深度學(xué)習(xí)數(shù)學(xué)基礎(chǔ)

本文來(lái)自《動(dòng)手學(xué)習(xí)深度學(xué)習(xí)》附錄

本文總結(jié)了本書中涉及的有關(guān)線性代數(shù)避乏、微分和概率的基礎(chǔ)知識(shí)。

線性代數(shù)

下面分別概括了向量资柔、矩陣焙贷、運(yùn)算、范數(shù)贿堰、特征向量和特征值的概念辙芍。

向量

本書中的向量指的是列向量。一個(gè) $n$ 維向量 $\boldsymbol{x}$ 的表達(dá)式可寫成

$\boldsymbol{x} = \begin{bmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{bmatrix},$

其中 $x_1, \ldots, x_n$ 是向量的元素羹与。我們將各元素均為實(shí)數(shù)的 $n$ 維向量 $\boldsymbol{x}$ 記作 $\boldsymbol{x} \in \mathbb{R}^{n}$ 或 $\boldsymbol{x} \in \mathbb{R}^{n \times 1}$ 沸手。

矩陣

一個(gè) $m$ 行 $n$ 列矩陣的表達(dá)式可寫成

$\boldsymbol{X} = \begin{bmatrix} x_{11} & x_{12} & \dots & x_{1n} \\ x_{21} & x_{22} & \dots & x_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ x_{m1} & x_{m2} & \dots & x_{mn} \end{bmatrix},$

其中 $x_{ij}$ 是矩陣 $\boldsymbol{X}$ 中第 $i$ 行第 $j$ 列的元素（ $1 \leq i \leq m, 1 \leq j \leq n$ ）。我們將各元素均為實(shí)數(shù)的 $m$ 行 $n$ 列矩陣 $\boldsymbol{X}$ 記作 $\boldsymbol{X} \in \mathbb{R}^{m \times n}$ 注簿。不難發(fā)現(xiàn)契吉，向量是特殊的矩陣。

運(yùn)算

設(shè) $n$ 維向量 $\boldsymbol{a}$ 中的元素為 $a_1, \ldots, a_n$ 诡渴， $n$ 維向量 $\boldsymbol捐晶$ 中的元素為 $b_1, \ldots, b_n$ 菲语。向量 $\boldsymbol{a}$ 與 $\boldsymbol$ 的點(diǎn)乘（內(nèi)積）是一個(gè)標(biāo)量：

$\boldsymbol{a} \cdot \boldsymbol惑灵 = a_1 b_1 + \ldots + a_n b_n.$

設(shè)兩個(gè) $m$ 行 $n$ 列矩陣

$\boldsymbol{A} = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix},\quad \boldsymbol{B} = \begin{bmatrix} b_{11} & b_{12} & \dots & b_{1n} \\ b_{21} & b_{22} & \dots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ b_{m1} & b_{m2} & \dots & b_{mn} \end{bmatrix}.$

矩陣 $\boldsymbol{A}$ 的轉(zhuǎn)置是一個(gè) $n$ 行 $m$ 列矩陣山上，它的每一行其實(shí)是原矩陣的每一列：
$\boldsymbol{A}^\top = \begin{bmatrix} a_{11} & a_{21} & \dots & a_{m1} \\ a_{12} & a_{22} & \dots & a_{m2} \\ \vdots & \vdots & \ddots & \vdots \\ a_{1n} & a_{2n} & \dots & a_{mn} \end{bmatrix}.$

兩個(gè)相同形狀的矩陣的加法是將兩個(gè)矩陣按元素做加法：

$\boldsymbol{A} + \boldsymbol{B} = \begin{bmatrix} a_{11} + b_{11} & a_{12} + b_{12} & \dots & a_{1n} + b_{1n} \\ a_{21} + b_{21} & a_{22} + b_{22} & \dots & a_{2n} + b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} + b_{m1} & a_{m2} + b_{m2} & \dots & a_{mn} + b_{mn} \end{bmatrix}.$

我們使用符號(hào) $\odot$ 表示兩個(gè)矩陣按元素做乘法的運(yùn)算：

$\boldsymbol{A} \odot \boldsymbol{B} = \begin{bmatrix} a_{11} b_{11} & a_{12} b_{12} & \dots & a_{1n} b_{1n} \\ a_{21} b_{21} & a_{22} b_{22} & \dots & a_{2n} b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} b_{m1} & a_{m2} b_{m2} & \dots & a_{mn} b_{mn} \end{bmatrix}.$

定義一個(gè)標(biāo)量 $k$ 。標(biāo)量與矩陣的乘法也是按元素做乘法的運(yùn)算：

$k\boldsymbol{A} = \begin{bmatrix} ka_{11} & ka_{12} & \dots & ka_{1n} \\ ka_{21} & ka_{22} & \dots & ka_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ ka_{m1} & ka_{m2} & \dots & ka_{mn} \end{bmatrix}.$

其他諸如標(biāo)量與矩陣按元素相加英支、相除等運(yùn)算與上式中的相乘運(yùn)算類似佩憾。矩陣按元素開根號(hào)、取對(duì)數(shù)等運(yùn)算也就是對(duì)矩陣每個(gè)元素開根號(hào)干花、取對(duì)數(shù)等妄帘，并得到和原矩陣形狀相同的矩陣。

矩陣乘法和按元素的乘法不同池凄。設(shè) $\boldsymbol{A}$ 為 $m$ 行 $p$ 列的矩陣抡驼， $\boldsymbol{B}$ 為 $p$ 行 $n$ 列的矩陣。兩個(gè)矩陣相乘的結(jié)果

$\boldsymbol{A} \boldsymbol{B} = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1p} \\ a_{21} & a_{22} & \dots & a_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ a_{i1} & a_{i2} & \dots & a_{ip} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mp} \end{bmatrix} \begin{bmatrix} b_{11} & b_{12} & \dots & b_{1j} & \dots & b_{1n} \\ b_{21} & b_{22} & \dots & b_{2j} & \dots & b_{2n} \\ \vdots & \vdots & \ddots & \vdots & \ddots & \vdots \\ b_{p1} & b_{p2} & \dots & b_{pj} & \dots & b_{pn} \end{bmatrix}$

是一個(gè) $m$ 行 $n$ 列的矩陣肿仑，其中第 $i$ 行第 $j$ 列（ $1 \leq i \leq m, 1 \leq j \leq n$ ）的元素為

$a_{i1}b_{1j} + a_{i2}b_{2j} + \ldots + a_{ip}b_{pj} = \sum_{k=1}^p a_{ik}b_{kj}.$

范數(shù)

設(shè) $n$ 維向量 $\boldsymbol{x}$ 中的元素為 $x_1, \ldots, x_n$ 致盟。向量 $\boldsymbol{x}$ 的 $L_p$ 范數(shù)為

$\|\boldsymbol{x}\|_p = \left(\sum_{i=1}^n \left|x_i \right|^p \right)^{1/p}.$

例如， $\boldsymbol{x}$ 的 $L_1$ 范數(shù)是該向量元素絕對(duì)值之和：

$\|\boldsymbol{x}\|_1 = \sum_{i=1}^n \left|x_i \right|.$

而 $\boldsymbol{x}$ 的 $L_2$ 范數(shù)是該向量元素平方和的平方根：

$\|\boldsymbol{x}\|_2 = \sqrt{\sum_{i=1}^n x_i^2}.$

我們通常用 $\|\boldsymbol{x}\|$ 指代 $\|\boldsymbol{x}\|_2$ 尤慰。

設(shè) $\boldsymbol{X}$ 是一個(gè) $m$ 行 $n$ 列矩陣馏锡。矩陣 $\boldsymbol{X}$ 的Frobenius范數(shù)為該矩陣元素平方和的平方根：

$\|\boldsymbol{X}\|_F = \sqrt{\sum_{i=1}^m \sum_{j=1}^n x_{ij}^2},$

其中 $x_{ij}$ 為矩陣 $\boldsymbol{X}$ 在第 $i$ 行第 $j$ 列的元素。

特征向量和特征值

對(duì)于一個(gè) $n$ 行 $n$ 列的矩陣 $\boldsymbol{A}$ 伟端，假設(shè)有標(biāo)量 $\lambda$ 和非零的 $n$ 維向量 $\boldsymbol{v}$ 使

$\boldsymbol{A} \boldsymbol{v} = \lambda \boldsymbol{v},$

那么 $\boldsymbol{v}$ 是矩陣 $\boldsymbol{A}$ 的一個(gè)特征向量眷篇，標(biāo)量 $\lambda$ 是 $\boldsymbol{v}$ 對(duì)應(yīng)的特征值。

微分

我們?cè)谶@里簡(jiǎn)要介紹微分的一些基本概念和演算荔泳。

導(dǎo)數(shù)和微分

假設(shè)函數(shù) $f: \mathbb{R} \rightarrow \mathbb{R}$ 的輸入和輸出都是標(biāo)量蕉饼。函數(shù) $f$ 的導(dǎo)數(shù)

$f'(x) = \lim_{h \rightarrow 0} \frac{f(x+h) - f(x)}{h},$

且假定該極限存在。給定 $y = f(x)$ 玛歌，其中 $x$ 和 $y$ 分別是函數(shù) $f$ 的自變量和因變量昧港。以下有關(guān)導(dǎo)數(shù)和微分的表達(dá)式等價(jià)：

$f'(x) = y' = \frac{\textzp5d1zhy}{\textdllbpn9x} = \frac{\textvf75nnnf}{\texthrdrhttx} = \frac{\textljrfhpb}{\textjfjnbnlx} f(x) = \text{D}f(x) = \text{D}_x f(x),$

其中符號(hào) $\text{D}$ 和 $\textpxjz3fp/\textjxzz9bpx$ 也叫微分運(yùn)算符。常見的微分演算有 $\text{D}C = 0$ （ $C$ 為常數(shù)）支子、 $\text{D}x^n = nx^{n-1}$ （ $n$ 為常數(shù)）创肥、 $\text{D}e^x = e^x$ 、 $\text{D}\ln(x) = 1/x$ 等值朋。

如果函數(shù) $f$ 和 $g$ 都可導(dǎo)叹侄，設(shè) $C$ 為常數(shù)，那么

$\begin{aligned} \frac{\text3hvx1zj}{\textvtpdptrx} [Cf(x)] &= C \frac{\textvvjlbrr}{\textblndtz9x} f(x),\\ \frac{\textx1jll1p}{\texthpr11ptx} [f(x) + g(x)] &= \frac{\textjttxpp1}{\textbxlbpnnx} f(x) + \frac{\textzjll1jl}{\textjjjnzjlx} g(x),\\ \frac{\textxjzzz1t}{\texttr13lhhx} [f(x)g(x)] &= f(x) \frac{\texthhxnjhh}{\text1j9rf51x} [g(x)] + g(x) \frac{\textpv9zn1t}{\textbx1rdn9x} [f(x)],\\ \frac{\textt11bvpn}{\textfn9dvhtx} \left[\frac{f(x)}{g(x)}\right] &= \frac{g(x) \frac{\textvtrfhtt}{\textjffthhtx} [f(x)] - f(x) \frac{\textlhtv1rf}{\textzjzlxjxx} [g(x)]}{[g(x)]^2}. \end{aligned}$

如果 $y=f(u)$ 和 $u=g(x)$ 都是可導(dǎo)函數(shù)昨登，依據(jù)鏈?zhǔn)椒▌t趾代，

$\frac{\textfzl9d19y}{\texthfrr9hhx} = \frac{\text3vp1zj1y}{\text3vh1httu} \frac{\texttpx11xnu}{\textlxthlxhx}.$

泰勒展開

函數(shù) $f$ 的泰勒展開式是

$f(x) = \sum_{n=0}^\infty \frac{f^{(n)}(a)}{n!} (x-a)^n,$

其中 $f^{(n)}$ 為函數(shù) $f$ 的 $n$ 階導(dǎo)數(shù)（求 $n$ 次導(dǎo)數(shù)）， $n!$ 為 $n$ 的階乘丰辣。假設(shè) $\epsilon$ 是一個(gè)足夠小的數(shù)撒强，如果將上式中 $x$ 和 $a$ 分別替換成 $x+\epsilon$ 和 $x$ 禽捆，可以得到

$f(x + \epsilon) \approx f(x) + f'(x) \epsilon + \mathcal{O}(\epsilon^2).$

由于 $\epsilon$ 足夠小，上式也可以簡(jiǎn)化成

$f(x + \epsilon) \approx f(x) + f'(x) \epsilon.$

偏導(dǎo)數(shù)

設(shè) $u$ 為一個(gè)有 $n$ 個(gè)自變量的函數(shù)飘哨， $u = f(x_1, x_2, \ldots, x_n)$ 胚想，它有關(guān)第 $i$ 個(gè)變量 $x_i$ 的偏導(dǎo)數(shù)為

$\frac{\partial u}{\partial x_i} = \lim_{h \rightarrow 0} \frac{f(x_1, \ldots, x_{i-1}, x_i+h, x_{i+1}, \ldots, x_n) - f(x_1, \ldots, x_i, \ldots, x_n)}{h}.$

以下有關(guān)偏導(dǎo)數(shù)的表達(dá)式等價(jià)：

$\frac{\partial u}{\partial x_i} = \frac{\partial f}{\partial x_i} = f_{x_i} = f_i = \text{D}_i f = \text{D}_{x_i} f.$

為了計(jì)算 $\partial u/\partial x_i$ ，只需將 $x_1, \ldots, x_{i-1}, x_{i+1}, \ldots, x_n$ 視為常數(shù)并求 $u$ 有關(guān) $x_i$ 的導(dǎo)數(shù)芽隆。

梯度

假設(shè)函數(shù) $f: \mathbb{R}^n \rightarrow \mathbb{R}$ 的輸入是一個(gè) $n$ 維向量 $\boldsymbol{x} = [x_1, x_2, \ldots, x_n]^\top$ 浊服，輸出是標(biāo)量。函數(shù) $f(\boldsymbol{x})$ 有關(guān) $\boldsymbol{x}$ 的梯度是一個(gè)由 $n$ 個(gè)偏導(dǎo)數(shù)組成的向量：

$\nabla_{\boldsymbol{x}} f(\boldsymbol{x}) = \bigg[\frac{\partial f(\boldsymbol{x})}{\partial x_1}, \frac{\partial f(\boldsymbol{x})}{\partial x_2}, \ldots, \frac{\partial f(\boldsymbol{x})}{\partial x_n}\bigg]^\top.$

為表示簡(jiǎn)潔胚吁，我們有時(shí)用 $\nabla f(\boldsymbol{x})$ 代替 $\nabla_{\boldsymbol{x}} f(\boldsymbol{x})$ 牙躺。

假設(shè) $\boldsymbol{x}$ 是一個(gè)向量，常見的梯度演算包括

$\begin{aligned} \nabla_{\boldsymbol{x}} \boldsymbol{A}^\top \boldsymbol{x} &= \boldsymbol{A}, \\ \nabla_{\boldsymbol{x}} \boldsymbol{x}^\top \boldsymbol{A} &= \boldsymbol{A}, \\ \nabla_{\boldsymbol{x}} \boldsymbol{x}^\top \boldsymbol{A} \boldsymbol{x} &= (\boldsymbol{A} + \boldsymbol{A}^\top)\boldsymbol{x},\\ \nabla_{\boldsymbol{x}} \|\boldsymbol{x} \|^2 &= \nabla_{\boldsymbol{x}} \boldsymbol{x}^\top \boldsymbol{x} = 2\boldsymbol{x}. \end{aligned}$

類似地囤采，假設(shè) $\boldsymbol{X}$ 是一個(gè)矩陣，那么
$\nabla_{\boldsymbol{X}} \|\boldsymbol{X} \|_F^2 = 2\boldsymbol{X}.$

海森矩陣

假設(shè)函數(shù) $f: \mathbb{R}^n \rightarrow \mathbb{R}$ 的輸入是一個(gè) $n$ 維向量 $\boldsymbol{x} = [x_1, x_2, \ldots, x_n]^\top$ 惩淳，輸出是標(biāo)量蕉毯。假定函數(shù) $f$ 所有的二階偏導(dǎo)數(shù)都存在， $f$ 的海森矩陣 $\boldsymbol{H}$ 是一個(gè) $n$ 行 $n$ 列的矩陣：

$\boldsymbol{H} = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \dots & \frac{\partial^2 f}{\partial x_1 \partial x_n} \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \dots & \frac{\partial^2 f}{\partial x_2 \partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial^2 f}{\partial x_n \partial x_1} & \frac{\partial^2 f}{\partial x_n \partial x_2} & \dots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix},$

其中二階偏導(dǎo)數(shù)

$\frac{\partial^2 f}{\partial x_i \partial x_j} = \frac{\partial }{\partial x_j} \left(\frac{\partial f}{ \partial x_i}\right).$

概率

最后思犁，我們簡(jiǎn)要介紹條件概率代虾、期望和均勻分布。

條件概率

假設(shè)事件 $A$ 和事件 $B$ 的概率分別為 $P(A)$ 和 $P(B)$ 激蹲，兩個(gè)事件同時(shí)發(fā)生的概率記作 $P(A \cap B)$ 或 $P(A, B)$ 棉磨。給定事件 $B$ ，事件 $A$ 的條件概率

$P(A \mid B) = \frac{P(A \cap B)}{P(B)}.$

也就是說(shuō)学辱，

$P(A \cap B) = P(B) P(A \mid B) = P(A) P(B \mid A).$

當(dāng)滿足

$P(A \cap B) = P(A) P(B)$

時(shí)乘瓤，事件 $A$ 和事件 $B$ 相互獨(dú)立。

期望

離散的隨機(jī)變量 $X$ 的期望（或平均值）為

$E(X) = \sum_{x} x P(X = x).$

均勻分布

假設(shè)隨機(jī)變量 $X$ 服從 $[a, b]$ 上的均勻分布策泣，即 $X \sim U(a, b)$ 衙傀。隨機(jī)變量 $X$ 取 $a$ 和 $b$ 之間任意一個(gè)數(shù)的概率相等。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

人面猴
序言：七十年代末萨咕，一起剝皮案震驚了整個(gè)濱河市统抬，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌危队，老刑警劉巖聪建，帶你破解...
沈念sama閱讀 218,386評(píng)論 6贊 506
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場(chǎng)離奇詭異茫陆，居然都是意外死亡金麸，警方通過(guò)查閱死者的電腦和手機(jī)，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 93,142評(píng)論 3贊 394
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門簿盅，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)钱骂，“玉大人叔锐，你說(shuō)我怎么就攤上這事〖啵” “怎么了愉烙？”我有些...
開封第一講書人閱讀 164,704評(píng)論 0贊 353
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵，是天一觀的道長(zhǎng)解取。經(jīng)常有香客問(wèn)我步责，道長(zhǎng)，這世上最難降的妖魔是什么禀苦？我笑而不...
開封第一講書人閱讀 58,702評(píng)論 1贊 294
?港島之戀（遺憾婚禮）
正文為了忘掉前任蔓肯，我火速辦了婚禮，結(jié)果婚禮上振乏，老公的妹妹穿的比我還像新娘蔗包。我一直安慰自己，他們只是感情好慧邮，可當(dāng)我...
茶點(diǎn)故事閱讀 67,716評(píng)論 6贊 392
惡毒庶女頂嫁案：這布局不是一般人想出來(lái)的
文/花漫我一把揭開白布调限。她就那樣靜靜地躺著，像睡著了一般误澳。火紅的嫁衣襯著肌膚如雪耻矮。梳的紋絲不亂的頭發(fā)上，一...
開封第一講書人閱讀 51,573評(píng)論 1贊 305
城市分裂傳說(shuō)
那天忆谓，我揣著相機(jī)與錄音裆装，去河邊找鬼。笑死倡缠，一個(gè)胖子當(dāng)著我的面吹牛哨免，可吹牛的內(nèi)容都是我干的。我是一名探鬼主播昙沦，決...
沈念sama閱讀 40,314評(píng)論 3贊 418
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開眼铁瞒，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼！你這毒婦竟也來(lái)了桅滋？” 一聲冷哼從身側(cè)響起慧耍，我...
開封第一講書人閱讀 39,230評(píng)論 0贊 276
萬(wàn)榮殺人案實(shí)錄
序言：老撾萬(wàn)榮一對(duì)情侶失蹤，失蹤者是張志新（化名）和其女友劉穎丐谋，沒想到半個(gè)月后芍碧，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體，經(jīng)...
沈念sama閱讀 45,680評(píng)論 1贊 314
?護(hù)林員之死
正文獨(dú)居荒郊野嶺守林人離奇死亡号俐，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點(diǎn)故事閱讀 37,873評(píng)論 3贊 336
?白月光啟示錄
正文我和宋清朗相戀三年泌豆，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片吏饿。...
茶點(diǎn)故事閱讀 39,991評(píng)論 1贊 348
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡踪危，死狀恐怖蔬浙，靈堂內(nèi)的尸體忽然破棺而出，到底是詐尸還是另有隱情贞远，我是刑警寧澤畴博，帶...
沈念sama閱讀 35,706評(píng)論 5贊 346
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布，位于F島的核電站蓝仲，受9級(jí)特大地震影響俱病，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜袱结，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 41,329評(píng)論 3贊 330
男人毒藥：我在死后第九天來(lái)索命
文/蒙蒙一亮隙、第九天我趴在偏房一處隱蔽的房頂上張望。院中可真熱鬧垢夹，春花似錦溢吻、人聲如沸。這莊子的主人今日做“春日...
開封第一講書人閱讀 31,910評(píng)論 0贊 22
一樁弒父案促王，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽(yáng)。三九已至噪漾，卻和暖如春硼砰，著一層夾襖步出監(jiān)牢的瞬間且蓬，已是汗流浹背欣硼。一陣腳步聲響...
開封第一講書人閱讀 33,038評(píng)論 1贊 270
情欲美人皮
我被黑心中介騙來(lái)泰國(guó)打工，沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留恶阴，地道東北人诈胜。一個(gè)月前我還...
沈念sama閱讀 48,158評(píng)論 3贊 370
代替公主和親
正文我出身青樓，卻偏偏與公主長(zhǎng)得像冯事，于是被迫代替她去往敵國(guó)和親焦匈。傳聞我的和親對(duì)象是個(gè)殘疾皇子，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 44,941評(píng)論 2贊 355