vc维(vc维生素c什么时候吃比较好) - 鸿海伟业生活资讯网
本文目录一览:
- 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
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(责任编辑:自由发挥)
- 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
- 橡木和橡胶木的区别 - 鸿海伟业生活资讯网
- 科凡 - 鸿海伟业生活资讯网
- 插座高度标准(插座高度标准尺寸) - 鸿海伟业生活资讯网
- 核酸检测查询 - 鸿海伟业生活资讯网
- 四川小吃图片(四川小吃图片真实) - 鸿海伟业生活资讯网
- 宠博会 - 鸿海伟业生活资讯网
- 雪乡三日游 - 鸿海伟业生活资讯网
- 助理工程师评定条件(湖北助理工程师评定条件) - 鸿海伟业生活资讯网
- 小功率电磁炉(小功率电磁炉煮东西久一点吗) - 鸿海伟业生活资讯网
- 新都斑竹园(新都斑竹园耍妹儿的地方) - 鸿海伟业生活资讯网
- 网上身份证挂失(如何网上身份证挂失) - 鸿海伟业生活资讯网
- 成都茶文化(成都茶文化的特点) - 鸿海伟业生活资讯网
- 广州市常住人口(广州市常住人口2021总人数是多少) - 鸿海伟业生活资讯网
- 成都市盐道街中学(成都市盐道街中学校徽) - 鸿海伟业生活资讯网
- 蜀南花海(蜀南花海介绍) - 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
- 美图手机m4 - 鸿海伟业生活资讯网
- 太钢不锈最新消息(太钢不锈最新消息股吧) - 鸿海伟业生活资讯网
- 幼儿园招生简章 - 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
- 东莞松山湖公园 - 鸿海伟业生活资讯网
- 211985大学名单 - 鸿海伟业生活资讯网
- 澳门塔蹦极多少钱(在澳门塔蹦极需要多少钱) - 鸿海伟业生活资讯网
- 新都斑竹园(新都斑竹园耍妹儿的地方) - 鸿海伟业生活资讯网
- 扫毒演员表 - 鸿海伟业生活资讯网
- 战争美剧(古代战争美剧) - 鸿海伟业生活资讯网
- 橄榄油品牌(橄榄油品牌排名) - 鸿海伟业生活资讯网
- 广元女儿节 - 鸿海伟业生活资讯网
- 电影查询 - 鸿海伟业生活资讯网
- 朝五晚九日剧 - 鸿海伟业生活资讯网
- 医保定点怎么办理(个人医保定点怎么办理) - 鸿海伟业生活资讯网
- 心娘(心娘牛) - 鸿海伟业生活资讯网
- 贵阳人才(贵阳人才网 *** 信息官网) - 鸿海伟业生活资讯网
- 广元女儿节(广元女儿节赛龙舟) - 鸿海伟业生活资讯网
- 养老保险怎么用 - 鸿海伟业生活资讯网
- 社区核酸 - 鸿海伟业生活资讯网
- 啄木鸟bt - 鸿海伟业生活资讯网
- 周边 - 鸿海伟业生活资讯网
- 南昌有什么好玩的地方 - 鸿海伟业生活资讯网
- 网约车车辆要求 - 鸿海伟业生活资讯网
- 被套规格(酒店床单被套规格) - 鸿海伟业生活资讯网
- 混凝土浇筑规范(钢箱梁混凝土浇筑规范) - 鸿海伟业生活资讯网
- 韩向东扮演者 - 鸿海伟业生活资讯网
- 天街在哪里(重庆公园天街在哪里) - 鸿海伟业生活资讯网
- 图书馆工作(图书馆工作人员周末上班吗) - 鸿海伟业生活资讯网
- st12 - 鸿海伟业生活资讯网
- 家装流程步骤明细(家装流程步骤明细表) - 鸿海伟业生活资讯网
- 康敏扮演者(康敏扮演者 胡军版) - 鸿海伟业生活资讯网
- st12 - 鸿海伟业生活资讯网
- 倪大红的前妻闫妮 - 鸿海伟业生活资讯网
- 推理小说排行榜前十名(中国悬疑推理小说排行榜前十名) - 鸿海伟业生活资讯网
- 会计证年检(会计证年检是什么意思) - 鸿海伟业生活资讯网
- 邛崃房价 - 鸿海伟业生活资讯网
- 内机(内机结霜什么原因) - 鸿海伟业生活资讯网
- 电信实名认证(电信实名认证网址) - 鸿海伟业生活资讯网
- 地面防水(地面防水包工包料多少钱一平方) - 鸿海伟业生活资讯网
- 恒大比赛时间(恒大比赛地点) - 鸿海伟业生活资讯网
- 十大品牌冰箱排名 - 鸿海伟业生活资讯网
- 身份证大小尺寸多少厘米 - 鸿海伟业生活资讯网
- 绵阳人民公园 - 鸿海伟业生活资讯网
- 成都佛罗伦萨小镇 - 鸿海伟业生活资讯网
- 军事院校(军事院校近视眼可以报名吗) - 鸿海伟业生活资讯网
- 什么是实木床 - 鸿海伟业生活资讯网
- 清扬是哪个国家的品牌(清扬品牌优势) - 鸿海伟业生活资讯网
- 补水面膜推荐(超强补水面膜推荐) - 鸿海伟业生活资讯网
- 阳普医疗股票(阳普医疗 股吧) - 鸿海伟业生活资讯网
- 精装房验房(精装房验房师验一次多少钱) - 鸿海伟业生活资讯网
- 四线城市有哪些 - 鸿海伟业生活资讯网
- 成都天气穿衣 - 鸿海伟业生活资讯网
- 装修暖气片(装修暖气片可以换位置吗) - 鸿海伟业生活资讯网
- st12 - 鸿海伟业生活资讯网
- 北京菜系 - 鸿海伟业生活资讯网
- 浙大财务 - 鸿海伟业生活资讯网
- 绵阳方特东方神画 - 鸿海伟业生活资讯网
- 防盗门十大品牌 - 鸿海伟业生活资讯网
- 乳胶枕头的好处和坏处(乳胶枕头的好处和坏处知乎) - 鸿海伟业生活资讯网
- 东莞松山湖公园 - 鸿海伟业生活资讯网
- 斑竹园镇 - 鸿海伟业生活资讯网
- 霓虹灯是什么意思(璀璨的霓虹灯是什么意思) - 鸿海伟业生活资讯网
- 怎样添加打印机到电脑(如何添加打印机到电脑上) - 鸿海伟业生活资讯网
- 艳遇 - 鸿海伟业生活资讯网
- 阳台遮阳棚(阳台遮阳棚伸缩式雨棚) - 鸿海伟业生活资讯网
- 数据线是什么(数据线是什么样子的) - 鸿海伟业生活资讯网
- 扫毒演员表(扫毒演员表黑柴) - 鸿海伟业生活资讯网
- 老麻抄手 - 鸿海伟业生活资讯网
- 四川稻城旅游(四川稻城旅游的图片) - 鸿海伟业生活资讯网
- 数据线是什么(数据线是什么样子的) - 鸿海伟业生活资讯网
- 山河无恙在我胸(山河无恙在我胸伴奏) - 鸿海伟业生活资讯网
- 乌克兰大学排名(乌克兰大学排名qs) - 鸿海伟业生活资讯网
- 加拿大被痛骂后,终于开始行动了 views+
- 美国一架波音737着陆失败冲入河中 机型与埃航坠机事故相同 views+
- XR续航跟宣传差一半?苹果:跟测试方法有关 views+
- 民进党创党大佬通缉在逃 失踪一年后突然在"总统府"现身 views+
- 特斯拉预计全球电动汽车电池矿物将出现短缺 views+
- 定了 养老金上调金额公布!7月15日到手 这5类人却拿不到 views+
- 20年来最强热带气旋横扫印度 已致7人死亡(图) views+
- 海南叫停红树湾商品房销售 涉嫌“活埋”大片红树林 views+
- 让青春在民族复兴奋斗中飞扬 views+
- 《国家相册》第二季第2集:青春的接力 views+
- 迎返程客流高峰 4日全国铁路预计发送旅客1667万人次 views+
- 餐厅老板带伤料理食物被质疑不卫生 老板:伤口是被烫的 views+
- 苹果或将大规模生产iPhone XE views+
- 14万民众向日本新天皇朝贺 121人中暑 views+
- 巴菲特:子公司会开发5G等方面的投资 views+
- 涉嫌重大职务犯罪 潜逃的市政府原副秘书长被抓 views+
- 应急管理部暗访山东化工园:重大隐患17处值班领导离岗 views+
- 泰国国王接过五大皇家“圣器”正式加冕 新王后跪地受册封 views+
- 人多到心慌!龙门石窟再次被挤爆 游客:排2小时才挤进来 views+
- 德云社回应弟子众筹治病:私人行为,郭德纲将提供经济援助 views+
- 险象环生!载有8人的油船触礁 船体倾斜将近45度 views+
- 吴鹤臣妻子回应众筹百万:两套房和车不能卖 德云社没有不管 views+
- 智能化生活“飞入寻常百姓家” views+
- 西双版纳8天内连发4起野象伤人事件 已致3人死亡 views+
- 法治是最好的营商环境 views+
- 人类可能首次探测到黑洞与中子星相撞引力波 views+
- 明迎返程高峰 四大城市群周边高速公路易拥堵缓行 views+
- 戏精本精!假药贩子谎称能激活人类长寿密码 演完主任演教授 views+
- 朝鲜试射数枚导弹 飞行距离70-200公里 views+
- 美国驻华大使馆一高级专员今天早上突然死亡 views+
- 河北涞源气象台:尘卷风难预报 充气城堡最脆弱 views+
- "查网龄送流量"或为限制携号转网?移动客服回应:没有限制 views+
- 奏响新时代的青春之歌——纪念五四运动一百周年 views+
- 金正恩指导朝军队火力打击训练 亲自下达射击命令 views+
- 共享汽车乱象调查:消失的押金 views+
- “五一”节后,送你7个好消息!点击查收! views+
- 国家卫健委:应尽量避免学龄前儿童使用手机和电脑 views+
- 巴医生用受污染注射器致90人感染艾滋病毒 包括65名儿童 views+
- 河北承德发生命案4人死亡 嫌疑人畏罪自杀 views+
- 桂林民房起火5死38伤 医院:伤者平均22 多为大学生 views+
- 世园之旅的奇妙和魅力 views+
- 它,差点让iPhone在中国“消失”…现在又盯上了华为 views+
- 世界需要共建一带一路 views+
- “假宫颈癌疫苗事件”启动问责机制 查封药品彻查来源 views+
- 警方通报常熟万达斗殴事件:武馆与跆拳道馆冲突15人被拘 views+
- 女子拒查票气哭乘务员:双方和解 武汉铁路局回应 views+
- “五一”小长假过半 贵铁警方为旅客寻回失物价值近20万元 views+
- "宠粉"重庆的基本操作:五一节封桥给游客看夜景拍照 views+
- 不怕脏和累 一干三十年 views+
- 中国游客巴厘岛遭性侵:教练在摩托艇培训时就动手动脚 views+