【学习笔记】大模型实战-L01-Linux

在Ubuntu 16.04 / Linux Mint 18及更高版本上使用Epson L350(或L300 / L200系列扫描仪) 用linux就是折腾,花了一天时间,才把这个扫描仪给搞定系统:linux mint  cinnamon 18.3打印机是:epson L351一体机1、驱动下载先是下载epson官网上的驱动,发现打印机很好弄,不去官网下驱动也行,按系统自带的打印机模块可以下载到驱动,点接受,确定就行了,主要是扫描仪,光用官网驱动是不行的。。官网驱动地址:http://download.ebz.epson.net/... 阅读详情

L01 Linux

生成密钥

ssh-keygen -t rsa -C InternStudio

常用参数包括:
-t:指定密钥类型,如dsa、ecdsa、ed25519、rsa。
-C:添加注释。

端口映射

ssh -p 37367 root@ssh.intern-ai.org.cn -CNg -L 7860:127.0.0.1:7860 -o StrictHostKeyChecking=no

常用参数包括:
-C:启用压缩,减少传输数据量。
-N:不执行远程命令,只建立隧道。
-g:允许远程主机连接到本地转发的端口。

Python脚本

安装依赖包

pip install gradio==4.29.0

脚本内容

import socket
import re
import gradio as gr
 
# 获取主机名
def get_hostname():
    hostname = socket.gethostname()
    match = re.search(r'-(\d+)$', hostname)
    name = match.group(1)
    
    return name
 
# 创建 Gradio 界面
with gr.Blocks(gr.themes.Soft()) as demo:
    html_code = f"""
            <p align="center">
            <a href="https://intern-ai.org.cn/home">
                <img src="https://intern-ai.org.cn/assets/headerLogo-4ea34f23.svg" alt="Logo" width="20%" style="border-radius: 5px;">
            </a>
            </p>
            <h1 style="text-align: center;">☁️ Welcome {get_hostname()} user, welcome to the ShuSheng LLM Practical Camp Course!</h1>
            <h2 style="text-align: center;">😀 Let’s go on a journey through ShuSheng Island together.</h2>
            <p align="center">
                <a href="https://github.com/InternLM/Tutorial/blob/camp3">
                    <img src="https://oss.lingkongstudy.com.cn/blog/202406301604074.jpg" alt="Logo" width="20%" style="border-radius: 5px;">
                </a>
            </p>

            """
    gr.Markdown(html_code)

demo.launch()

执行脚本
在这里插入图片描述
在浏览器中确认结果
在这里插入图片描述

Reference

https://github.com/InternLM/Tutorial/blob/camp3/docs/L0/Linux/readme.md

Linux 系统排障实战:结合 dmesg -l 与 grep 定位 3 类硬件驱动问题 本文详细介绍了如何利用Linux系统中的dmesg命令结合grep工具,高效定位和解决网卡、USB设备和磁盘三类硬件驱动问题。通过日志层级过滤和关键词搜索技巧,帮助系统管理员快速诊断硬件故障,提升排障效率。 阅读详情

相关推荐

(29)Linux命令【l命令】

Linux,全称GNU/Linux,是一种免费使用和自由传播的类UNIX操作系统,其内核由林纳斯·本纳第克特·托瓦兹于1991年10月5日首次发布,它主要受到Minix和Unix思想的启发,是一个基于POSIX的多用户、多任务、支持多线程和多CPU的操作系统。它能运行主要的Unix工具软件、应用程序和网络协议。它支持32位和64位硬件。Linux继承了Unix以网络为核心的设计思想,是一个性能稳定的多用户网络操作系统。

m0_46498597的博客 635

internLM(书生·浦语大模型)Demo部署及使用

简单跑一些internLM基础demo

weixin_41173201的博客 2999

Linux 菜鸟过关(基础类教程) pdf 版.rar

Linux 菜鸟过关(基础类教程) pdf 版,您不需要任何Linux技能也能阅读本教程,Linux菜鸟过关全面解决您的Linux之旅问题。您现在要做的是了解一些Linux知识与安装方法,按照本教程的顺序阅读即可。本教程可以作为您短期突破Linux安装的教材,这一切都不复杂。Linux菜鸟过关提供给您的不单单是初级,而是鼓励与帮助您闯进中、高级Linux水平中。

教程:使用InternStudio创建开发机环境并完成基本测试

当我们直接从外部网络访问开发机时,可能会遇到代理服务器的阻碍,导致某些UI资源无法加载完全。这种情况在Web应用中比较常见,因为现代Web应用通常依赖于大量的静态资源(如JavaScript文件、CSS文件、图片等),这些资源可能托管在不同的CDN(内容分发网络)上。通过端口映射,将外部网络的访问请求转发到本地主机,我们可以避开这些代理服务器的限制,从而确保所有资源都能正确加载。这是因为在本地访问时,所有的网络请求都是直接在本地网络中完成的,不会经过外部的代理服务器。回到开发机平台,在首页点击配置。

m0_52325450的博客 736

Linux菜鸟过关 Linux 菜鸟过关

Linux菜鸟过关 Linux 菜鸟过关 Linux菜鸟过关 Linux 菜鸟过关

Frigate进阶玩法:如何用MQTT和Python脚本扩展你的自定义目标检测算法

本文详细介绍了如何通过MQTT和Python脚本扩展Frigate的自定义目标检测算法,无需修改源码即可实现特殊场景(如工业设备异常、农业病虫害识别)的高效检测。文章涵盖Frigate配置、外部检测服务构建、高级集成技巧及性能优化实践,帮助开发者灵活扩展智能监控能力。

weixin_42662293的博客 350

书生·浦语大模型实战营学习笔记(二)

书生·浦语大模型实战营学习笔记(二)

Hyt_foxxx的博客 2402

在 PyCharm 中使用 Copilot

此外,要在 PyCharm 中使用 GitHub Copilot,您必须有效订阅 Copilot。在 PyCharm 中安装 GitHub Copilot 后,您现在可以将其用作项目的扩展。此外,它很容易安装在不同的 IDE 平台上,您还可以为特定编程语言启用 GitHub 插件。此外,按照以下步骤,您可以轻松地在 PyCharm 中安装 GitHub Copilot。此外,在 IDE 上使用 GitHub Copilot 时,您可以使用一些快捷方式。

一览无遗 1万+

linux练习平台WarGame之bandit通关日志

前言~ Bandit是一个学习linux命令的闯关游戏平台,比较类似于ctf,通过闯关的模式,不断的学习新的命令,对于程序员亦或者安全爱好者来说都是一个不错的学习平台 传送门 根据给出的提示信息,使用xshell登录或者linux直接远程连接ssh登录 SSH信息 主机:bandit.labs.overthewire.org 端口:2220 开始闯关 Level 0 → Leve...

春日野穹 6505

RK3568 Linux驱动开发实战:从SDK环境搭建到模块编译

本文详细介绍了基于RK3568芯片的Linux驱动开发实战流程,从搭建SDK编译环境到模块化编译驱动。重点讲解了Ubuntu系统准备、依赖包安装、SDK源码获取与目录结构解析,以及如何高效进行内核和外部驱动模块的编译与调试,为嵌入式Linux驱动开发者提供了清晰的入门指南和实用避坑技巧。

lll78的博客 735

Qi标准下的充电协议及其记忆技巧

记忆无线充电协议中的。

m0_73991989的博客 1322

第三课:茴香豆:零代码搭建你的 RAG 智能助理作业

讲师:北辰老师文档地址:https://github.com/InternLM/Tutorial/blob/camp2/huixiangdou/readme.mdB站视频课程地址:https://www.bilibili.com/video/BV1QA4m1F7t4/?internstudio地址:https://sso.openxlab.org.cn/login?

qq_44407313的博客 1280

从 Token 到 Agent:一文串起 AI 大模型核心概念

摘要:本文系统解析了现代AI系统的八大核心概念:Token(语言处理的最小单位)、Context(AI的短期记忆)、Prompt(指令接口)、Tool(能力扩展器)、MCP(工具生态协议)、Agent(自主智能体)和AgentSkill(专业技能封装)。文章揭示了这些概念如何共同构成AI从基础语言理解到自主决策的技术脉络,重点阐述了Token对计算成本的影响、Prompt工程的重要性、Tool如何突破AI的能力边界,以及Agent如何通过"感知-规划-执行-反思"循环完成复杂任务。最后指

jundao1997的专栏 251

红帽Linux学习笔记——Day01(RHCSA)

(根目录):初始目录目录结构:树状结构/bin、/sbin:存放系统自带命令和程序;/home:存放普通用户个人资料/root:超级管理员root 用户存放个人资料/usr:安装应用软件的目录/tmp:存放临时文件/etc:存放操作系统的配置文件/boot:存放启动操作系统的启动文件/etc:存放操作系统的配置文件。

m0_62166971的博客 631

在 SAP 系统中,成本中心(Cost Center)是成本核算与费用管控的基础组织单元,其设计质量直接决定了后续成本归集、分摊、分析及责任考核的准确性

SAP系统成本中心设计核心要点:1. 设计原则包括责任可控、业务同质、核算颗粒度适配、组织对齐及稳定性平衡;2. 划分维度主要有部门、功能、地域、项目和资产5类,可组合使用;3. 需避免颗粒度过细、跨责任主体归集等常见误区;4. 建议采用"明确目标-梳理业务-设计编码"三步法,建立科学的成本中心体系。合理的成本中心设计能精准归集费用、明确责任主体,为成本分析和管控奠定基础。

金牌架构师 1445

22、光无线通信调制技术详解

本文详细介绍了光无线通信中的多种调制技术,包括开关键控(OOK)、脉冲位置调制(PPM)、数字脉冲间隔调制(DPIM)、副载波强度调制(SCM)、相移键控(PSK)、正交幅度调制(QAM)以及多载波调制(MCM)如OFDM和MSIM。文章分析了各类调制技术在带宽需求、功率效率、传输容量、传输速率和PAPR等方面的性能差异,并通过Matlab仿真展示了其在AWGN信道下的误码率表现。同时,对比了不同技术的适用场景,提出了调制选择流程,并结合室内光通信与自由空间光通信的应用案例,展望了未来调制技术向高频谱效率、

net55的博客 117

linux 如何解压z01文件

【代码】linux 如何解压z01文件。

Mrsgflmx的博客 391

SSH 远程登录报错:kex_exchange_identification: Connection closed.....

不知道为啥会出现这样的情形,最近这段时间登录都是正常的,不知道哪里抽风了,就提示这个。错误信息 kex_exchange_identification: Connection closed by remote host 出现在尝试使用 SSH 连接到远程服务器过程中,表明在密钥交换阶段的一开始,远程主机就关闭了连接。服务器的sshd_config文件中配置错误,可能是不允许的加密算法、修订文件中的语法错误,或者未正确指定用于SSH的HostKey。如果当前已有太多活动连接,新的连接尝试可能会被拒绝。

飞越蓝天的专栏 8301

fuel Linux 一键部署 openstack ,onos 作为sdn,取代neutron的L2/L3 功能

华为参与了opnfv genesis的开源项目,集成onos控制器到openstack,替代neutron的L2/L3 功能,想体验openstack和onos,但又苦于对网络知识了解甚少,并且纠结于繁琐配置的小白们,现在可以借机体验一把了。 fuel是mirantis出品,是四大openstack installer里面功能最强大,唯一支持图形化部署的安装工具,现在支持kilo版本,liberty版本在2月发布;

wuwb1989的专栏 3597

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Linux学习笔记01

一、Linux系统的自定义分区要求有哪些? (1)/:根目录分区,几乎所有的文件都位于此目录下,建议大小在5GB以上。 (2)/boot:引导分区,该分区存放着操作系统的内核,用来启动引导操作系统,使用空间为50~100MB,建议大小为100MB。 (3)SWAP:交换分区,SWAP大小根据经验可以设为物理内存的两倍,但当物理内存大于1GB时,SWAP分区可以设置为2GB。 其他分区: (4)/h...

zazazazaza96的博客 1139

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

书生大模型实战营01 Linux+InternStudio 关卡

L {本地机器_PORT}:127.0.0.1:{开发机_PORT}:这是设置本地端口转发,将本地机器的指定端口(由 {本地机器_PORT} 表示)转发到远程主机(这里即 ssh.intern-ai.org.cn)的 127.0.0.1。-p 37489:是指定 SSH 连接的端口为 37489,root@ssh.intern-ai.org.cn:表示要以 root 用户身份连接到 ssh.intern-ai.org.cn 这个主机。接下来,启动端口转发,这一步要退出远程登录状态,在本地终端执行。

qq_40713201的博客 965

某教程学习笔记(一):2、Linux基础(Kali Linux 2020.01)

一个人走在街上,为了避免尴尬总是拿出手机,其实只有自己知道,只是把手机解锁,看了看时间再锁屏放进口袋里,几分钟后又重演一遍,这就是孤独一个人的孤独。。。 环境:Kali Linux 2020.01 一、kali2020.01安装 1、下载地址:https://www.kali.org/downloads/ 直接下载镜像文件 百度网盘下载:链接: https://pan.baidu.com/s/1...

Web安全工具库 3689

跟老男孩学linux运维核心基础 linux运维实战教程

有同学问我最近想学linux运维 ,老男孩和马哥哪个好? 他们的课我都听过,各有千秋,如果是0基础小白,快速入手,老男孩教育比较好;老男孩教育是自己研发的课程,讲的是生产环境的案例,通俗易懂,上手容易,公司不用的不讲,比较实用。如果要考认证,走红帽的体系的,马哥的课可以听听,不建议一个初学者去马哥! 师资上,两家差不多。 案例上老男孩的定位更偏向中型规模的互联网公司实战,如果你打算去中型互联网公司...

fengliaoai的博客 5579

Linux 编写ls -l 命令

ls -l 命令的输出 每行都包含7个字段:           1.模式(mode)                       每一行的第一个字符表示文件类型。“-”代表普通文件,“d”代表目录。接下来的9个字符表示文件访问权限,                                                               分为读、写和执行,又分别针

summer的专栏 6174

linux入门学习笔记#01

本文由笔者基于linux centos 7的root用户测试 基本文件操作 使用ls /查看目录(而不是ls查看文件) pwd查看当前工作目录 使用cd切换目录 ..表上一层目录 ./表示当前目录 写文件 vim filename(直接开始编辑) vi filename(进入vi之后使用i进入编辑模式) 或者 nano filename(nano也是linux中的一个文...

dongmie1999的博客 745

韩顺平—— LINUX学习笔记

LINUX----(韩顺平版) LINUX 笔记 2010-01-04 08:46:32 阅读468 评论1   字号:大中小 订阅 学习LINUX的两个方向: LINUX系统管理员: LINUX程序员:PC平台开发LINUX软件工程师,LINUX嵌入式开发(单片机,芯片)开发,   学完本书可以完全可以胜任LINUX系统管理员 开源,免费,稳定,安全,处理多并发得到业界认可 LI

dahuzi的专栏 2205
上一篇: 【学习笔记】昇思25天学习打卡(D14)CV05-SSD目标检测.ipynb
下一篇: 【学习笔记】大模型实战-L02-Python
UnseenMe
博客等级 码龄20年 193粉丝 35原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值