基于高光谱数据集的创新点实现-高斯核函数卷积神经网络

news2024/11/9 9:40:47

一、高光谱数据集简介

1.1 数据集简介

数据集链接在这:高光谱数据集(.mat.csv)-科研学术
数据集包含下面三个文件:
在这里插入图片描述
文件中包含.mat与.csv,145x145x220,
其实主要使用avirissub.csv文件,在代码上只是将mat文件转成了csv文件。具体avirissub.csv如下:145x145x220,每行代表一个数据,每行前220列代表特征,最后一列代表标签值,共17类标签。
在这里插入图片描述

1.2.软件环境与配置:

安装TensorFlow2.12.0版本。指令如下:

 pip install tensorflow==2.12.0

这个版本最关键,其他库,以此安装即可。

二、基线模型实现:

该代码旨在通过构建和训练卷积神经网络(CNN)模型来进行分类任务。下面是代码的详细解释和网络模型结构的说明:

2.1. 环境设置和数据加载

import pandas as pd
from tensorflow import keras
from tensorflow.keras.layers import Dense, Dropout, Conv1D, MaxPooling1D, Flatten
from tensorflow.keras.models import Sequential
from tensorflow.keras import optimizers
from sklearn.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.callbacks import ModelCheckpoint, ReduceLROnPlateau
from keras.utils import np_utils
import scipy.io as sio
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "0"
np.random.seed(42)

num_epoch = []
result_mean = []
result_std_y = []
result_std_w = []
  • 引入所需库,包括Pandas、TensorFlow、Keras、Scipy等。
  • 设置环境变量以使用指定的GPU设备。
  • 设置随机种子以确保结果可重现。

2.2. 数据加载和预处理

data = sio.loadmat('D:/python_test/data/avirissub.mat')
data_L = sio.loadmat('D:/python_test/data/avirissub_gt.mat')

print(sio.whosmat('D:/python_test/data/avirissub.mat'))
print(sio.whosmat('D:/python_test/data/avirissub_gt.mat'))

data_D = data['x92AV3C']
data_L = data_L['x92AV3C_gt']

data_D_flat = data_D.reshape(-1, data_D.shape[-1])
print(data_D_flat.shape)

data_combined = pd.DataFrame(data_D_flat)
data_combined['label'] = data_L.flatten()
data_combined.to_csv('D:/python_test/data/avirissub.csv', index=False, header=False)

data = pd.read_csv('D:/python_test/data/avirissub.csv', header=None)
data = data.values
data_D = data[:, :-1]
data_L = data[:, -1]
print(data_D.shape)

data_D = data_D / np.max(np.max(data_D))
data_D_F = data_D / np.max(np.max(data_D))

data_train, data_test, label_train, label_test = train_test_split(data_D_F, data_L, test_size=0.8, random_state=42, stratify=data_L)

data_train = data_train.reshape(data_train.shape[0], data_train.shape[1], 1)
data_test = data_test.reshape(data_test.shape[0], data_test.shape[1], 1)

print(np.unique(label_train))

label_train = np_utils.to_categorical(label_train,  None)
label_test = np_utils.to_categorical(label_test,  None)
  • 加载数据和标签,查看文件中的键和形状。
  • 数据预处理:将多维数据展平成二维数组,合并数据和标签,保存为CSV文件,并从CSV文件中读取数据。
  • 对特征数据进行归一化。
  • 划分训练集和测试集,并调整数据形状以与Conv1D层兼容。
  • 对标签数据进行独热编码。

2.3. 定义卷积神经网络模型

def CNN(num):
    result = []
    num_epoch.append(num)
    for i in range(3):
        time_S = time.time()
        model = Sequential()
        model.add(Conv1D(filters=6, kernel_size=8, input_shape=inputShape, activation='relu', name='spec_conv1'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool1'))
        
        model.add(Conv1D(filters=12, kernel_size=7, activation='relu', name='spec_conv2'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool2'))
        
        model.add(Conv1D(filters=24, kernel_size=8, activation='relu', name='spec_conv3'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool3'))

        model.add(Flatten(name='spe_fla'))
        model.add(Dense(256, activation='relu', name='spe_De'))

        model.add(Dense(17, activation='softmax'))

        adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)

        model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
        filepath = "../model/model_spe(5%).h5"
        checkpointer = ModelCheckpoint(filepath, monitor='val_acc', save_weights_only=False, mode='max', save_best_only=True, verbose=0)
        callback = [checkpointer]
        reduce_lr = ReduceLROnPlateau(monitor='val_acc', factor=0.9, patience=10, verbose=0, mode='auto', epsilon=0.000001, cooldown=0, min_lr=0)

        history = model.fit(data_train, label_train, epochs=num, batch_size=5, shuffle=True, validation_split=0.1, verbose=0)
        scores = model.evaluate(data_test, label_test, verbose=0)
        print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))
        result.append(scores[1] * 100)
        time_E = time.time()
        print("costTime:", time_E - time_S, 's')
    print(result)
    result_mean.append(np.mean(result))
    print("均值是:%.4f" % np.mean(result))
    result_std_y.append(np.std(result))
    print("标准差(有偏)是:%.4f" % np.std(result))
    result_std_w.append(np.std(result, ddof=1))
    print("标准差(无偏)是:%.4f" % np.std(result, ddof=1))
  • 定义CNN函数,构建并训练卷积神经网络模型。
  • 网络模型结构包括:
    • Conv1D 层:一维卷积层,用于提取特征。共三个卷积层,每层有不同的过滤器数量和卷积核大小。
    • MaxPooling1D 层:最大池化层,用于下采样。每个卷积层后都有一个池化层。
    • Flatten 层:将多维特征图展平成一维。
    • Dense 层:全连接层,包含256个神经元,激活函数为ReLU。
    • 最后一层 Dense 层:输出层,包含17个神经元,对应17个类别,激活函数为Softmax。

2.4. 模型训练和评估

if __name__ == '__main__':
     CNN(5)
  • 调用CNN函数并设置迭代次数为5。

完整的基线模型版本代码如下

from __future__ import print_function
import pandas as pd
from tensorflow import keras
from tensorflow.keras.layers import Dense, Dropout, Conv1D, MaxPooling1D, Flatten
from tensorflow.keras.models import Sequential
from tensorflow.keras import optimizers
from sklearn.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.callbacks import ModelCheckpoint, ReduceLROnPlateau
from keras.utils import np_utils
import scipy.io as sio
import os

# 设置环境变量,指定使用的 GPU 设备
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

# 设置随机种子以便实验结果可重现
np.random.seed(42)

# 初始化存储结果的列表
num_epoch = []
result_mean = []
result_std_y = []
result_std_w = []

# 加载数据
data = sio.loadmat('D:/python_test/data/avirissub.mat')  # 加载数据
data_L = sio.loadmat('D:/python_test/data/avirissub_gt.mat')  # 加载标签

# 查看.mat文件中包含的键和它们的形状
print(sio.whosmat('D:/python_test/data/avirissub.mat'))
print(sio.whosmat('D:/python_test/data/avirissub_gt.mat'))

# 提取数据和标签
data_D = data['x92AV3C']
data_L = data_L['x92AV3C_gt']

# 将多维数据展平成二维数组
data_D_flat = data_D.reshape(-1, data_D.shape[-1])
print(data_D_flat.shape)
# 将数据和标签合并
data_combined = pd.DataFrame(data_D_flat)
data_combined['label'] = data_L.flatten()

# 保存为.csv文件
data_combined.to_csv('D:/python_test/data/avirissub.csv', index=False, header=False)

# 从 CSV 文件中读取数据
data = pd.read_csv('D:/python_test/data/avirissub.csv', header=None)  # 14 类可以用于分类
data = data.values
data_D = data[:, :-1]  # 提取特征 提取了 data 矩阵的所有行和除了最后一列之外的所有列,这就是特征数据。
data_L = data[:, -1]  # 提取标签 提取了 data 矩阵的所有行的最后一列,这就是标签数据
print(data_D.shape)  # 打印特征数据的形状

# 对特征数据进行归一化
data_D = data_D / np.max(np.max(data_D))
data_D_F = data_D / np.max(np.max(data_D))

# 将数据划分为训练集和测试集
data_train, data_test, label_train, label_test = train_test_split(data_D_F, data_L, test_size=0.8, random_state=42,
                                                                  stratify=data_L)
# 将数据重新调整为与 Conv1D 层兼容的形状
data_train = data_train.reshape(data_train.shape[0], data_train.shape[1], 1)
data_test = data_test.reshape(data_test.shape[0], data_test.shape[1], 1)


# 打印标签数据的唯一值,确保它们的范围是正确的
print(np.unique(label_train))

# 根据类来自动定义独热编码
label_train = np_utils.to_categorical(label_train,  None)
label_test = np_utils.to_categorical(label_test,  None)



inputShape = data_train[0].shape  # 输入形状

import time


def CNN(num):
    result = []
    num_epoch.append(num)
    # for i in range(50):
    for i in range(3):
        time_S = time.time()
        model = Sequential()
        # 定义模型结构
        model.add(Conv1D(filters=6, kernel_size=8, input_shape=inputShape, activation='relu', name='spec_conv1'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool1'))
        #
        model.add(Conv1D(filters=12, kernel_size=7, activation='relu', name='spec_conv2'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool2'))
        #
        model.add(Conv1D(filters=24, kernel_size=8, activation='relu', name='spec_conv3'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool3'))

        # model.add(Conv1D(filters=48, kernel_size=10, activation='relu', name='spec_conv4'))
        # model.add(MaxPooling1D(pool_size=2, name='spec_pool4'))

        model.add(Flatten(name='spe_fla'))
        model.add(Dense(256, activation='relu', name='spe_De'))

        # model.add(Dropout(0.5,name = 'drop'))

        model.add(Dense(17, activation='softmax'))

        # 设置优化器和损失函数,并编译模型
        adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)

        model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
        filepath = "../model/model_spe(5%).h5"
        checkpointer = ModelCheckpoint(filepath, monitor='val_acc', save_weights_only=False, mode='max',
                                       save_best_only=True, verbose=0)
        callback = [checkpointer]
        reduce_lr = ReduceLROnPlateau(monitor='val_acc', factor=0.9, patience=10, verbose=0, mode='auto',
                                      epsilon=0.000001,
                                      cooldown=0, min_lr=0)

        # 训练模型并计算评分
        history = model.fit(data_train, label_train, epochs=num, batch_size=5, shuffle=True, validation_split=0.1,
                            verbose=0)
        scores = model.evaluate(data_test, label_test, verbose=0)
        print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))
        # 保存模型
        result.append(scores[1] * 100)
        time_E = time.time()
        print("costTime:", time_E - time_S, 's')
    print(result)
    result_mean.append(np.mean(result))
    print("均值是:%.4f" % np.mean(result))
    result_std_y.append(np.std(result))
    print("标准差(有偏)是:%.4f" % np.std(result))
    result_std_w.append(np.std(result, ddof=1))
    print("标准差(无偏)是:%.4f" % np.std(result, ddof=1))


if __name__ == '__main__':
    # 调用 CNN 函数并设置迭代次数为 50
    # CNN(50)
     CNN(5)

三、创新点实现:

这段代码在原有基础上引入了一些创新点,主要包括自定义卷积层和自定义回调函数。下面是具体创新点的详细解释:

3.1. 高斯核函数和自定义卷积层

高斯核函数
def gaussian_kernel(x, y, sigma=1.0):
    return tf.exp(-tf.reduce_sum(tf.square(x - y), axis=-1) / (2 * sigma ** 2))
  • 定义高斯核函数,用于计算输入片段与卷积核之间的相似性。
自定义卷积层
class GaussianKernelConv1D(Layer):
    def __init__(self, filters, kernel_size, sigma=1.0, **kwargs):
        super(GaussianKernelConv1D, self).__init__(**kwargs)
        self.filters = filters
        self.kernel_size = kernel_size
        self.sigma = sigma

    def build(self, input_shape):
        self.kernel = self.add_weight(name='kernel',
                                      shape=(self.kernel_size, int(input_shape[-1]), self.filters),
                                      initializer='uniform',
                                      trainable=True)
        super(GaussianKernelConv1D, self).build(input_shape)

    def call(self, inputs):
        output = []
        for i in range(inputs.shape[1] - self.kernel_size + 1):
            slice = inputs[:, i:i+self.kernel_size, :]
            slice = tf.expand_dims(slice, -1)
            kernel = tf.expand_dims(self.kernel, 0)
            similarity = gaussian_kernel(slice, kernel, self.sigma)
            output.append(tf.reduce_sum(similarity, axis=2))
        return tf.stack(output, axis=1)
  • GaussianKernelConv1D 是一个自定义的一维卷积层,使用高斯核函数来计算相似性。
  • build 方法中定义了卷积核,并设置为可训练参数。
  • call 方法中实现了卷积操作,通过滑动窗口方式计算输入片段和卷积核之间的相似性,并累加这些相似性值。

3.2. 自定义回调函数

自定义回调函数用于在每个 epoch 结束时输出训练信息
class TrainingProgressCallback(Callback):
    def on_epoch_end(self, epoch, logs=None):
        logs = logs or {}
        print(f"Epoch {epoch + 1}/{self.params['epochs']}, Loss: {logs.get('loss')}, Accuracy: {logs.get('accuracy')}, "
              f"Val Loss: {logs.get('val_loss')}, Val Accuracy: {logs.get('val_accuracy')}")
  • TrainingProgressCallback 是一个自定义回调函数,用于在每个 epoch 结束时输出训练进度,包括损失和准确率。

3.3. 模型构建、训练和评估

CNN 函数
def CNN(num):
    result = []
    num_epoch.append(num)
    for i in range(3):
        time_S = time.time()
        model = Sequential()
        # 定义模型结构
        model.add(GaussianKernelConv1D(filters=6, kernel_size=8, input_shape=inputShape, name='spec_conv1'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool1'))
        
        model.add(GaussianKernelConv1D(filters=12, kernel_size=7, name='spec_conv2'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool2'))
        
        model.add(GaussianKernelConv1D(filters=24, kernel_size=8, name='spec_conv3'))
        model.add(MaxPooling1D(pool_size=2, name='spec_pool3'))

        model.add(Flatten(name='spe_fla'))
        model.add(Dense(256, activation='relu', name='spe_De'))
        model.add(Dense(17, activation='softmax'))

        # 设置优化器和损失函数,并编译模型
        adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)

        model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
        filepath = "../model/model_spe(5%).h5"
        checkpointer = ModelCheckpoint(filepath, monitor='val_accuracy', save_weights_only=False, mode='max',
                                       save_best_only=True, verbose=0)
        callback = [checkpointer, TrainingProgressCallback()]
        reduce_lr = ReduceLROnPlateau(monitor='val_accuracy', factor=0.9, patience=10, verbose=0, mode='auto',
                                      min_delta=0.000001,
                                      cooldown=0, min_lr=0)
        callback.append(reduce_lr)

        # 训练模型并计算评分
        history = model.fit(data_train, label_train, epochs=num, batch_size=5, shuffle=True, validation_split=0.1,
                            verbose=1, callbacks=callback)
        scores = model.evaluate(data_test, label_test, verbose=0)
        print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))
        result.append(scores[1] * 100)
        time_E = time.time()
        print("costTime:", time_E - time_S, 's')
    print(result)
    result_mean.append(np.mean(result))
    print("均值是:%.4f" % np.mean(result))
    result_std_y.append(np.std(result))
    print("标准差(有偏)是:%.4f" % np.std(result))
    result_std_w.append(np.std(result, ddof=1))
    print("标准差(无偏)是:%.4f" % np.std(result, ddof=1))
  • CNN 函数中,模型结构与之前类似,但卷积层替换为自定义的 GaussianKernelConv1D 层。
  • 使用 TrainingProgressCallback 在每个 epoch 结束时输出训练进度。
  • 训练模型并评估其性能。

四、总结

相对于原代码,新的代码主要创新点包括:

  1. 引入高斯核函数和自定义卷积层:使用高斯核函数来计算输入片段与卷积核之间的相似性,增加了模型的灵活性和非线性特征提取能力。
  2. 自定义回调函数:用于在每个 epoch 结束时输出训练进度,提供更详细的训练信息,便于实时监控和调整模型。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1712116.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

算法学习笔记(7.1)-贪心算法(分数背包问题)

##问题描述 给定 𝑛 个物品,第 𝑖 个物品的重量为 𝑤𝑔𝑡[𝑖−1]、价值为 𝑣𝑎𝑙[𝑖−1] ,和一个容量为 𝑐𝑎&…

【kubernetes】关于k8s集群如何将pod调度到指定node节点(亲和与反亲和等)

目录 一、调度约束 1.1K8S的 List-Watch 机制 ⭐⭐⭐⭐⭐ 1.1.1Pod 启动典型创建过程 二、调度过程 2.1Predicate(预选策略) 常见的算法 2.2priorities(优选策略)常见的算法 三、k8s将pod调度到指定node的方法 3.1指定…

白酒:传统产区的创新之路与品牌重塑

云仓酒庄豪迈白酒作为传统产区的品牌,面临着市场需求的不断变化和消费者口味的多样化。为了保持品牌竞争力和市场地位,传统产区需要不断创新和重塑品牌形象,以满足消费者的需求和期望。 首先,传统产区需要注重产品的品质和口感。品…

Owinps静态IP代理:跨境电商的优选解决方案

在快速发展的电子商务领域,尤其是跨境电商行业,网络的稳定性和安全性是成功经营的关键因素之一。在这背后,少不得一个重要的跨境电商工具——代理IP,而这其中,静态IP因其独特的稳定性和安全性,正逐渐成为众…

IC开发——Ubuntu安装VCS2018

1. 简介 VCS是一种常用的Verilog仿真和综合工具,由Synopsys公司开发。它提供了一个完整的设计验证环境,用于验证硬件设计的正确性和性能。以下是VCS工具的一些主要特点和功能: 仿真功能:VCS支持基于事件驱动的数字电路级仿真&am…

MySQL学习——连接服务器和输入查询

MySQL是一个流行的关系型数据库管理系统(RDBMS),由瑞典的MySQL AB公司开发,后来被Oracle公司收购。它使用SQL(结构化查询语言)作为访问和操作数据库的标准语言。 要查看 mysql 客户端程序提供的选项列表&a…

合约的值类型

基本数据类型:整数、枚举、布尔(类似java的数据类型)Address、Contract(这两种是solidity特有的数据类型)Fixed byte array(定长字节数组) Integer(int/uint) int/uint 以8位字节递增&#xf…

硬盘有EFI分区格式化不了,也删不了怎么办,不能读取磁盘

问题:EFI为系统引导分区表明这是一块系统盘,常规操作无法格式化也无法删除,也不能读取 解决: 1.管理员运行cmd 2.输入diskpart 3.输入list disk 查看系统磁盘,并找到你格式化不了的那块磁盘 4.select disk 编号 选择…

【Go专家编程——并发控制——三剑客】

并发控制 我们考虑这么一种场景,协程在A执行过程中需要创建子协程A1、A2、A3…An,协程创建完子协程后就等待子协程退出。 针对这种场景,Go提供了三种解决方案: Channel:使用channel控制子协程 优点:实现…

【稳定检索】2024年核能科学与材料、物理应用国际会议(NESMPA 2024)

2024年核能科学与材料、物理应用国际会议 2024 International Conference on Nuclear Energy Science and Materials, Physical Applications 【1】会议简介 2024年核能科学与材料、物理应用国际会议即将拉开帷幕,这是一场汇聚全球核能科学、材料研究及物理应用领域…

全志T527 适配双目tp2815_mipi

一、硬件信息 TP2815: 确认硬件信息: 1、通信接口:TWI2总线,引脚组为PE1 、PE2 2、RESET脚: 二、软件配置 1、设备树 t527 dtsi: bsp/configs/linux-5.15/sun55iw3p1.dtsi t527 uboot-board.dts device/config/chi…

必看丨SSL证书是什么?怎么免费申请一张?

SSL证书是一种网络安全证书,它能帮助网站实现数据加密传输,保障用户信息在浏览器和网站服务器之间的安全交流。想象一下SSL证书就像一封密信的封蜡,确保信件内容在途中不会被他人偷看或篡改。 SSL证书的作用主要有两点: 1. 身份验…

gin框架精通篇(二)

原生数据库使用 导入模块:go get -u github.com/go-sql-driver/mysql 安装 mysql 数据库 安装数据库可能遇到的问题:(网上的方法基本可以解决) ERROR 1045 (28000): Access denied for user ‘-root’‘localhost’ (using passwo…

【leetcode2765--最长交替子数组】

要求:给定一个数组,找出符合【x, x1,x,x-1】这样循环的最大交替数组长度。 思路:用两层while循环,第一个while用来找到符合这个循环的开头位置,第二个用来找到该循环的结束位置,并比较一下max进行记录。 …

LLVM技术在GaussDB等数据库中的应用

目录 LLVM和数据库 LLVM适用场景 LLVM对所有类型的SQL都会有收益吗? LLVM在OLTP中就一定没有收益吗? GaussDB中的LLVM 1. LLVM在华为应用于数据库的时间线 2. GaussDB LLVM实现简析 3. GaussDB LLVM支持加速的场景 支持LLVM的表达式&#xff1a…

河南道路与桥梁乙级资质升级门槛条件解读

河南道路与桥梁乙级资质升级门槛条件解读如下: 一、企业基本条件 法人资格: 企业需具备独立企业法人资格,能够独立承担民事责任。注册资金: 企业的注册资金应不少于100万元人民币,这一数字直接体现了企业的经济实力和…

Yann LeCun 和 Elon Musk 就 AI 监管激烈交锋

🦉 AI新闻 🚀 Yann LeCun 和 Elon Musk 就 AI 监管激烈交锋 摘要:昨天,Yann LeCun 和Elon Musk 在社交媒体就人工智能的安全性和监管问题展开激烈辩论。LeCun 认为目前对 AI 的担忧和监管为时过早,主张开放和共享。而…

【linux:基础IO】

目录 系统调用的文件接口: open read: write: lseek: close: 系统调用的文件接口: open 当文件存在时:int open (const char*pathname,int flags)当文件不存在时:int open (const char* pathname,int flags,mode_t mode) 返…

拉格朗日插值法的推导

1、插值的基本定义   设函数 y f ( x ) yf(x) yf(x)在区间 [ a , b ] [a,b] [a,b]上有定义&#xff0c;且已知它在 n 1 n1 n1个互异点 a ≤ x 0 < x 1 < . . . < x n ≤ b a\leq x_0<x_1<...<x_n\leq b a≤x0​<x1​<...<xn​≤b上的函数值 y 0 …

经典文献阅读之--SMERF(通过标清导航地图增强车道感知和拓扑理解)

Tip: 如果你在进行深度学习、自动驾驶、模型推理、微调或AI绘画出图等任务&#xff0c;并且需要GPU资源&#xff0c;可以考虑使用Compshare的GPU算力云平台。他们提供高性价比的4090 GPU&#xff0c;按时收费每卡2.6元&#xff0c;月卡只需要1.7元每小时&#xff0c;并附带200G…