学习嵌入式:探索嵌入式系统的未来优势

嵌入式 专栏收录该内容
¥59.90 ¥99.00
450篇文章

学习嵌入式:探索嵌入式系统的未来优势

嵌入式系统是当今数字化社会中无处不在的存在。从智能手机到智能家居,从汽车到医疗设备,嵌入式系统已经成为现代生活中不可或缺的一部分。那么,为什么我们应该学习嵌入式系统?未来的嵌入式系统又有哪些优势呢?本文将深入探讨这些问题,并提供相关的源代码示例。

  1. 嵌入式系统的定义和应用
    嵌入式系统是一种特定功能的计算机系统,被嵌入到其他设备或系统中,以执行特定的任务。它们通常被设计为实时系统,具有较小的体积、低功耗和高可靠性。嵌入式系统广泛应用于各个领域,如消费电子、汽车、医疗、航空航天等。

  2. 学习嵌入式的重要性
    2.1 市场需求:随着物联网和智能化技术的快速发展,对嵌入式系统的需求不断增加。学习嵌入式系统开发可以提供丰富的就业机会和发展前景。
    2.2 多学科交叉:嵌入式系统的开发涉及硬件和软件的结合,需要掌握电子、计算机科学和软件工程等多个学科的知识。学习嵌入式系统可以拓宽专业领域,提高综合能力。
    2.3 创新潜力:嵌入式系统的应用领域广泛,可以为社会生活和产业发展带来创新和改变。学习嵌入式系统可以激发创新思维,培养解决实际问题的能力。

  3. 嵌入式系统未来的优势
    3.1 物联网的普及:随着物联网的普及,越来越多的设备需要连接并交换数据。嵌入式系统在实现设备之间的通信和数据处理方面具有独特的优势,将在物联网时代发挥重要作用。
    3.2 人工智能的集成:人工智能技术的迅猛发展为嵌入式系统带来了新的机遇。嵌入式系统与人工智能的结合可以实现智能感知、自主决策和自适应等功能,推动嵌入式系统在智能化领域的应用进一步发展。
    3.3 安全和隐私保护:随着嵌入式系统的广泛应用,安全和隐私

二十八篇:嵌入式系统实战指南:案例研究与未来挑战 选择合适的开发工具和平台对嵌入式系统的成功至关重要。例如,对于需要处理大量数据的应用,选择一个提供丰富库和高效编译器的平台会非常有帮助。而对于功耗敏感的应用,则需要选用支持低功耗模式和具有丰富低功耗操作API的平台。平台编程便利性支持的库和工具功耗管理能力社区支持ARM mbed高丰富优良强大Arduino中中等一般广泛通过这样的比较,开发者可以根据项目需求选择最合适的平台。在开发过程中,确保系统性能满足要求是非常重要的。 阅读详情

相关推荐

JavaScript语言的嵌入式系统

JavaScript是一种广泛应用于Web开发的脚本语言,最初由Brendan Eich于1995年开发。JavaScript具有动态类型、弱类型和基于原型的编程特性,使其在开发交互性强的网页应用时表现出色。随着Node.js的出现,JavaScript不仅可以在浏览器中运行,也可以在服务器端运行,极大地扩展了其应用场景。嵌入式系统是专门为特定应用设计的计算机系统,通常嵌入在设备中以执行特定任务。它们广泛应用于家电、交通工具、医疗设备、工业控制等领域。

2501_90373042的博客 808

Go语言的嵌入式系统

Go语言由谷歌(Google)于2009年推出,作为一种静态强类型的编程语言,Go的设计初衷是为了解决大型系统开发中的复杂性。简洁性:Go语言的语法简单明了,减少了开发者的学习成本。并发性:Go语言内置了goroutine和channel,方便开发者进行并发编程,适合处理需要高并发的场景。高效性:Go语言的编译速度很快,生成的可执行文件小且性能高,适合在资源受限的嵌入式环境中使用。跨平台:Go语言可以编译成多种操作系统和架构的可执行文件,这对于多种硬件平台的嵌入式开发尤为重要。

2501_90777134的博客 1100

Swift语言的嵌入式系统

Swift是由苹果公司开发的编程语言,首次发布于2014年。其设计初衷是为了替代Objective-C,旨在提供一种更安全、更高效的编程体验。Swift语言拥有多种现代编程特性,如类型推断、内存管理、闭包和函数式编程等,使得代码的可读性和维护性显著提高。在深度和复杂性方面,Swift相较于C/C++等传统嵌入式开发语言异常友好,更适合快速开发和迭代。这使得Swift在推动嵌入式系统的现代化方面具备了独特的优势。

2501_90494596的博客 1619

TypeScript语言的嵌入式系统

TypeScript是一种由微软开发的开源编程语言,是JavaScript的超集。TypeScript添加了静态类型、类、接口等重要特性,使得JavaScript的开发更加规范化和易于维护。TypeScript的设计目的在于改善JavaScript的大型应用程序的开发体验,并提升代码的可读性和可维护性。嵌入式系统是指将计算机硬件与软件结合在一起,执行特定功能的计算机系统。实时性:许多嵌入式应用需要在特定时间范围内完成处理,以满足系统的实时要求。资源限制。

2501_90300537的博客 1483

Dart语言的嵌入式系统

Dart是一种由Google开发的编程语言,最初于2011年发布。它的设计理念是让开发者能够以一种快速、有效且安全的方式构建应用程序。简洁易懂的语法:Dart的语法受到了多种语言的影响,特别是Java和JavaScript,使得开发者上手更为容易。强大的异步编程支持:Dart内置了对异步编程的支持,包括Future和Stream,适合处理边缘计算的需求。优越的性能:Dart可以编译为高效的原生代码,适用于各种设备。跨平台能力:Dart可以在移动端和Web端都表现优异,支持Flutter框架的开发。

2501_90300366的博客 947

Scala语言的嵌入式系统

Scala是一门兼具面向对象和函数式编程特点的编程语言,最初在2003年由马丁·奥德斯基(Martin Odersky)发明。Scala在JVM上运行,可以与Java相互操作,充分利用Java生态系统的丰富资源。静态类型系统:Scala提供强大的类型推断机制,能够在编译时捕获大量错误,提高程序的安全性。面向对象与函数式编程的结合:Scala的设计初衷就是将面向对象和函数式编程的优点结合起来,使得代码更加简洁和易于维护。并发编程支持。

2501_90290992的博客 1004

Rust语言的嵌入式系统

Rust是由Mozilla开发的一种系统编程语言,其设计目的是提供内存安全、并发性和高性能。Rust的核心理念是“安全性优先”,通过一种独特的所有权(Ownership)模型来防止数据竞争和内存泄漏。这使得Rust在处理复杂的并发和系统层级的编程时,能够提供更高的安全保证。

2501_90300579的博客 551

PHP语言的嵌入式系统

近年来,随着物联网(IoT)技术的快速发展,嵌入式系统在各个行业中的应用越来越广泛。从智能家居到工业自动化,从健康监测到智能交通,嵌入式系统以其高效、稳定和成本低廉的特性,成为了现代科技不可或缺的一部分。虽然C/C++等传统语言在嵌入式开发中占据了主导地位,但PHP作为一种高级语言,其简单易用、快速开发的特性,近年来逐渐开始引起嵌入式系统开发者的关注。本文将探讨PHP在嵌入式系统中的应用,通过实例分析其优势和挑战。

2501_90425623的博客 493

Logo语言的嵌入式系统

在机器人教育领域,Logo语言因其简单而被广泛使用。比如,学生可以编写程序,让机器人在特定的路径上行驶并绘制图形,这不仅能够激发学生的兴趣,还能培养他们的逻辑思维能力和解决问题的能力。随着计算机科学的发展,Logo语言的应用不仅限于教育领域,它的简洁性和表达能力吸引了一些嵌入式系统的开发者。:虽然Logo语言在教育领域有一定的社区支持,但在嵌入式开发领域,相关的资源和文档较少,开发者可能面临一定的挑战。:由于Logo语言的简单性,更多没有编程基础的人可以参与到嵌入式系统的开发中,促进了更广泛的技术传播。

2501_90231697的博客 398

Kotlin语言的嵌入式系统

嵌入式系统是指将计算机系统嵌入到其他设备中,用于实现特定功能的计算机系统。随着物联网(IoT)的迅猛发展,嵌入式系统的应用场景越来越广泛,涉及到智能家居、工业自动化、医疗设备、智能交通等多个领域。传统上,嵌入式系统的开发主要使用C/C++等语言,但近年来,随着Kotlin语言的崛起,越来越多的嵌入式开发者开始关注Kotlin在嵌入式系统中的应用。Kotlin是一种现代化的编程语言,具有简洁、易读、安全等优点。

2501_90291024的博客 658

COBOL语言的嵌入式系统

COBOL语言的诞生可以追溯到1950年代末。当时,IBM、美国国防部和许多大学联合开发出这种语言,以满足商业数据处理的需求。COBOL语言以其清晰易懂的语法和强大的数据处理能力迅速在行业内流行,成为银行、保险、政府等行业的主要编程语言。嵌入式系统是指那些嵌入在其他设备中,以实现特定功能的计算机系统。特定功能:嵌入式系统通常为了完成特定的功能,因此不需要具备通用计算机的所有能力。资源受限:大多数嵌入式系统内存、处理能力和存储空间有限。实时性:许多嵌入式系统需要在严格的时间限制内完成任务。

2501_90494606的博客 780

Delphi语言的嵌入式系统

Delphi是一种面向对象的编程语言,最初由Borland公司于1995年推出。它的语法受Pascal语言的影响,同时结合了现代编程的特性,提供了强大的可视化开发工具。Delphi最初主要用于Windows应用程序的开发,但随着其平台支持的扩展,如Delphi for Android和Delphi for iOS,它也开始在嵌入式系统、移动应用和跨平台应用开发中占据一席之地。

2501_90485626的博客 379

嵌入式系统与机器学习的结合

随着机器学习和嵌入式技术的日益成熟,这两者的结合正在为多个行业带来新的创新机会。嵌入式系统,作为专门为特定功能设计的硬件和软件平台,通常运行在资源受限的环境中。而机器学习则通过算法使设备能够从数据中自我学习与优化。在嵌入式系统中实现机器学习技术,不仅可以克服传统计算平台上存在的多种挑战,还能带来诸如成本节约、低延迟、以及提高可持续性等众多优势。

硬核科技 759

3D数学-动力学

3D数学-11-动力学 旋转运动学 二维旋转动力学 首先我们考虑最简单的情况: 我们将F施加在圆盘(忽略质量)上的一个点(质量为m)上 图中:F为我们施加的力,O是枢轴原点。 通过基本的运算,我们可以得到 F'= F*sinθ 那么切向加速度 a = F'/ m 切向加速度是线性速度的加速度,我们通过除以半径获得角加速度 α = a / r 现在,我们换一种方式,那就是通过杠杆臂的方式去施加力 为了能够计算出m点的角加速度,我们需要引入一个概念:扭矩 他的理解类似于力矩,公式如下 τ = Flsi

韩天衣的博客 2287

别再手动填序号了!用Python脚本在Arcgis属性表里实现分组自动编号(附完整代码)

本文详细介绍了如何利用Python脚本在Arcgis属性表中实现分组自动编号,告别低效的手工操作。通过核心代码解析和实战教程,帮助GIS工程师快速掌握自动化编号技术,提升工作效率并降低错误率。特别适合城市规划、国土调查等需要处理大量分组数据的场景。

weixin_42532473的博客 311

aruco_ros实战:从USB摄像头到Marker位姿检测全流程解析

本文详细解析了使用aruco_ros从USB摄像头实现ArUco Marker检测与位姿估计的全流程。内容涵盖环境搭建、核心launch文件配置、可视化调试、位姿数据解析以及深度优化技巧,帮助开发者快速掌握ROS下的视觉定位关键技术,并集成到机器人项目中。

weixin_29230805的博客 265

波分复用技术原理

波分复用原理 把不同波长的光信号复用到同一根光纤中进行传送,这种方式我们把它叫做波分复用( Wavelength Division Multiplexing ) 一根光纤被划分为多个波道,多个波长以一定的间隔隔开,在光纤中独立传输。 波分复用应用演示 如果将WDM系统看作交通系统,光纤可以看作是多个车道的公用道路。 各种类型的业务就像货物一样,被打包装载到车辆中。 车辆按照分配的车道行驶至目的地,完成货物的运输。 想要提高波分复用系统的传输容量,就要增加波道数量或是提升单波传...

m0_63251770的博客 10000

YOLOv8剪枝 l1剪枝测试精度仅掉0.8个点,速度提高10.7fps!

文章摘要: 本文提出了一种基于组归一化的重要性评分方法GroupNormImportance,用于神经网络剪枝中的通道选择。该方法支持多种变体,包括标准L1范数、组L1范数和BN缩放因子等计算方式。核心实现包括三个关键部分:1)支持p范数计算(默认为L2);2)提供7种组重要性归约方法(如均值、最大值等);3)提供8种归一化方案(包括标准化、高斯化、LAMP等)。该方法输入一个剪枝组,输出各通道的重要性分数,通过依赖图可实现结构化剪枝。实验对比图展示了剪枝前后的效果差异,验证了该方法的有效性。

FJN110的博客 398

ESM2蛋白预训练模型 蛋白质、氨基酸向量表示

参考: https://github.com/facebookresearch/esm https://huggingface.co/facebook/esm2_t33_650M_UR50D https://esmatlas.com/resources?action=fold tokenizer_对输入蛋白会头尾添加cls、eos特殊字符,占两个字符长度 参考:https://github.com/facebookresearch/esm 直接clone下来代码

weixin_42357472的博客 1万+

74、刀具磨损监测与寿命预测分析

本文综述了刀具磨损监测与寿命预测的研究现状,分析了力信号、功率信号、振动信号和声发射信号在刀具状态监测中的应用及其优缺点。介绍了当前常用的刀具寿命模型及故障诊断流程,并总结了基于不同信号的监测方法。文章指出,尽管已有多种方法在理论上取得进展,但在实际应用中仍面临挑战。未来研究方向包括采用更先进的神经网络、深入探索多信号融合技术以及有效利用工业大数据,以提升刀具状态识别的准确性与可靠性。

lstm7chronicler的博客 277

cuRobo 入门教程(二)基于CUDA的机器人运动规划加速库

cuRobo是一款基于CUDA加速的机器人算法库,提供正向/逆向运动学、碰撞检测、数值优化等核心功能,支持在NVIDIA Jetson Orin等平台上实现毫秒级运动规划。该库创新性地采用并行轨迹优化技术,结合nvblox工具实现深度摄像头避障功能,并通过多层ESDF结构处理动态障碍物。性能测试显示,在RTX 6000 Ada显卡上可实现99.85%的成功率,平均规划时间仅39毫秒。cuRobo还提供Python API支持神经网络集成,并具备批量环境处理能力,特别适用于工业机器人应用场景。最新版本通过算法

2506_90492529的博客 1303

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

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")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: OP-TEE 的内存管理:嵌入式环境下的页表管理
下一篇: CAN ID变周期的周期性发送实现——嵌入式BswM
普通网友
博客等级 码龄3年 234粉丝 0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  | 博主筛选后可见
 
 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