AIGC专栏9——Scalable Diffusion Models with Transformers （DiT）结构解
学习前言近期Sora大火，它底层是Diffusion Transformer，本质上是利用Transformer结构代替本来的Unet进行噪声预测，好处是同一了文本生成与视频生成的结构。这练习优化和预测优化而言是个功德，由于只需要优化一种结构就够了。虽然觉得OpenAI是大力出古迹，但还是得学！
https://i-blog.csdnimg.cn/blog_migrate/811649bd473bbf78af2773ebd1249dc2.jpeg
源码下载地址
https://github.com/bubbliiiing/DiT-pytorch
喜欢的可以点个star噢。
网络构建
一、什么是Diffusion Transformer (DiT)
DiT基于扩散模型，以是不免包罗不断去噪的过程，如果是图生图的话，还有不断加噪的过程，此时离不开DDPM那张老图，如下：
https://i-blog.csdnimg.cn/blog_migrate/e16fc537de5e30ec6b85586cb7668754.png
DiT相比于DDPM，利用了更快的采样器，也利用了更大的分辨率，与Stable Diffusion一样利用了隐空间的扩散，但大概更偏研究性质一些，没有利用非常大的数据集进行预练习，只利用了imagenet进行预练习。
与Stable Diffusion不同的是，DiT的网络结构完全由Transformer组成，没有Unet中大量的上下采样，结构更为简单清晰。
本文主要是解析一下整个DiT模型的结构组成，并简单一次扩散，多次扩散的流程。本文代码来自于Diffusers，Diffusers代码较为简单清晰，是一个非常好的仓库，学习起来也比较快。
二、DiT的组成
DiT由三大部分组成。
1、Sampler采样器。
2、Variational Autoencoder (VAE) 变分自编码器。
3、UNet 主网络，噪声预测器。
每一部分都很重要，由于DiT的官方版本并没有在 大规模文本图片 的 数据集上练习，只利用了imagenet进行预练习。以是它并没有文本输入，而是以标签作为输入。因此，DiT只能按照种别进行图片生成，可以生成imagenet中的1000类
三、生成流程
https://i-blog.csdnimg.cn/blog_migrate/ad4b21d0069a6dc2d4cf5490a4d88ca0.png
生成流程分为两个部分：
1、生成正态分布向量后进行若干次采样。
2、进行解码。
由于DiT只能按照种别进行图片生成，以是无需对文本进行编码，直接传入种别的对应的id（0-1000）即可指定种别。
# --------------------------------- #
# 前处理
# --------------------------------- #
# 生成latent
latents = randn_tensor(
shape=(batch_size, latent_channels, latent_size, latent_size),
generator=generator,
device=self._execution_device,
dtype=self.transformer.dtype,
)
latent_model_input = torch.cat( * 2) if guidance_scale > 1 else latents
# 将输入的label 与 null label进行concat，null label是负向提示类。
class_labels = torch.tensor(class_labels, device=self._execution_device).reshape(-1)
class_null = torch.tensor( * batch_size, device=self._execution_device)
class_labels_input = torch.cat(, 0) if guidance_scale > 1 else class_labels
# 设置生成的步数
self.scheduler.set_timesteps(num_inference_steps)
# --------------------------------- #
# 扩散生成
# --------------------------------- #
# 开始N步扩散的循环
for t in self.progress_bar(self.scheduler.timesteps):
if guidance_scale > 1:
half = latent_model_input[: len(latent_model_input) // 2]
latent_model_input = torch.cat(, dim=0)
latent_model_input = self.scheduler.scale_model_input(latent_model_input, t)
# 处理timesteps
timesteps = t
if not torch.is_tensor(timesteps):
is_mps = latent_model_input.device.type == "mps"
if isinstance(timesteps, float):
dtype = torch.float32 if is_mps else torch.float64
else:
dtype = torch.int32 if is_mps else torch.int64
timesteps = torch.tensor(, dtype=dtype, device=latent_model_input.device)
elif len(timesteps.shape) == 0:
timesteps = timesteps.to(latent_model_input.device)
# broadcast to batch dimension in a way that's compatible with ONNX/Core ML
timesteps = timesteps.expand(latent_model_input.shape)
# 将隐含层特征、时间步和种类输入传入到transformers中
noise_pred = self.transformer(
latent_model_input, timestep=timesteps, class_labels=class_labels_input
).sample
# perform guidance
if guidance_scale > 1:
# 在通道上做分割，取出生图部分的通道
eps, rest = noise_pred[:, :latent_channels], noise_pred[:, latent_channels:]
cond_eps, uncond_eps = torch.split(eps, len(eps) // 2, dim=0)
half_eps = uncond_eps + guidance_scale * (cond_eps - uncond_eps)
eps = torch.cat(, dim=0)
noise_pred = torch.cat(, dim=1)
# 对结果进行分割，取出生图部分的通道
if self.transformer.config.out_channels // 2 == latent_channels:
model_output, _ = torch.split(noise_pred, latent_channels, dim=1)
else:
model_output = noise_pred
# 通过采样器将这一步噪声施加到隐含层
latent_model_input = self.scheduler.step(model_output, t, latent_model_input).prev_sample
if guidance_scale > 1:
latents, _ = latent_model_input.chunk(2, dim=0)
else:
latents = latent_model_input
# --------------------------------- #
# 后处理
# --------------------------------- #
# 通过vae进行解码
latents = 1 / self.vae.config.scaling_factor * latents
samples = self.vae.decode(latents).sample
samples = (samples / 2 + 0.5).clamp(0, 1)
# 转化为float32类别
samples = samples.cpu().permute(0, 2, 3, 1).float().numpy()
1、采样流程
a、生成初始噪声
https://i-blog.csdnimg.cn/blog_migrate/4e65c98cee992b26a9b691fd8693e441.png
在生成初始噪声前介绍一下VAE，VAE是变分自编码器，可以将输入图片进行编码，一个高宽本来为256x256x3的图片在利用VAE编码后会变成32x32x4，这个4是人为设定的，不必纠结为什么不是3。这个时候我们就利用一个相对简单的矩阵代替原有的256x256x3的图片了，传输与存储成本就很低。在现实要去看的时候，可以对32x32x4的矩阵进行解码，获得256x256x3的图片。
因此，如果 我们要生成一个256x256x3的图片，那么我们只需要初始化一个32x32x4的隐向量，在隐空间进行扩散即可。在隐空间扩散好后，再利用解码器就可以生成256x256x3的图像。
在代码中，我们确实是这么做的，初始噪声的生成函数为randn_tensor，是diffusers自带的一个函数，尽管它写的很长，但现实生成初始噪声的代码只有一行：
https://i-blog.csdnimg.cn/blog_migrate/c20aa8b6326bb0471454ea58f1e8ce70.png
latents = torch.randn(shape, generator=generator, device=rand_device, dtype=dtype, layout=layout).to(device)
代码本来位于diffusers的工具文件中，为了方便查看，我将其复制到nets/pipeline.py中。
b、对噪声进行N次采样
https://i-blog.csdnimg.cn/blog_migrate/6f776e5a83d73ee109741161e98b27b4.png
既然Stable Diffusion是一个不断扩散的过程，那么少不了不断的去噪声，那么怎么去噪声便是一个标题。
在上一步中，我们已经获得了一个latents，它是一个符合正态分布的向量，我们便从它开始去噪声。
在代码中，我们有一个对时间步的循环，会不断的将隐含层向量输入到transformers中进行噪声预测，并且一步一步的去噪。
# --------------------------------- #
# 扩散生成
# --------------------------------- #
# 开始N步扩散的循环
for t in self.progress_bar(self.scheduler.timesteps):
if guidance_scale > 1:
half = latent_model_input[: len(latent_model_input) // 2]
latent_model_input = torch.cat(, dim=0)
latent_model_input = self.scheduler.scale_model_input(latent_model_input, t)
# 处理timesteps
timesteps = t
if not torch.is_tensor(timesteps):
is_mps = latent_model_input.device.type == "mps"
if isinstance(timesteps, float):
dtype = torch.float32 if is_mps else torch.float64
else:
dtype = torch.int32 if is_mps else torch.int64
timesteps = torch.tensor(, dtype=dtype, device=latent_model_input.device)
elif len(timesteps.shape) == 0:
timesteps = timesteps.to(latent_model_input.device)
# broadcast to batch dimension in a way that's compatible with ONNX/Core ML
timesteps = timesteps.expand(latent_model_input.shape)
# 将隐含层特征、时间步和种类输入传入到transformers中
noise_pred = self.transformer(
latent_model_input, timestep=timesteps, class_labels=class_labels_input
).sample
# perform guidance
if guidance_scale > 1:
# 在通道上做分割，取出生图部分的通道
eps, rest = noise_pred[:, :latent_channels], noise_pred[:, latent_channels:]
cond_eps, uncond_eps = torch.split(eps, len(eps) // 2, dim=0)
half_eps = uncond_eps + guidance_scale * (cond_eps - uncond_eps)
eps = torch.cat(, dim=0)
noise_pred = torch.cat(, dim=1)
# 对结果进行分割，取出生图部分的通道
if self.transformer.config.out_channels // 2 == latent_channels:
model_output, _ = torch.split(noise_pred, latent_channels, dim=1)
else:
model_output = noise_pred
# 通过采样器将这一步噪声施加到隐含层
latent_model_input = self.scheduler.step(model_output, t, latent_model_input).prev_sample
c、单次采样解析
I、预测噪声
在进行单次采样前，需要首先判断是否有负向提示类，如果有，我们需要同时处理负向提示类，否则仅仅需要处理正向提示类。现实利用的时候一般都有负向提示类（效果会好一些），以是默认进入对应的处理过程。
在处理负向提示类时，我们对输入进来的隐向量进行复制，一个属于正向提示类（0-999），一个属于负向提示类（1000）。它们是在batch_size维度进行堆叠，二者不会互相影响。然后我们将正向提示类和负向提示类（1000）也在batch_size维度堆叠。代码中，如果guidance_scale＞1则代表需要负向提示类。
# --------------------------------- #
# 前处理
# --------------------------------- #
# 生成latent
latents = randn_tensor(
shape=(batch_size, latent_channels, latent_size, latent_size),
generator=generator,
device=self._execution_device,
dtype=self.transformer.dtype,
)
latent_model_input = torch.cat( * 2) if guidance_scale > 1 else latents
# 将输入的label 与 null label进行concat，null label是负向提示类。
class_labels = torch.tensor(class_labels, device=self._execution_device).reshape(-1)
class_null = torch.tensor( * batch_size, device=self._execution_device)
class_labels_input = torch.cat(, 0) if guidance_scale > 1 else class_labels
堆叠完后，我们将隐向量、步数和种别条件一起传入网络中，将效果在bs维度进行利用chunk进行分割。
由于我们在堆叠时，正向提示类放在了前面。因此分割好后，前半部分cond_eps属于利用正向提示类得到的，后半部分uncond_eps属于利用负向提示类得到的，我们本质上应该扩大正向提示类的影响，远离负向提示类的影响。因此，我们利用cond_eps-uncond_eps计算二者的距离，利用scale扩大二者的距离。在uncond_eps基础上，得到最后的隐向量。
# 堆叠完后，隐向量、步数和prompt条件一起传入网络中，将结果在bs维度进行使用chunk进行分割
e_t_uncond, e_t = self.model.apply_model(x_in, t_in, c_in).chunk(2)
e_t = e_t_uncond + unconditional_guidance_scale * (e_t - e_t_uncond)
此时获得的eps就是通过隐向量和提示类共同获得的预测噪声啦。
II、施加噪声
在获得噪声后，我们还要将获得的新噪声，按照一定的比例添加到原来的原始噪声上。
diffusers的代码并没有将施加噪声的代码写在明面上，而是利用采样器的step方法替换，采样流程与DDIM一致，因此直接参考DDIM公式即可，此前，在Stable Diffusion相关博文中写到过DDIM公式，可以参考对应博文了解一下。
latent_model_input = self.scheduler.step(model_output, t, latent_model_input).prev_sample
d、预测噪声过程中的网络结构解析
这个部分是DiT与Stable Diffusion最大的不同，DiT将网络结构从Unet转换成了Transformers，
i、adaLN-Zero结构解析
Transformers主要做的工作是结合 时间步t 和 种别 计算这一时候的噪声。此处的Transformers结构与VIT中的Transformers根本一致，但为了融合时间步t和种别，新增了一个Embed层和adaLN-Zero结构。
[*]Embed层主要是将输入进来的timestep和label进行向量化。
[*]adaLN-Zero则是通过全连接对向量化后的timestep和label进行映射，然后分为6个部分，分别作用于DiT的不同阶段用于缩放（scale）、偏置（shift、bias）与门函数（gate）。
如下是Embed层和adaLN-Zero结构的代码与表示图：
class CombinedTimestepLabelEmbeddings(nn.Module):
def __init__(self, num_classes, embedding_dim, class_dropout_prob=0.1):
super().__init__()
self.time_proj = Timesteps(num_channels=256, flip_sin_to_cos=True, downscale_freq_shift=1)
self.timestep_embedder = TimestepEmbedding(in_channels=256, time_embed_dim=embedding_dim)
self.class_embedder = LabelEmbedding(num_classes, embedding_dim, class_dropout_prob)
def forward(self, timestep, class_labels, hidden_dtype=None):
timesteps_proj = self.time_proj(timestep)
timesteps_emb = self.timestep_embedder(timesteps_proj.to(dtype=hidden_dtype))# (N, D)
class_labels = self.class_embedder(class_labels)# (N, D)
conditioning = timesteps_emb + class_labels# (N, D)
return conditioning
class AdaLayerNormZero(nn.Module):
"""
Norm layer adaptive layer norm zero (adaLN-Zero).
"""
def __init__(self, embedding_dim, num_embeddings):
super().__init__()
self.emb = CombinedTimestepLabelEmbeddings(num_embeddings, embedding_dim)
self.silu = nn.SiLU()
self.linear = nn.Linear(embedding_dim, 6 * embedding_dim, bias=True)
self.norm = nn.LayerNorm(embedding_dim, elementwise_affine=False, eps=1e-6)
def forward(self, x, timestep, class_labels, hidden_dtype=None):
emb = self.linear(self.silu(self.emb(timestep, class_labels, hidden_dtype=hidden_dtype)))
shift_msa, scale_msa, gate_msa, shift_mlp, scale_mlp, gate_mlp = emb.chunk(6, dim=1)
x = self.norm(x) * (1 + scale_msa[:, None]) + shift_msa[:, None]
return x, gate_msa, shift_mlp, scale_mlp, gate_mlp
https://i-blog.csdnimg.cn/blog_migrate/b1ae08504460751c4a93c1f2ab249d64.png
ii、patch分块处理
在代码中，我们利用一个PatchEmbed类对输入的隐含层向量进行分块，该操纵便是VIT中的patchc操纵，通过卷积进行雷同于下采样的操纵，可以减少计算量。
https://i-blog.csdnimg.cn/blog_migrate/9ae80345adcd92ed69a1c2ddb7d6b9d5.png
如下为patch分块处理的代码，核心是利用步长和卷积核大小一样的Conv2d模块进行处理，由于步长和卷积核大小一致，每个图片区域的特征提取过程就不会有重叠。
我们初始化生成的隐含层向量为32x32x4。在DiT-XL-2中，patch处理的步长和卷积核大小为2，通道为1152，在处理完成后，特征的通道上升，高宽被压缩，此时我们获得一个16x16x1152的新特征，然后我们将其在长宽上进行平铺，获得一个256x1152的向量，并且加上位置信息。
class PatchEmbed(nn.Module):
"""2D Image to Patch Embedding"""
def __init__(
self,
height=224,
width=224,
patch_size=16,
in_channels=3,
embed_dim=768,
layer_norm=False,
flatten=True,
bias=True,
):
super().__init__()
num_patches = (height // patch_size) * (width // patch_size)
self.flatten = flatten
self.layer_norm = layer_norm
self.proj = nn.Conv2d(
in_channels, embed_dim, kernel_size=(patch_size, patch_size), stride=patch_size, bias=bias
)
if layer_norm:
self.norm = nn.LayerNorm(embed_dim, elementwise_affine=False, eps=1e-6)
else:
self.norm = None
pos_embed = get_2d_sincos_pos_embed(embed_dim, int(num_patches**0.5))
self.register_buffer("pos_embed", torch.from_numpy(pos_embed).float().unsqueeze(0), persistent=False)
def forward(self, latent):
latent = self.proj(latent)
if self.flatten:
latent = latent.flatten(2).transpose(1, 2)# BCHW -> BNC
if self.layer_norm:
latent = self.norm(latent)
return latent + self.pos_embed
iii、Transformer特征提取
此后，我们将向量传入Transformer中进行特征提取，对应图中的DiT Block。
256x1152的特征会通过图中红框的部分，而时间步t 和 种别会通过途中绿框的部分。
红框部分的结构，除了缩放（scale）、偏置（shift、bias）与门函数（gate，对应图中的α，代码中是gate但图中写scale）外，其它部分与VIT如出一辙，可参考博文VIT结构解析进行了解，主要工作的模块是Self-Attention和Pointwise Feedforward（MLP）。这两个模块的输入和输出均为256x1152的特征。
而缩放（scale）、偏置（shift、bias）与门函数（gate）分别对应了图中的γ、β和α。通过adaLN-Zero结构获得，γ、β分别在 Self-Attention和Pointwise Feedforward 的处理前 进行特征的 缩放与偏置 ，而Pointwise Feedforward则在 Self-Attention和Pointwise Feedforward 的处理后 进行特征的 缩放。在代码中我添加了中文解释，方便读者区分添加缩放、偏置和门函数的位置。
DiT Block的输入和输出特征均为256x1152。
https://i-blog.csdnimg.cn/blog_migrate/13503de99cab1fa3af9dc31fd1b73d99.png
class BasicTransformerBlock(nn.Module):
def __init__(
self,
dim: int,
num_attention_heads: int,
attention_head_dim: int,
dropout=0.0,
cross_attention_dim: Optional = None,
activation_fn: str = "geglu",
num_embeds_ada_norm: Optional = None,
attention_bias: bool = False,
only_cross_attention: bool = False,
double_self_attention: bool = False,
upcast_attention: bool = False,
norm_elementwise_affine: bool = True,
norm_type: str = "layer_norm",
final_dropout: bool = False,
):
super().__init__()
.......
def forward(
self,
hidden_states: torch.FloatTensor,
attention_mask: Optional = None,
encoder_hidden_states: Optional = None,
encoder_attention_mask: Optional = None,
timestep: Optional = None,
cross_attention_kwargs: Dict = None,
class_labels: Optional = None,
):
# Notice that normalization is always applied before the real computation in the following blocks.
# 1. Self-Attention
if self.use_ada_layer_norm:
norm_hidden_states = self.norm1(hidden_states, timestep)
elif self.use_ada_layer_norm_zero:
# 在norm1中，已经进行了输入特征的缩放与偏置
norm_hidden_states, gate_msa, shift_mlp, scale_mlp, gate_mlp = self.norm1(
hidden_states, timestep, class_labels, hidden_dtype=hidden_states.dtype
)
else:
norm_hidden_states = self.norm1(hidden_states)
cross_attention_kwargs = cross_attention_kwargs if cross_attention_kwargs is not None else {}
attn_output = self.attn1(
norm_hidden_states,
encoder_hidden_states=encoder_hidden_states if self.only_cross_attention else None,
attention_mask=attention_mask,
**cross_attention_kwargs,
)
# 在self attention后，再次进行了特征的缩放（gate）
if self.use_ada_layer_norm_zero:
attn_output = gate_msa.unsqueeze(1) * attn_output
hidden_states = attn_output + hidden_states
# 2. Cross-Attention
if self.attn2 is not None:
norm_hidden_states = (
self.norm2(hidden_states, timestep) if self.use_ada_layer_norm else self.norm2(hidden_states)
)
attn_output = self.attn2(
norm_hidden_states,
encoder_hidden_states=encoder_hidden_states,
attention_mask=encoder_attention_mask,
**cross_attention_kwargs,
)
hidden_states = attn_output + hidden_states
# 3. Feed-forward
norm_hidden_states = self.norm3(hidden_states)
# 在mlp前，进行了输入特征的缩放与偏置
if self.use_ada_layer_norm_zero:
norm_hidden_states = norm_hidden_states * (1 + scale_mlp[:, None]) + shift_mlp[:, None]
if self._chunk_size is not None:
# "feed_forward_chunk_size" can be used to save memory
if norm_hidden_states.shape % self._chunk_size != 0:
raise ValueError(
f"`hidden_states` dimension to be chunked: {norm_hidden_states.shape} has to be divisible by chunk size: {self._chunk_size}. Make sure to set an appropriate `chunk_size` when calling `unet.enable_forward_chunking`."
)
num_chunks = norm_hidden_states.shape // self._chunk_size
ff_output = torch.cat(
,
dim=self._chunk_dim,
)
else:
ff_output = self.ff(norm_hidden_states)
# 在mlp后，再次进行了特征的缩放（gate）
if self.use_ada_layer_norm_zero:
ff_output = gate_mlp.unsqueeze(1) * ff_output
hidden_states = ff_output + hidden_states
return hidden_states
iv、上采样
虽然这个部分学名大概不叫上采样，但是我觉得用上采样来形貌它还是比较符合的，由于我们前面做过patch分块处理，以是隐含层的高宽被压缩，而这一步，则是将隐含层的高宽再还原回去。
在这里我们会对256x1152进行两次全连接+一次LayerNorm，两次全连接的神经元个数分别为2304和patch_size * patch_size * out_channels。第一次全连接目标是扩宽通道数，第二次全链接则是还原高宽。两次全连接后，在DiT-XL-2中，out_channels为8（8可拆分为4 + 4，前面的4用于直接预测噪声，后面的4用于根据 x t − 1 x_{t-1} xt−1均值和方差计算KL散度），特征层的shape从256x1152变为256x32。
然后我们会进行一系列shape变换，首先将256x1152变为16x16x2x2x8，然后进行转置变为8x16x2x16x2，然后还原高宽变为8x32x32。此时上采样结束。该部分对应了图中的Linear And Reshape。
https://i-blog.csdnimg.cn/blog_migrate/9050787c15c3f2c4f51617a021c302a3.png
上采样代码如下所示：
# 3. Output
conditioning = self.transformer_blocks.norm1.emb(
timestep, class_labels, hidden_dtype=hidden_states.dtype
)
shift, scale = self.proj_out_1(F.silu(conditioning)).chunk(2, dim=1)
hidden_states = self.norm_out(hidden_states) * (1 + scale[:, None]) + shift[:, None]
hidden_states = self.proj_out_2(hidden_states)
# unpatchify
height = width = int(hidden_states.shape ** 0.5)
hidden_states = hidden_states.reshape(
shape=(-1, height, width, self.patch_size, self.patch_size, self.out_channels)
)
hidden_states = torch.einsum("nhwpqc->nchpwq", hidden_states)
output = hidden_states.reshape(
shape=(-1, self.out_channels, height * self.patch_size, width * self.patch_size)
)
3、隐空间解码生成图片
通过上述步骤，已经可以多次采样获得效果，然后我们便可以通过隐空间解码生成图片。
隐空间解码生成图片的过程非常简单，将上文多次采样后的效果，利用vae的decode方法即可生成图片。
# --------------------------------- #
# 后处理
# --------------------------------- #
# 通过vae进行解码
latents = 1 / self.vae.config.scaling_factor * latents
samples = self.vae.decode(latents).sample
samples = (samples / 2 + 0.5).clamp(0, 1)
# 转化为float32类别
samples = samples.cpu().permute(0, 2, 3, 1).float().numpy()
种别到图像预测过程代码
整体预测代码如下：
import torch
import json
import os
from diffusers import DPMSolverMultistepScheduler, AutoencoderKL
from nets.transformer_2d import Transformer2DModel
from nets.pipeline import DiTPipeline
# 模型路径
model_path = "model_data/DiT-XL-2-256"
# 初始化DiT的各个组件
scheduler = DPMSolverMultistepScheduler.from_pretrained(model_path, subfolder="scheduler")
transformer = Transformer2DModel.from_pretrained(model_path, subfolder="transformer")
vae = AutoencoderKL.from_pretrained(model_path, subfolder="vae")
id2label = json.load(open(os.path.join(model_path, "model_index.json"), "r"))['id2label']
# 初始化DiT的Pipeline
pipe = DiTPipeline(scheduler=scheduler, transformer=transformer, vae=vae, id2label=id2label)
pipe = pipe.to("cuda")
# imagenet种类 对应的 名称
words = ["white shark", "umbrella"]
# 获得imagenet对应的ids
class_ids = pipe.get_label_ids(words)
# 设置seed
generator = torch.manual_seed(42)
# pipeline前传
output = pipe(class_labels=class_ids, num_inference_steps=25, generator=generator)
# 保存图片
for index, image in enumerate(output.images):
image.save(f"output-{index}.png")
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]