小语种干什么，自闭症孩子对什么有兴趣？
自闭症孩子对什么有兴趣？
自闭症的孩子外在的表现形式各不相同，兴趣自然也不一样。
对于大部分自闭症孩子来说，他们对物的兴趣远远超过对人的兴趣，这也是他们不喜欢看人的原因之一。
不过，很多自闭症的孩子也有些相同的爱好，比如：
喜欢看转动的东西，风扇，开动的车轮等；
喜欢看空调，无论在什么地方看到空调，都要抬头目不转睛地盯着看；
玩玩具的方式比较单一，喜欢把玩具摆成一长排；
喜欢看各种闪耀的霓虹灯，尤其是一闪一闪的灯光，他们特别喜欢；
喜欢转圈，而且转很久都不头晕；
喜欢开门关门或者玩开关，如果不去阻拦，可以玩一整天；
有些能力比较好的自闭症孩子喜欢和人玩追逐游戏，精力充沛，可以跑很久而不觉得累；
对食物的喜好比较单一，在萌发自主意识之后，对于之前没有吃过的食物，他们是很抗拒的。所以，在孩子还懵懂不知事的时候，要给他尝试多种食物。
有些自闭症的孩子有些比较独特的爱好：
小城是个6岁的自闭症孩子，他的爱好是——学习！
小城喜欢让父母教他认字，学会之后，他会自己主动练习如何动笔写字，所以5岁多的小城，可以自己动笔写四、五百字的作文，还养成了每天写日记的习惯。
有次小城的父母带他去逛书城，他主动要求父母给他买数学练习题，买回来之后，每天不需要父母督促，开开心心地做上面的练习题，做完了一本要求父母再买，再买。
所以，小城的父母对于小城能否顺利入学毫不担心。
小佳是个11岁的自闭症孩子，他喜欢数学和物理，从小他的玩具就是各种数字。
在他三岁多，刚刚明白日期和星期的概念的时候，随意报一个日期，他能准确的说出那天是星期几。
大家问他是怎么计算的，他答不出来，被问多了，就会来一句：“我一看就知道了！”
上学之后的小佳数学成绩很好，但他更感兴趣的是物理，还在读小学的孩子，就会和他当物理教授的爷爷探讨量子物理的相关问题。
但是，除了他感兴趣的数学和物理，他能和别人侃侃而谈外，其他话题，他是根本不参与的。
他经常挂在嘴边的一句话是：“我不想和那些低智商的小孩玩。”
还有一个四岁的小朋友小浩浩，也对数学很感兴趣，现在每天自己出各种数学题给自己做，做完之后给妈妈批改，基本上很少出错。
还有些小朋友，记忆超群，对于自己感兴趣的知识，一教就会，还能举一反三。
有个小朋友对拼图感兴趣，自从老师教会他4块的拼图之后，他就每天自己练习，现在四岁不到，可以独立拼好一百块的拼图。
有的孩子对颜色、形状感兴趣，给他一支画笔，他能画出很漂亮的画，这个孩子的妈妈发现了孩子的这一特长之后，给孩子增加了绘画的课程，孩子在里面如鱼得水。
还有的孩子对音乐感兴趣，喜欢各种乐器，也很有音乐天赋。
也有些孩子喜欢动物，和动物的亲和力也很高，当然，也有孩子很害怕各种毛茸茸的生物。
对什么都不感兴趣的自闭症孩子很少很少，大部分都是家长没有发现他们的兴趣所在。
总之，大部分的自闭症孩子有共同的特质，但他们的兴趣爱好和普通孩子一样，多种多样。
深度学习是什么？
深度学习：像人脑一样深层次地思考
从上一篇我们可以看出，个性化推荐系统确实很会“察言观色”，针对不同的用户，主动推送不同的3D打印内容。但如果你认为它真正有了“人工智能”，那你就错了。其实，这些推荐系统背后的运行原理主要基于概率统计、矩阵或图模型，计算机对这些数值运算确实很擅长，但由于采用的只是“经验主义”的实用方法（也即管用就行），而非以“理性主义”的原则真正探求智能产生的原理，所以距离真正的人工智能还很远。AI（Artificial Intelligence），也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台计算机能产生“自我”的意识。
提示：图灵测试（Turing Testing），是计算机是否真正具有人工智能的试金石。“计算机科学之父”及“人工智能之父”英国数学家阿兰·图灵（1912—1954）在1950年的一篇著名论文《机器会思考吗？》里，提出图灵测试的设想。即把一个人和一台计算机分别隔离在两间屋子，然后让屋外的一个提问者对两者进行问答测试。如果提问者无法判断哪边是人，哪边是机器，那就证明计算机已具备人的智能。
直到深度学习（Deep Learning）的出现，让人们看到了一丝曙光，至少，（表象意义下的）图灵测试已不再是那么遥不可及了。2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术（Breakthrough Technology）之首。有了深度学习，推荐系统可以更加深度地挖掘你内心的需求，并从海量的3D模型库中挑选出最合适的供你打印。
让我们先来看看人类的大脑是如何工作的。1981年的诺贝尔医学奖，颁发给了David Hubel和Torsten Wiesel，以及Roger Sperry。前两位的主要贡献是，发现了人的视觉系统的信息处理是分级的。如图4-45所示，从视网膜（Retina）出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层）进行分类判断等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化，也即越来越能表现语义或者意图。
图4-45 人脑的视觉处理系统 （图片来源：Simon Thorpe）
这个发现激发了人们对于神经系统的进一步思考。大脑的工作过程，或许是一个不断迭代、不断抽象概念化的过程，如图4-46所示。例如，从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定眼前物体的形状，比如是椭圆形的），然后进一步抽象（大脑进一步判定该物体是张人脸），最后识别眼前的这个人──正是大明星刘德华。这个过程其实和我们的常识是相吻合的，因为复杂的图形，往往就是由一些基本结构组合而成的。同时我们还可以看出：大脑是一个深度架构，认知过程也是深度的。
图4-46 视觉的分层处理结构 （图片来源：Stanford）
而深度学习（Deep Learning），恰恰就是通过组合低层特征形成更加抽象的高层特征（或属性类别）。例如，在计算机视觉领域，深度学习算法从原始图像去学习得到一个低层次表达，例如边缘检测器、小波滤波器等，然后在这些低层次表达的基础上，通过线性或者非线性组合，来获得一个高层次的表达。此外，不仅图像存在这个规律，声音也是类似的。比如，研究人员从某个声音库中通过算法自动发现了20种基本的声音结构，其余的声音都可以由这20种基本结构来合成！
在进一步阐述深度学习之前，我们需要了解什么是机器学习（Machine Learning）。机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。
而深度学习又是机器学习研究中的一个新的领域，其动机在于建立可以模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如，图像、声音和文本。深度学习之所以被称为“深度”，是因为之前的机器学习方法都是浅层学习。深度学习可以简单理解为传统神经网络（Neural Network）的发展。大约二三十年前，神经网络曾经是机器学习领域特别热门的一个方向，这种基于统计的机器学习方法比起过去基于人工规则的专家系统，在很多方面显示出优越性。如图4-47所示，深度学习与传统的神经网络之间有相同的地方，采用了与神经网络相似的分层结构：系统是一个包括输入层、隐层（可单层、可多层）、输出层的多层网络，只有相邻层节点（单元）之间有连接，而同一层以及跨层节点之间相互无连接。这种分层结构，比较接近人类大脑的结构（但不得不说，实际上相差还是很远的，考虑到人脑是个异常复杂的结构，很多机理我们目前都是未知的）。
图4-47 传统的神经网络与深度神经网络
提示：人类大脑由千亿个神经元组成，同时每个神经元平均连接到其它几千个神经元，这样形成一个庞大的神经元网络。通过这种连接方式，神经元可以收发不同数量的能量，但它们对能量的接受并不是立即作出响应，而是先累加起来，只有当累加的总和达到某个临界阈值时才把能量发送给其它的神经元。而人工神经网络（Artificial Neural Networks, ANN）将人类神经网络作了数学上的抽象，如图4-47所示，将其抽象为输入层、输出层以及中间的若干隐层（Hidden Layer，用于层次化地对内在特征进行降维和抽象表达，相当于特征检测器），其中每层都有若干结点及连接这些点的边，通过在训练数据集上学习出边的权重（Weight）来建立模型。边所表征的函数（通常为非线性函数）的不同，对应于不同的神经网络。例如，第6章6.4.1节所介绍的感知机就是一种最简单的、不含任何隐层的前向（Feedforward）人工神经网络，其中的函数
被称为传递函数（Transfer Function）、而门限截止函数
则被用作激活函数（Activation Function）。在上世纪七八十年代，这种在人工智能领域被称为联结主义学派（Connectionism）的方法曾盛极一时。
但是后来，因为理论分析的难度，加上训练方法需要很多经验和技巧，以及巨大的计算量和优化求解难度，神经网络慢慢淡出了科研领域的主流方向。值得指出的是，神经网络（如采用误差反向传播算法：Back Propagation，简称BP算法，通过梯度下降方法在训练过程中修正权重使得网络误差最小）在层次深的情况下性能变得很不理想（传播时容易出现所谓的梯度弥散Gradient Diffusion或称之为梯度消失，根源在于非凸目标代价函数导致求解陷入局部最优，且这种情况随着网络层数的增加而更加严重，即随着梯度的逐层不断消散导致其对网络权重调整的作用越来越小），所以只能转而处理浅层结构（小于等于3），从而限制了性能。于是，20世纪90年代，有更多各式各样的浅层模型相继被提出，比如只有一层隐层节点的支撑向量机（SVM，Support Vector Machine）和Boosting，以及没有隐层节点的最大熵方法（例如LR，Logistic Regression）等，在很多应用领域取代了传统的神经网络。
显然，这些浅层结构算法有很多局限性：在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定的制约。更重要的是，浅层模型有一个特点，就是需要依靠人工来抽取样本的特征。然而，手工地选取特征是一件非常费力的事情，能不能选取好很大程度上靠经验和运气。既然手工选取特征不太好，那么能不能自动地学习一些特征呢？
提示：实际生活中，人们为了实现对象的分类，首先必须做的事情是如何来表达一个对象，即必须抽取一些特征来表示一个对象。例如，区分人和猴子的一个重要特征是是否有尾巴。特征选取的好坏对最终结果的影响非常大。
此外，我们希望提取到的特征能代表输入数据的最重要部分，就像PCA（Principal Component Analysis，主成分分析，请参见第6章的6.2.2节）那样，找到可以代表原信息的主要成分。以自动编码器（AutoEncoder）为例，这是一种尽可能复现输入信号的神经网络：即输出y要尽可能与输入x相同，表示为
。我们可通过训练调整这个神经网络的参数，来得到每一层中的权值系数，这样就可得到输入x的一个层次化的表示。这个可代表原信息主要成分的表示就是所谓的特征。进一步地，我们还可用
来表示输出y，其中W称为字典。类似于PCA，W可理解为基，h可理解为系数。同时，我们不仅希望将信号表示为一组层次化基的线性组合，而且要求只需较少的几个基就可以将信号表示出来，这就是所谓的稀疏编码（Sparse Coding）。“稀疏性”定义为：只有很少的几个非零元素或只有很少的几个远大于零的元素。也即，我们希望求得一组最佳的系数
，满足：
注意上式右边对系数采用了L1范式/正则化/约束以满足稀疏性，上式实际上是对Lasso（The Least Absolute Shrinkage and Selectionator operator）估计的求解。之所以希望“稀疏性”是科学依据的，因为绝大多数的感官数据，比如自然图像，都可以被表示成“少量”基本元素的叠加，比如基本线/面的叠加。稀疏编码算法是一种无监督学习方法，它用来寻找一组“超完备”基向量（基向量的个数比输入向量的维数要大）以更高效地表示样本数据，以找出隐含在输入数据内部的结构与模式。
答案是能！深度学习框架将特征和分类器结合到一个框架中，自动地从海量大数据中去学习特征，在使用中减少了手工设计特征的巨大工作量。看它的一个别名：无监督特征学习（Unsupervised Feature Learning），就可以顾名思义了。无监督（Unsupervised）学习的意思就是不需要通过人工方式进行样本类别的标注来完成学习。因此，深度学习是一种可以自动地学习特征的方法。
提示：准确地说，深度学习首先利用无监督学习对每一层进行逐层预训练（Layerwise Pre-Training）去学习特征；每次单独训练一层，并将训练结果作为更高一层的输入；然后到最上层改用监督学习从上到下进行微调（Fine-Tune）去学习模型。
深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的能力。深度学习能够获得可更好地表示数据的特征，同时由于模型的层次深（通常有5层、6层，甚至10多层的隐层节点，“深”的好处是可以控制隐层节点的数目为输入节点数目的多项式倍而非多达指数倍）、表达能力强，因此有能力表示大规模数据。对于图像、语音这种特征不明显（需要手工设计且很多没有直观的物理含义）的问题，深度模型能够在大规模训练数据上取得更好的效果。尤其是在语音识别方面，深度学习使得错误率下降了大约30%，取得了显著的进步。相比于传统的神经网络，深度神经网络作出了重大的改进，在训练上的难度（如梯度弥散问题）可以通过“逐层预训练”来有效降低。注意，深度学习不是万金油，像很多其他方法一样，它需要结合特定领域的先验知识，需要和其他模型结合才能得到最好的结果。当然，还少不了需要针对自己的项目去仔细地调参数，这也往往令人诟病。此外，类似于神经网络，深度学习的另一局限性是可解释性不强，像个“黑箱子”一样不知为什么能取得好的效果，以及不知如何有针对性地去具体改进，而这有可能成为产品升级过程中的阻碍。
深度学习通过很多数学和工程技巧增加（堆栈叠加：Stack）隐层的层数，如果隐层足够多（也就是深），选择适当的连接函数和架构，就能获得很强的表达能力。深度学习的一个主要优势在于可以利用海量训练数据（即大数据），但是常用的模型训练算法反向传播（Back Propagation）仍然对计算量有很高的要求。而近年来，得益于计算机速度的提升、基于MapReduce的大规模集群技术的兴起、GPU的应用以及众多优化算法的出现，耗时数月的训练过程可缩短为数天甚至数小时，深度学习才在实践中有了用武之地。
值得一提的是，深度学习的诞生并非一帆风顺。虽然Yahn Lecun在1993年提出的卷积神经网络（Convolutional Neural Network：CNN）是第一个真正成功训练多层网络结构的学习算法，但应用效果一直欠佳｡直到2006年，Geoffrey Hinton基于深度置信网（Deep Belief Net：DBN）——其由一系列受限波尔兹曼机（Restricted Boltzmann Machine：RBM）组成，提出非监督贪心逐层训练（Layerwise Pre-Training）算法，应用效果才取得突破性进展，其与之后Ruslan Salakhutdinov提出的深度波尔兹曼机（Deep Boltzmann Machine：DBM）重新点燃了人工智能领域对于神经网络（Neural Network）和波尔兹曼机（Boltzmann Machine）的热情，才由此掀起了深度学习的浪潮｡从目前的最新研究进展来看，只要数据足够大、隐层足够深，即便不加“Pre-Training”预处理，深度学习也可以取得很好的结果，反映了大数据和深度学习相辅相成的内在联系。此外，虽说非监督（如DBM方法）是深度学习的一个优势，深度学习当然也可用于带监督的情况（也即给予了用户手动标注的机会），实际上带监督的CNN方法目前就应用得越来越多，乃至正在超越DBM。
提示：与前向神经网络不同，RBM（受限波尔兹曼机）中的可见层和隐含层之间的连接是无方向性且全连接的。对比差异无监督训练是RBM的一个重要算法，包含了正向过程、反向过程和权值更新三个步骤，主要目标是使生成的数据与原数据尽可能相似，并通过对比两者的差异来调整权值更新：
其中，α是学习速率。这样的网络可具备感知对输入数据表达程度的能力，而且尝试通过这个感知能力重建数据。如果重建出来的数据与原数据差异很大，那么进行调整并再次重建。
2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学的机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16,000个CPU Core的并行计算平台去训练含有10亿个节点的深度神经网络（DNN，Deep Neural Networks），使其能够自我训练，对2万个不同物体的1,400万张图片进行辨识。在开始分析数据前，并不需要向系统手工输入任何诸如“脸、肢体、猫的长相是什么样子”这类特征。Jeff Dean说：“我们在训练的时候从来不会告诉机器：‘这是一只猫’（即无标注样本）。系统其实是自己发明或领悟了‘猫’的概念。”
2014年3月，同样也是基于深度学习方法，Facebook的 DeepFace 项目使得人脸识别技术的识别率已经达到了 97.25%，只比人类识别 97.5% 的正确率略低那么一点点，准确率几乎可媲美人类。该项目利用了 9 层的神经网络来获得脸部表征，神经网络处理的参数高达 1.2亿。
最后我们再回到大数据这个时代背景上来。当坐拥海量的大数据，我们无论是做推荐系统还是3D模型检索（见第6章的6.4节“众里寻她千百度──海量3D模型的检索”），以前用简单的线性数学模型，一般也能获得还不错的结果。因此我们沾沾自喜起来，认为还是大数据更重要，而智能算法用简单直接的就OK了，不需要也没必要弄得很复杂。而当深度学习出现后，它的一系列辉煌战绩让我们意识到：也许是时候该“鸟枪换炮”了。简而言之，在大数据情况下，也许只有比较复杂的模型，或者说表达能力强的模型，才能充分发掘海量数据中蕴藏的有价值信息。更重要的是，深度学习可以自动学习特征，而不必像以前那样还要请专家手工构造特征，极大地推进了智能自动化。
深度学习（即所谓“深度”）应大数据（即所谓“广度”）而生，给大数据提供了一个深度思考的大脑，而3D打印（即所谓“力度”）给了智能数字化一个强健的躯体，三者共同引发了“大数据＋深度模型＋3D打印”浪潮的来临。
有哪些副业可以在家做？
我今年41岁，在头条创作做副业，每天花2~3个小时的业余时间，不到30个月，总收益超过16万元，副业收入超过主业，说出来可能很多人都不相信。
现在年轻人的经济压力比较大，买房买车以及孩子的教育，各个方面都需要花钱。如果每个月拿死工资，收入不高的话，日子就会过得紧巴巴，平时不敢出去吃一顿饭，出去逛街也舍不得买一件新衣服。
记得2019年年底，工作不是很忙，晚上不加班，周末休息，有很多业余时间，那个时候就打算做点副业，增加一点收入，即使赚点话费和早餐也可以。
一次偶然的机会接触到自媒体，选择头条平台，开始学习在上面创作，对于只有中专学历的我来说，难度很大，便开始学着别人怎么创作。
经过一段时间的学习，终于找到了门路，便一发不可收拾，不到30个月的时间，总收入已经超过了16万元。
自媒体创作适合各类人群大家选择自媒体作为副业，最主要的一个因素就是自由，可以将零碎的业余时间利用起来，增加额外的收入。
比如说宝妈、公职人员、打工仔、农民、教授等各类人员，只要时间允许，都可以进行自媒体创作，输出各种内容，只要有人阅读，就可以产生收益。
之前我选择今日头条作为创作平台，就是觉得这个平台对新人比较友好，不管你是百万粉丝的大V，还是几十粉丝的新号，只要创作出高质量的内容，就会得到推荐，让更多的人看到。
现在是流量为王的时代，只要获得推荐流量，就意味着能获得平台更多的收入，这也是每个自媒体人的期待。
就拿我来说吧，刚开始粉丝不多，花时间在头条创作出一篇内容，发布以后就很关心阅读量。有时候阅读量上去了，读者用户会在下面评论点赞，就会觉得很欣慰，自己写的东西得到肯定。
平台不会因为你是新人，就不给推荐量，这点就会让人觉得很公平。
写问答的门槛低，适合新人这个号的收入，85%都来自问答，之所以选择写问答，就是觉得门槛比较低，适合我这种学历比较低的人。
大家应该都知道，在头条上面创作，题材可以选择微头条、图文、问答和视频等类型，可以根据自己擅长的方面来创作。
问答，从字面上理解，就是有问有答。用户在平台上提问，创作者挑选合适的问题作答，不仅分享了知识，帮别人解决了问题，根据阅读量的多少，自己还可以获得一定的收入。
与图文相比，写问答的门槛比较低，不用冥思苦想起标题，字数也没有那么高的限制，超过300字就可以标注原创，获得收益。
只要是初中毕业，每天有1~2个小时的空闲时间，能把问题说明白，让别人看到后知道说的是什么，不像写文章有那么多的要求，更加适合新人，也容易起步。
写问答的收入写问答赚钱，大家最关心的还是收入，根据创作的内容和流量来看，存在较大的差距。可能有的人一天赚600元，也有的人可能一天只能赚2分钱。
我开始写问答时，开通收益比较困难，根据内容的质量，系统邀请开通，记得写了3个月的问答才开通收益。开通收益的那天，系统发来通知，有0.08元的收入，虽然只有8分钱的收入，却让我晚上兴奋得睡不着，自己终于通过副业获得了收入。
头条平台的规划一直在改变，现在开通问答收益比较简单，粉丝数量达到100以上，就可以获得百粉权益，其中就包括问答收益。
随着时间的推移，我写问答也越来越有经验，而且获得过多次青云奖励，除了正常的收入以外，获奖的作品还可以得到100~300元的奖励。
同事得知我的自媒体收入，开玩笑让我请客，并让我教他们写问答，也想获得一份额外收入，我也毫无保留，一步步教他们如何操作。
从刚开始的8分钱，慢慢发展到一天几十、几百，在流量比较好的情况下，一天的收入甚至超过了上千元，这也是我之前不敢想的，没想到通过副业，月收入已经达到5000元以上，比主业的收入还要高。
写在最后如今是互联网的天下，有很多的副业可以在网上完成，什么副业适合做，完全取决于自己的经验和水平。只要能够创造价值，平时勤奋一点，把看电视、刷视频的时间用来经营副业，增加一份收入，给家人更好的生活，不失为正确选择。
未来有什么发展方向？
请别不高兴我来泼冷水，精通VBA未来的发展也不会太好。（文末提供更优秀好用的工具绝对有前途）
比VBA更好用，更强大因为VBA的局限性很大，如果用VBA做一些应用，也只有一些很小的公司会用，而且这类应用说实话也不见得好用到哪里去，因为现在有更好用，免费，不用编程就能做软件的工具，这才是未来的趋势。
0代码，做软件+APP这个工具，就是云表，一种类excel的开发平台，但是，与excel没有任何关联，只是兼容功能而已，而且云表，可以做报表数据分析，多人协同，多用户，权限，流程，还可以制作各种管理软件和手机APP，而这些是excel完全不具备的，当然VBA也差距很远。
学习没有难度，懂一些excel 就能快速学会，现在也很流行了，很多公司都在使用，除了中小公司，还包括华为，中铁，电信，航天，这样的大型企业，
比VBA好学，会excel就行而且官方有免费培训班，在线的，还有各种视频和教程，所以学习很容易，掌握不是难事，很多企业的IT部都丢掉了传统的编程，直接用云表来做系统 ，比如上市公司恒逸石化，上百人的信息部都用这个来开发系统 ，效率之高说出来很多人难以相信，一套智能化的WMS，他们只要两周即可完成上线，而且，相比较传统软件，可以做到100%定制化，个性化，因为没有代码，功能迭代升级那是分分钟的事情。
说到这里，你还会迷信VBA吗？有更好的工具，就赶紧试试吧。
发个链接，自己下载用吧。https://www.iyunbiao.com/signup/6RFE8Q931
关于【小语种干什么】和【自闭症孩子对什么有兴趣】的介绍到此就结束了，热烈欢迎大家留言讨论，我们会积极回复。感谢您的收藏与支持！
发表评论