运行这个执行体的本地环境
a. 必不可少的是Ubuntu16.04系统安装好，网上有很多参考教程（Lab内开发有统一的版本）；
b. 你需要安装Linux的基本依赖，这些依赖如下：

- PACKAGES="vlc libvlc-dev liblog4cxx-dev libhiredis-dev redis-server python3-zmq qtbase5-dev qttools5-dev-tools 
libdbus-1-dev libharfbuzz-dev libgflags-dev libgoogle-glog-dev libblas-dev libhdf5-serial-dev hdf5-tools 
libleveldb-dev liblmdb-dev libboost-all-dev libopenblas-dev libsnappy-dev libeigen3-dev openexr build-essential
 cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev python-dev python-numpy libtbb2 
libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev protobuf-compiler libprotobuf-dev 
curl libssl-dev"

以上依赖的安装方法：

  - sudo apt-get install -q -y XXX;
e.g. sudo apt-get install -q -y libvlc_dev;

建议以上安装包以几个一组安装，不宜一条指令全部安装，否则有个别失败的安装项容易被忽略掉。

c.安装OpenCV3.1

curl -kLO https://github.com/Itseez/opencv/archive/3.1.0.zip && unzip 3.1.0.zip  && cd opencv-3.1.0 
&& mkdir -p build && cd build && cmake -D CMAKE_BUILD_TYPE=Release .. && make && sudo make install

在安装OpenCV3.1的过程中可能会遇到下载ippicv_linux_20151201.taz失败的情况，参考解决办法见：
https://blog.csdn.net/shangpapa3/article/details/79481883

或者直接使用网址：

c. 还需要安装nvidia的cuda工具包及其类库cudnn，版本已放在XXX网址 在安装的时候注意有显卡驱动的选择可能会引起安装失败，需要使用指令：apt-get install nvidia-384，同时在安装cuda的时候当问到是否安装适配驱动时选择否。剩余的安装步骤可参考：
https://blog.csdn.net/xunan003/article/details/82145596

2）下载执行体

（未来会在技能开发页面上直接呈现下载地址，当前需要找到Jenkins对应地址，将其下载下来）

a. 打开网页地址：192.168.137.70:8000（under xjk-dev）或者192.168.30.171：8000（under pinganNet）.登录账户密码：gammalab：gammalab
b. 按照编号找到freeforward_build任务，按照触发时间点可以找到对应的任务编号，等待任务顺利完成之后即可以得到生成结果的下载链接。

3）配置文件解析
下载后解压，得到的文件内容如下所示：


本地解压并运行

修改配置文件freeforward.json文件，该文件分段解析如下：

（user_path的使用之后会是个问题）
skill一项是可以由用户在编写skill.cpp中可以直接获取的一项，默认通过网页开发的用户skill[type]都是custom。
  "skill":{
    "type": "custom",
    "param": {//用户自定义。但不建议修改，除非在代码中需要用到user_path来读取文件，适用于本地调试
        "user_path":"/media/zhangjing/data/Project/freeforward_build/models/face_one2N_model/",
        "interface_data_path":"shared",
        "isLocalMode": 1//1-本地模式，适用于本地调试；0-服务器模式，网页端开发使用
    }
  },

  "pipes": [先把pipe内部结构简化以明确pipes的范畴，一个pipe对应一项输入（一个视频流或者一个视频文件），pipes本身是数组
    {
      "input": {此项定义输入类型
        ...
       },
      "inferers": [此项列出该技能对应本输入需要依次调用的算法模型，也是以数组的方式
        {
          ...
        },
        {
          ...
        },
      ],
      "DUMMY": { }//暂时无用
    }
  ],

以下分析pipes中的单项：

以下各个类型，在本地调试时都需要适当修改mrl
//USB型input
"input": {
        "type": "usb",
        "param": {
          "mrl": "v4l2:///dev/video0",
          "cords": [ 1.0, 1.0, 1.0, 2.0, 3.0 ]
        }
      },
//RTSP型input，亦可以处理视频文件
      "input": {
        "type": "rtsp",
        "param": {
          "mrl": "file:///var/gammalab/freeforward_build/test_video/count.mp4",
          "cords": [ 1.0, 1.0, 1.0, 2.0, 3.0 ]
        }
      },
//图片型input，目前图片命名规则为自然数，如1.jpg,2.jpg等
 "input": {
        "type": "imagefiles",
        "param": {
          "mrl": "/home/yons/workingCopys/freeforward_build/user_data/pics",
          "cords": [ 1.0, 1.0, 1.0, 2.0, 3.0 ]
        }
      },
注意：以上是不同的示例，在有效的json文件中只能保留一种input

以下是inferers，也就是控制调用模型的配置项。模型的具体地址参见(https://gitlab.com/GammaLab_AI/freeforward/tree/master/models)

      "inferers": [//这里的顺序对应代码中的调用顺序，需要一一对应
        {
          "type": "caffewrapper",//推荐使用，对应caffe-binding模式
          "param": {
            "cpu": false,//false则对应使用GPU，true则对应CPU
            "id" : "pNet",
            "weight": "./models/face_one2N_model/det1.caffemodel",
            "net": "./models/face_one2N_model/det1-memory_gpu.prototxt"
          }
        },
        {
          "type": "caffewrapper",
          "param": {
            "cpu": false,
            "id" : "RNet",
            "weight": "./models/face_one2N_model/det2.caffemodel",
            "net": "./models/face_one2N_model/det2-gpu.prototxt"
          }
        },
        {
          "type": "caffewrapper",
          "param": {
            "cpu": false,
            "id" : "ONet",
            "weight": "./models/face_one2N_model/det3.caffemodel",
            "net": "./models/face_one2N_model/det3-gpu.prototxt"
          }
        }
      ],
本例是人脸检测所使用到的模型。

5.平台后台开发

如果你想要深入本平台的后台开发和维护工作，或者你是一位希望将此平台打造成更具适配性、兼容性的开发者，请阅读此章节。如果你想做的只是利用平台实现你的需求，本章相当于试卷上的附加题，做不做随你。

平台整个后端的工程地址：https://gitlab.com/GammaLab_AI/freeforward_build

1）工程的base类以及继承关系


base类以及继承关系

写不动了。。。
2）技能的概念
继承自skill，有三个需要实现的函数。。。。
3）平台上当前支持的两种infer方式。caffe-binding以及原生caffe。分别有示例。
4）平台AI能力详情列表
5）平台工具类开发建议
faceCommonTools为例
6）平台开发调试指南
step 1.
step 2.
step 3.

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 216,496评论 6赞 501
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 92,407评论 3赞 392
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 162,632评论 0赞 353
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 58,180评论 1赞 292
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 67,198评论 6赞 388
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 51,165评论 1赞 299
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 40,052评论 3赞 418
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 38,910评论 0赞 274
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 45,324评论 1赞 310
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,542评论 2赞 332
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,711评论 1赞 348
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 35,424评论 5赞 343
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 41,017评论 3赞 326
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,668评论 0赞 22
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,823评论 1赞 269
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 47,722评论 2赞 368
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 44,611评论 2赞 353

推荐阅读更多精彩内容

  • h5常见的面试题
    第一部分 HTML&CSS整理答案 1. 什么是HTML5？ 答：HTML5是最新的HTML标准。 注意：讲述HT...
    kismetajun阅读 27,474评论 1赞 45
  • git的安装与基本使用方法
    1.git的安装 1.1 在Windows上安装Git msysgit是Windows版的Git，从https:/...
    落魂灬阅读 12,661评论 4赞 54
  • 扬帆，开始启程……
    第一篇先写给自己 忘记了上一次打开简书是什么时候的事，一直想写，却害怕开始，怕自己坚持不下去，怕自己文笔幼稚，怕自...
    阿杜故事阅读 265评论 0赞 1
  • 四、编程向导(4.8图形)
    编程向导：4.8图形 一、画布介绍 部件绘画的表现使用画布来完成。你可以将它看作一个无限制的画板，或者一个绘画指令...
    gthank阅读 817评论 0赞 0
  • 碌碌
    考试周的前一周，事情不多，但是很耗时，我知道自己到那个点肯定是会把他做完的，所以是急又不急的状态。感觉要看的东西很...
    倾国是故国曦阅读 180评论 0赞 0