万字长文：详解现代AI和浅层学习发展史

这位之首「自古以来最伟人的天文学家」的人也开创了微分微分、数论（他众所周知的课程素材）和非欧微分。如果没有人他的形同果，之外AI在内的许多现代工程将不可想象。

三、1920-1925年：第一个反向人脑

与人脑相似，反向人脑（RNN）不具备反馈联接，因此可以遵循从某些结构上路由到其他路由的定向联接，并以后在起点处结束。这对于在氨基酸处理手段在此期间鉴现对从之前事件的梦境至关不可忽视。

威廉·楞次（左）；奥托·伊辛（右）

力学家奥托·伊辛（Ernst Ising）和威廉·楞次（Wilhelm Lenz）在 1920 二十世纪导入并统计分析了第一个非研修RNN可执行集：伊辛假设（Ising model）。它根据回传条件进入平衡状态，是第一个RNN研修假设的基础。

1972 年，甘利俊一（Shun-Ichi Amari）使伊辛假设反向可执行集不具备自适应性，可以通过反之亦然其联接有理数来研修将回传方式也与输入方式也方面联。这是全世界上第一个研修型RNN。

甘利俊一

目之前，最广为迳传的RNN就是Schmidhuber提议的长粗期梦境在线LSTM。它已经已是20世纪被提到总计的人脑。

四、1958年：多层之前馈人脑

1958年，罗伯特·罗森布拉特（Frank Rosenblatt）融合了差分人脑和阈个数给定，设计者出了非常其鉴质的多层火花塞 (MLP)。

罗伯特·罗森布拉特

多层火花塞遵循人类大脑系统原理，研修并透过资料先为报。它首先研修，然后应用于有理数存储资料，并应用于插个数来调整有理数并减少锻炼更进一步中都的偏差，即反之亦然个数和先为报个数之间的数个数。

由于多层之前馈在线的锻炼常常采用数个数偏移的传播插个数，在方式也标识的领域中都算是国际标准统筹研修插个数，并在量化大脑学及并行分布式处理手段领域中都，短时间已是被数据统计分析的课题。

五、1965年：第一个最较深处研修

最较深处之前馈在线可执行集的最终研修始于1965年的乌克兰，此之前Alexey Ivakhnenko和Valentin Lapa为不具备随意多个背后层的最较深处MLP导入了第一个非标准的管理工作研修插个数。

Alexey Ivakhnenko

可定义一组不具备除此以外尽似乎输入矩阵的回传矩阵锻炼集，层日渐回升并通过回归统计分析透过锻炼，然后利用直接的验证集透过修剪，其中都正则化运用于清理多余的区块。层数和每层区块以疑问方面的手段研修。

与此后的最较深处人脑一样，Ivakhnenko的在线学亦会了为传入资料始创由上而下的、分布式的、结构上对此。

他没有人称它们为最较深处研修人脑，但它们就是这样。事鉴上，「最较深处研修」这个用法最即已是由Dechter于1986年导入电脑研修的，而Aizenberg等人在2000则导入了「人脑」的用法。

六、1967-68年：随器反向回升

1967年，甘利俊一首次提议通过随器反向回升 (SGD)锻炼人脑。

甘利俊一与他的老师Saito在不具备两个可修正层的五层MLP中都研修了结构上对此，该层被锻炼运用于对非差分可除去方式也类透过定义。

Rumelhart和Hinton等人在1986年显然了类似的管理工作，并将其名为为偏移的传播插个数。

七、1970年：偏移的传播插个数

1970 年，Seppo Linnainmaa年初出版了偏移的传播的插个数，这是一种都曾的可微路由在线借贷分派插个数，也统称「一般来说者微分的偏移方式也」。

Seppo Linnainmaa

Linnainmaa首次描述了在随意、给定的稠密联接只能下的类人脑的高效数个数偏移的传播手段。它今天是最常应用于的人脑软件包的基础，例如PyTorch和雅虎的Tensorflow。

偏移的传播直觉上是为最较深处在线鉴施逻辑学链式国法则的必需手段。贝塞尔（Cauchy）提议的反向回升在许多次测试更进一步中都应用于它日渐强化某些人脑联接并扩大其他联接。

1985年，量化开发形同本已比1970年减少达1,000倍，当台式量化器即将在富裕的学术界鉴验室中都普及时，Did Rumelhart等人对目前为止方国法透过鉴验统计分析。

Did Rumelhart

通过鉴验，鲁姆哈特等人声称偏移的传播可以在人脑的背后层中都产生感兴趣的结构上对此。将据统计对于统筹研修，偏移的传播上会比甘利俊一通过SGD方国法透过的上述最较深处研修非常必需。

2010年以后，许多人指出锻炼多层人脑能够无统筹先为锻炼。2010年，Schmidhuber的工作团队与Dan Ciresan声称最较深处FNN可以通过单纯的偏移的传播透过锻炼，并且显然不能够对不可忽视应用透过无统筹先为锻炼。

八、1979年：首个卷积人脑

1979年，高松聪（Kunihiko Fukushima）在STRL开发了一种运用于方式也标识的人脑假设：Neocognitron。

高松聪

但这个Neocognitron用那时候的话来说，叫卷积人脑（CNN），是最较深处人脑理论模型上本体的最伟人问世之一，也是当之前人工人器的核心高效率。

高松博士导入的Neocognitron，是第一个应用于卷积和下采样的人脑，也是卷积人脑的肇始。

高松聪设计者的不具备研修能力的人工多层人脑，可以独创大脑的视觉效果在线，这种「睿智」已是许多现代人工人器高效率的基础。高松博士的管理工作导致了一系列反之亦然应用，从一般来说者驾驶汽车到脸部标识，从癌症检测到山洪先为报，还亦会有愈加多的应用。

1987年，Alex Waibel将不具备卷积的人脑与有理数共享和偏移的传播相融合，提议了时长人脑（TDNN）的用法。

1989年以来，Yann LeCun的工作团队为CNN的小型化显然了开拓性，非常是是在绘出像多方面。

Yann LeCun

2011年末，Schmidhuber的工作团队稍稍减慢了最较深处CNN的锻炼速度快，使其在电脑研修社区内中都变得非常加广为迳传。工作团队推出基于GPU的CNN：DanNet，比后期的CNN非常较深入、浮点非常快。次年，DanNet已是第一个赢得量化器视觉效果竞赛的稀最较深处CNN。

由Microsoft Research的4位学者提议的残差人脑（ResNet），在2015年的ImageNet大规模视觉效果标识竞赛拔得头筹。

Schmidhuber 对此，ResNet是其工作团队研发的高速人脑（Highway Net）的一个后期版本。相较于理论模型上上的人脑总计只有几十层，这是第一个根本必需的、不具备数百层的最较深处之前馈人脑。

九、1987-1990二十世纪：绘出人脑与随器Delta国法则

可以驱使本体化资料（例如绘出形）的最较深处研修可执行集于1987年由Pollack提议，并在20世纪90二十世纪后期由 Sperduti、Goller和Küchler透过扩展和小型化。现今，绘出人脑被运用于许多应用程序在中都。

Paul Werbos和R. J. Williams等人统计分析了在RNN中都鉴现反向回升的方国法。Teuvo Kohonen的自一个组织映射（Self-OrGANizing Map）也广为迳传起来。

Teuvo Kohonen

1990年，Stephen Hanson导入了随器Delta国法则，这是一种通过偏移的传播锻炼人脑的随器方国法。几十年后，这个方国法在「dropout」的唤作下广为迳传起来。

十、1990年2月底：生形同式敌对在线/好奇心

生形同敌对在线（GAN）最即已于1990年在以「人工人器好奇心」；还有出版。

两个敌对的NN（一个器率最简单和一个编码器）试绘出在一个之比反之亦然一些游戏中都使对方的受损失仅有化。其中都：

最简单（统称缓冲器）最简单率输入（应用于随器区块，如此后的StyleGAN）。编码器（统称全世界假设）看到缓冲器的输入并先为报周边环境对它们的反应。应用于反向回升国法，编码器NN将其数个数之比化，而最简单NN试绘出这个数个数仅有化——一个网的受损失就是另一个在线的收益。

在2014年关于GAN的篇文章以后4年，Schmidhuber就在都曾的2010年深入调查中都，将1990年的生形同式敌对NN总结如下：「作为先为报全世界假设的人脑被用来仅有化缓冲器的内在加分，它与假设的先为报数个数形同正比」。

而以后发布的GAN，只是一个鉴例。其中都，次测试非常为粗，周边环境只是根据缓冲器（或最简单）的输入有否在一个可定义的集合中都而返回1或0。

1990年的原理被最常运用于弱化研修的探索和现鉴绘出像的合形同，尽管后者的领域最据统计被Rombach等人的Latent Diffusion原任。

1991年，Schmidhuber出版了另一个基于两个敌对性NN的ML方国法，统称可先为报性之比化，运用于始创之外冗余资料的除去比如说，1996年应运用于绘出像。

十一、1990年4月底：生形同子尽似乎/按可执行管理工作

据统计几个世纪以来，大多数NN都致力于单纯的方式也标识，而不是见习推理。

然而，在20世纪90二十世纪后期，首次注意到了例外。这项管理工作将现代的「字母」层次式人工人器的用法流入到下端到下端的可区别于的「次字母」（sub-symbolic）NN中都。

1990年，Schmidhuber工作团队的NN学亦会了用下端到下端可微分NN的子尽似乎最简单来生形同层次化的新一轮，运用于层次化弱化研修（HRL）。

一个RL电脑得到额外的命令回传，其形式为（开始，尽似乎）。一个评估器NN研修先为报从开始到尽似乎的当之前加分/开发形同本。一个基于(R)NN的子尽似乎最简单也看到了（开始，尽似乎），并应用于评估器NN的（所有未）通过反向回升研修一连串开发形同本最低的中都间子尽似乎。RL电脑试绘出应用于这种子尽似乎氨基酸来鉴现以后尽似乎。

该系统在多个抽象层次和多个间隔时间尺度上研修新一轮，并在原则上解决了最据统计被统称「与此反之亦然疑问」的疑问。

十二、1991年3月底：不具备差分自注意力的Transformer

不具备「差分自注意力」的Transformer首次出版于1991年3月底。

这些所谓的「加速系数程序在员」（Fast Weight Programmers）或「加速系数缓冲器」（Fast Weight Controllers）就像现代量化器一样除去了存储和遏制，但以一种下端到下端差异化、自适应，以及人脑的手段。

此外，那时候的Transformer大量应用于无统筹先为锻炼，这是Schmidhuber在1990-1991年首次出版的一种最较深处研修方国法。

十三、1991年4月底：通过自统筹的先为锻炼透过最较深处研修

那时候最弱小的NN往往是非常为较深的，反之亦然，它们有很多层的大脑元或很多后续的量化期中。

然而，在20世纪90二十世纪以后，基于反向的锻炼对最较深处NN并不一定奏效（只对浅层NN必需）。

与之前馈NN（FNN）不同的是，RNN有反馈联接。这使得RNN已是弱小的、非标准的、平行氨基酸的量化器，可以处理手段随意长度的回传氨基酸（比如词汇或者截绘出）。

然而，在20世纪90二十世纪以后，RNN在鉴践中都以后研修其鉴质的疑问。

为此，Schmidhuber建立了一个自统筹的RNN层次本体，来设法鉴现「非标准最较深处研修」。

1991年4月底：将一个NN蒸馏形同另一个NN

通过应用于Schmidhuber在1991年提议的NN蒸馏程序在，上述大脑文化史压缩器的由上而下结构上比如说可以被刻录一个单一的递回NN（RNN）。

在这里，老师NN的科学知识被「蒸馏」到老师NN中都，方国法是锻炼老师NN独创老师NN的行为（同时也原先锻炼老师NN，从而应有以后学到的专业知识不亦会被忘记）。NN蒸馏国法也在许多年后被原先出版，并在那时候被最常应用于。

十四、1991年6月底：理论模型上疑问——反向绝迹

Schmidhuber的第一个老师Sepp Hochreiter在1991年的毕业篇文章中都注意到并统计分析了理论模型上的最较深处研修疑问。

最较深处NN受到今天都曾的反向绝迹疑问的困扰：在典型的最较深处或递回在线中都，偏移的传播的误判信号要么随之缩小，要么超出界限回升。在这两种只能下，研修都亦会惨败。

十五、1991年6月底：LSTM/Highway Net/ResNet的基础

长粗期梦境（LSTM）递回人脑克服了Sepp Hochreiter在上述1991年的毕业篇文章中都指出的理论模型上最较深处研修疑问。

在1997年出版了经同行评审的篇文章以后（今天是20世纪被提到总计的NN文章），Schmidhuber的老师Felix Gers和Alex Gres等人，促使小型化了LSTM及其锻炼程序在。

1999-2000年出版的LSTM变锥体——隐含遗忘门上的「vanilla LSTM可执行集」，在现今雅虎的Tensorflow中都依然还在应用。

2005年，Schmidhuber首次出版了LSTM在间隔时间上只不过偏移的传播和双向的传播的文章（同样也被最常应用于）。

2006年一个里程碑式的锻炼方国法是「联结主义间隔时间定义」（CTC），运用于同时移位和标识氨基酸。

Schmidhuber的工作团队在2007年最终地将CTC锻炼的LSTM应运用于词汇（也有由上而下的LSTM堆栈），第一次鉴现了卓越的下端到下端大脑词汇标识缺点。

2009年，通过Alex的努力，由CTC锻炼的LSTM已是第一个赢得国际比赛的RNN，即三个ICDAR 2009书本比赛（国法语、波斯语、阿拉伯语）。这引起了业界的极大天份。LSTM便被运用于所有包括氨基酸资料的用语，比如词汇和截绘出。

2015年，CTC-LSTM的一组极大地改善了雅虎在格斯人器手器上的词汇标识耐用性。直到2019年，雅虎在移动下端配备的词汇标识依然是基于LSTM。

1995年：大脑器率语国法假设

1995年，Schmidhuber提议了一个优秀的大脑器率文本假设，其理论模型上用法在2003年被原先应用于。

2001年，Schmidhuber声称LSTM可以研修HMM等现代假设无国法研修的语国法。

2016年的雅虎翻译者，则是基于两个联接的LSTM（白皮书提到LSTM至少50次），一个运用于传入文本，一个运用于传出翻译者。

次年，雅虎资料中都心运用于推理的人口为120人量化能力中都，有至少四分之一运用于LSTM（还有5%运用于另一种广为迳传的最较深处研修高效率，即CNN）。

到了2017年，LSTM还为Facebook的电脑翻译者（每周至少300亿次翻译者）、苹果电脑在大达10亿部iPhone上的Quicktype、亚马逊的Alexa的词汇、雅虎的绘出像书名生形同和一般来说者静电邮件问等提供支持。

当然，Schmidhuber的LSTM也被大量运用于医疗保健和医疗诊断——单纯的雅虎学术界查看就能找到无数书名中都隐含「LSTM」的自然科学文章。

2015年5月底，Schmidhuber工作团队基于LSTM原理提议了Highway Network，第一个不具备数百层的非常为较深的FNN（理论模型上上的NN总计只有几十层）。微软的ResNet（赢得了ImageNet 2015比赛）；也它的一个版本。

后期Highway Net在ImageNet上的观感与ResNet大致不同。Highway Net的变锥体也被运用于某些插个数执行，在这些执行中都，稀残差层的缺点并不一定很好 。

LSTM/Highway Net原理是许多现代最较深处研修的核心

最较深处研修的核心是NN最较深处。

在20世纪90二十世纪，LSTM为有统筹的递回NN导致了理论模型上无限的最较深处；在2000年，受LSTM灵感的Highway Net为之前馈NN导致了最较深处。

今天，LSTM已经已是20世纪被提到总计的NN，而Highway Net的其中都一个版本ResNet，则是21世纪被提到总计的NN。

十六、1980至今：在没有人家教的只能下研修反击的NNN

此外，NN也与弱化研修（RL）有关。

虽然之外疑问可以通过即已在20世纪80二十世纪以后问世的非大脑高效率来解决。比如，荷兰阿姆斯特丹树是查看（MC）、动态工程建设（DP）、人工演化、α-β-剪枝、遏制理论模型和系统标识、随器反向回升，以及非标准查看高效率。但最较深处FNN和RNN可以为某些多种类型的RL执行导致非常快的缺点。

一般来说，弱化研修人器锥体必须学亦会如何在没有人家教的帮助下，与一个动态的、最后期未知的、之外可通过观察的周边环境社交，从而使先为期的会有加分信号仅有化。在反击和可感知的结果之间似乎存在随意的、先验的未知提即已。

当周边环境有一个自然语言系统联接器，使RL人器锥体的回传可以传达断定下一个最佳反击所需的所有信息时，基于动态工程建设（DP）/时序二阶（TD）/荷兰阿姆斯特丹树是查看（MC）的RL亦会非常为最终。

对于没有人自然语言系统联接器的非常复杂的只能，人器锥体不仅要考虑到今天的回传，还要考虑到理论模型上上回传的文化史。辩解，由RL插个数和LSTM转变形同的一组已经已是了一种国际标准方案，特别是通过策略反向锻炼的LSTM。

例如，在2018年，一个经过PG锻炼的LSTM是OpenAI都曾的Dactyl的核心，它在没有人家教的只能下学亦会了遏制一只灵巧的电脑人手。

截绘出一些游戏也是如此。

2019年，DeepMind（由Schmidhuber鉴验室的一名老师共同创建）在《MMORPG》一些游戏中都击败了职业选手，其中都只用的Alphastar，就是有一个由PG锻炼的最较深处LSTM核心。

与此同时，RL LSTM（占去假设总给定数的84%）也是都曾的OpenAI Five的核心，它在Dota 2中都击败了器械工程的人类玩家。

RL的更进一步将是用复杂回传迳的轻盈时空抽象来研修/一组/工程建设，也就是关于常识推理和研修思考。

Schmidhuber在1990-91年出版的篇文章中都提议，自统筹的大脑文化史压缩器，可以研修多层次的抽象和多间隔时间尺度上的比如说用法；而基于下端到下端的可区别于NN的子尽似乎最简单，则可以通过反向回升研修由上而下的新一轮。

在随后的1997年和2015-18年，非常复杂的研修抽象思维的方国法被出版。

十七、是软件疑问，呆子!

在从之前的一千年里，如果没有人独创和加速升至级的量化器软件，最较深处研修插个数不似乎踏入实质性。

我们第一个目前为止的齿轮量化设备是2000多年之前伊特鲁里亚的安提基多姆山飞轮（Antikythera mechanism）。这是现今津津乐道的最古老的复杂科学量化器，同时也是全世界上两台模拟量化器。

安提基多姆山飞轮

而全世界上两台比较简单的FPGA电脑，是伊特鲁里亚飞轮学家海伦于公元1世纪问世的。

17世纪的电脑变得非常为灵活，可以根据回传资料量化解法。

两台运用于单纯乘法的飞轮量化器由威廉·契克卡德（Wilhelm Schickard）于1623年问世所制造。

1673年，逻辑学设计者了两台可以执行所有四种乘法浮点，并隐含内存的电脑。他还描述了由穿孔卡遏制的十进制量化器的原理并提议链式国法则，相关联了最较深处研修和许多现代人工人器的不可忽视组形同之外。

逻辑学乘国法器

1800年有数，达瑟夫·安妮·安克尔 (Joseph Marie Jacquard) 等人在国法国所制造了两台首台可设计者皮带——安克尔皮带（Jacquard machine）。该问世对将来发展出其他FPGA电脑（例如量化器）起了不可忽视作用。

安克尔皮带

他们灵感了的卡·洛芙罗宾逊（Ada Lovelace）和她的导师查尔斯·贝克戈（Charles Babbage）问世了第一台许多现代静电量化器的之前身：贝克戈二阶器。

在随后的1843年，洛芙罗宾逊公布了全世界上第一套量化器插个数。

贝克戈二阶器

1914年，印第安人Leonardo Torres y Quevedo已是20世纪第一位人工人器先驱，他孕育了第一个西洋棋终下端电脑玩家。

1935年至1941中期，奥托·楚泽（Konrad Zuse）问世了全世界上两台可运行的FPGA非标准量化器：Z3。

奥托·楚泽

与贝克戈统计分析器不同，楚泽应用于逻辑学的十进制量化原理，而不是现代的十进制量化。这稍稍简化了软件的负荷。

1944年，霍华德·艾肯（Howard Aiken）领军工作团队，问世全世界上两台大型一般来说者小数量化器Mark Ⅰ（马克二号）。

1948年，古斯塔夫·库珀（Frederic Williams）、汤姆·维斯哈特（Tom Kilburn）和吉米·托蒂（Geoff Tootill）问世了全世界两台静电存储程序在量化器：小型验证器 (SSEM)，又被统称「贝尔国法斯特豆豆」（Manchester Baby）。

「贝尔国法斯特豆豆」摆放在

从那时起，量化器的浮点在芯片（IC）的帮助下变得非常快。1949年，西门上子的哈恩·安各比（Werner Jacobi）申请人了一项芯片半导锥体知识产权，使一个公共基板可以有多个晶锥体管。

1958年，Jack Kilby展览品了隐含外部导线的芯片。1959年，罗伯特·诺伊斯 (Robert Noyce) 提议了单片芯片。自上世纪70二十世纪以来，绘出形处理手段区块 (GPU) 已被运用于通过并行处理手段来加速量化。今天，量化器的GPU包含数十亿个晶锥体管。

物理反之亦然在哪里？

根据汉斯·达阿希姆·布雷默戈（Hans Joachim Bremermann）提议的布雷默戈反之亦然，第一台恒星质量为1千克、锥体积为1升至的量化器总计可以在总计10的32未知数位角上每秒执行总计10的51未知数一般来说。

汉斯·达阿希姆·布雷默戈

然而，太阳系的恒星质量只有2x10^30千克，这一据统计年来势必亦会在几个世纪内刷新，因为光速亦会导致达束以其他太阳系的形式获取额外恒星质量。

因此，力学的达束建议更进一步高效的量化软件必须像大脑一样，在任意中都有许多轻盈放到的CPU以之比化总联接开发形同本，其理论模型上可执行集直觉上是一种最较深处的、稠密联接的三维RNN。

Schmidhuber推测，此类RNN的最较深处研修方国法将变得非常加不可忽视。

十八、1931年以来的人工人器理论模型

许多现代人工人器和最较深处研修的核心主要是基于据统计几个世纪的代数学：乘法、差分代数和粗略估计学。

20世纪30二十世纪后期，模态自然语言创建了许多现代理论模型量化器科学。他导入了一种以整数为基础的非标准编码手段语国法，允许以序数形式将任何小数量化器的一般来说正规化。

同时，模态自然语言还重构了都曾的自然语言系统语句，通过可定义一个量化性的引理检验器，从可列举的序数集合中都有系统列举所有似乎的引理。因此，他断定了插个数引理声称、量化以及任何多种类型的基于量化的人工人器的理论模型上达束。

此外，模态自然语言在写给詹姆斯·冯·大卫·希尔伯特的都曾份文件中都，断定了量化器科学中都最都曾的开放疑问「P=NP？」。

1935年，Alonzo Church通过声称Hilbert和Ackermann的决策疑问没有人一般的解决方案，断定了模态自然语言结果的一个推论。为了做到这一点，他应用于了他的另一种非标准编码手段语国法，统称Untyped Lambda Calculus，它相关联了极具影响力的脚本语国法LISP的基础。

1936年，阿兰·绘出灵导入了另一个非标准假设：绘出灵器，原先断定了上述结果。次年，Emil Post出版了另一个统一的量化非标准假设。

奥托·楚泽不仅孕育了全世界上两台一般来说的FPGA非标准量化器，并且还设计者了第一种见习脚本语国法——Plankalkül。他在1945年将其应运用于西洋棋，在1948年应运用于引理声称。

Plankalkül

20世纪40-70二十世纪的之外后期人工人器仅仅是关于引理声称和通过计算器网络和自然语言编程透过模态自然语言式的推导。

1964年，Ray Solomonoff将贝叶斯（仅仅是贝塞尔）器率推理和理论模型量化器科学融合起来，断定一种代数学上可定义（但量化上不合理）的研修手段，从从之前的通过观察中都先为报更进一步资料。

他与Andrej Kolmogorov一起创建了梅氏确定性或插个数计算机科学（AIT）的理论模型，通过量化资料的最粗程序在的用法，将弗兰西斯·培根欧文的用法正式化，从而超越了现代的计算机科学。

梅氏确定性

自指模态自然语言器非常非标准的可定义性并不一定局限于渐进式可定义。

尽管如此，由于各种原因，这种代数学上的可定义人工人器在鉴践上还不合理。反之亦然，比较简单的许多现代人工人器是基于次优的、有限的、但并不一定被极度理解的高效率，如NN和最较深处研修则是重点。

但谁知道20年后的人工人器文化史亦会是什么样的呢？

参考资料：

~juergen/deep-learning-history.html

。

胃烧心怎么回事
用了丁桂儿脐贴还能用肠炎宁吗
感冒咽喉炎的症状该怎么治疗
先诺欣多少钱
肠炎吃什么消炎药