C++ IDE分享(几个最常用的IDE)

2024年最全C C++调试总结:IDE(visual studio和Dev C+,2024年最新看完直接怼项目经理 在 GDB 调试器中,为程序的适当位置打断点,是最常用的调试程序的方法。不过,本节仅介绍了如何使用 break(tbreak、rbreak)在程序中打断点,实际场景中还可以使用 catch 或者 watch 中断程序的运行,有关它们的功能和用法,会在后续章节中给大家做详细讲解。 阅读详情
AI摘要

本文推荐了两款常用的C++ IDE,适合不同阶段的学习者。对于初学者,推荐Dev-C++,操作简单易上手;对于专业人士,推荐Visual Studio 2022,虽然配置稍复杂,但功能强大且免配置编译器。

想学好C++,肯定要有一个好的IDE,今天我就分享几个最常用且好用的IDE。

目录

1、萌新篇:Dev-C++

2、专业篇:Visual Studio

1、萌新篇:Dev-C++

下载地址:Dev-C++

这个IDE非常适合初学者,操作非常简单,轻轻松松就能搞定~

 

操作步骤:

1、下载并打开(安装时语言选择English,没有简体中文,安装好后可调整为简体中文)

2、按Ctrl+N或点击文件->打开项目或文件创建新的文件

3、编写代码

4、完成后保存,点击运行->编译运行即可运行

 

 操作非常简单,萌新快去试试吧~

2、专业篇:Visual Studio(2022)

这个IDE适合专业人士(不是说普通人不能用),操作过程较复杂,请务必认真看!

下载地址:Visual Studio 2022

这个IDE是微软的,肯定更好用,不需要像Visual Studio Code一样需要麻烦地配置编译器。

选择Community 2022(社区版),这个是免费版,其他两个是需要付费的

安装后是这个应用:

我们打开它,选择Community 2022,根据自己的需要配置IDE(占用空间有几个G,可安装到C盘以外的盘)(建议初学者选择“使用C++的桌面开发”即可)

安装时间较久,请耐心等待!

安装完成会自行启动

那么我们怎么编写呢?

操作步骤:

1、主页选择“创建新项目”

2、选择“控制台应用” 

 

3、创建文件

 

4、创建即可

5、运行文件选择“本地Windows调试器”运行

 

学编程,更容易,找Code_easy~ 

C++编译环境(IDE)推荐及安装 嗨嗨嗨,我又来水博文了今天来给大家推荐几款好用的IDE是集成开发环境(Integrated Development Environment)的缩写,是一种软件应用程序,提供了用于软件开发的各种工具和功能,包括代码编辑器、调试器、编译器、构建工具等。IDE旨在提高开发人员的生产力,简化开发过程,并提供更好的开发体验。Dev-C++ 是一个免费的、功能齐全的集成 IDE。Dev-C++ 是用Delphi 编写的,。它是快速运行代码的好选择,但没有太多支持大规模编写代码的功能。 阅读详情

相关推荐

开发C++最好的IDE 工具

选择最好的C++集成开发环境(IDE)很大程度上取决于个人偏好、项目需求、操作系统以及是否需要特定的功能支持。选择合适的IDE时,考虑你的项目需求、操作系统、是否需要跨平台支持、是否习惯特定的开发环境、以及是否需要特定的工具集或插件支持。试用几个不同的IDE,找到最适合你工作流程的那个。

易之阴阳,量子纠缠,道之一体,缘起性空 2387

11 个最佳 C++ IDE(和代码编辑器)

C++ 是一种功能强大、用途广泛的编程语言。它也可以是一个艰难的大师。这意味着在您的工具带中拥有正确的工具以帮助您更高效、更有效、更自信地编写代码至关重要。在为 C++ 编程寻找最佳 IDE 或代码编辑器时,您应该从哪里开始?IDE 选项列表几乎是无限的,很难判断哪个是最适合您的软件开发需求的 CPP IDE。 幸运的是,这份 11 大最佳 C++ IDE(和代码编辑器)的综合列表涵盖了您。 我...

lzhdim的专栏 8万+

C++开发常用工具分享

微软提供的功能强大的IDE,支持C++开发,拥有丰富的调试和代码分析工具。windbg是分析release发布运行程序崩溃的重要调试工具,详见:windbg调试分析dump工具,使用windbg分析Qt崩溃原因。VS自带工具查看lib、dll、exe依赖库和函数,查看dll位数等。在VS安装目录找Developer Command Prompt命令行工具,一般在开始菜单容易找到,在命令行运行:dumpbin /dependents myapp.exe #查看可执行程序依赖的动态库。

程序猿老樊的博客 677

C/C++主流的IDE(编译器)

如何选择一款适合自己的C/C++IDE? C/C++八款使用IDE推荐与介绍

2301_79539778的博客 2万+

IDE还是cmd?

我们的c/c++程序该怎么写?这里说的不是算法和数据结构,只是简单的编译链接。

ds1231h的博客 2079

Notepad++改造成C/C++ IDE [真正意义上的IDE]

本文教大家怎么将Notepad++改造成自己喜欢的C/C++编译器。并且提供一些实用的方法让你的IDE更加好用,更加实用。此外还提出在使用过程中容易犯的问题以及相应的解决办法。

dabulv的专栏 1万+

2023 年最佳 C++ IDE

2023 年最佳 C++ IDE

Edison's 小宇宙 12万+

编程纠错与IDE使用经验分享

本文基于书籍章节内容,深入探讨了编程中常见的错误代码及如何进行修正,并详细介绍了在Turbo C++环境下创建和执行C++程序的步骤。通过具体案例和IDE屏幕结构的介绍,让读者理解编程过程中可能遇到的问题及其解决方法,同时熟悉编程环境,提升开发效率。

weixin_42418754的博客 557

C++ IDE推荐

要跟踪极佳 IDE(集成开发环境)和类 IDE 工具的全部动态,对开发人员来说很难。IDE 不再局限于典型文本编辑器,而是将编译、自动代码完成、语法高亮显示、调试、分析、测试以及更多功能整合在一个综合用户界面上。如果没有 IDE,用户必须在开发工作流程中单独使用所有相关组件。虽然有些开发人员可能更喜欢这样,但 IDE 可以大大加快编程速度,并提供更佳的整体体验。IDE 选择颇丰,因此关注最佳 C++ IDE 更能从中百里挑一。最后,我收集了一些令人信服的 IDE,并对每种进行了分析。

LWJLWJ_的博客 3755

银河麒麟桌面版V10搭建Qt4.8.6开发环境

银河麒麟桌面版V10搭建Qt4.8.6开发环境

qq_34932364的博客 2402

mongoDB 数据莫名其妙的没了

问题 之前没有接触过mongoDB,然后接手一个项目使用的是MongoDB,我就跟着网上的教程搭建一个MongoDB的服务,并运行起来。 一开始没有啥问题,成功的把服务与MongoDB都启动以来,运行也没有问题。但是过了几天,我再次打开时发现,以前的数据神奇的消失了。我还在想,是有什么定时清除的么,还是什么原因导致崩了然后数据就被清理了。 查找原因 第一次遇到我没有在意,重启了一下MongoDB,...

技术熊的博客小窝 1万+

windows下最好的C++ IDE

文章引用 自 :  http://blog.vckbase.com/bruceteen/archive/2004/10/15/987.aspx?Pending=true#Post这个站其他内容应该也值得看看的.还有关键是评论. 周星星向您推荐windows下最好的C++ IDE1. 你是不是用惯了VC++6.0?假如是,我现在推荐的IDE仍然是VC++6.0的IDE。2. 你是不是觉得VC

微风拂岸的专栏 1万+

【Transformer 相关理论深入理解】注意力机制、自注意力机制、多头注意力机制、位置编码

transformer原理

qq_38253797的博客 2万+

C语言常用开发环境IDE

C语言常用开发环境IDEWindowsMACLinux跨平台Visual Studio CodeCodeBlocksQt 在windows,Mac,Linux等平台分别展开,C语言常用的开发环境IDE,在Windows中有Visual Studio;在Mac中有xcode;在Linux上,有vi,vim等等,还有一些可以跨平台的 IDE Windows 在Windows上,一般会用Visual Studio ,当然,还有些童鞋在用VS的老版本VC++6.0,VC++6.0其实就是VS的前身,所以,VS相当对

qq_43495411的博客 1万+

Axure RP9 利用中继器实现列表数据的切换,分页器数据的动态交互加载

Axure RP9 利用中继器制作分页组件 在原型制作中,如何实现分页数据的动态加载、分页与数据的交互,每页显示条数的设定。下面通过制作五年级一班成绩单分页列表,分享给大家,适合有一定axure使用基础的人员,如有更好的方案,请多多指教。 最终效果图: 步骤1:首先利用中继器画出成绩单列表,并绑定成绩单数据。 步骤2:画出每页显示条数控制下拉框,利用中继器画出分页组件 步骤3:新增全局标量maxpage(显示的最多页码),minpage(显示的最小页码),i(循环计数),j(最循环数),selectpa

shandongmike的博客 6821

完整复盘【避雷jd文职某岗位】潍坊青州hhj(据说未来搬到天津),助理实验师岗位,三人进面,面试全部不及格,空头岗位!像这种情况,该单位很多 | 附个人完整备考背诵题目 | 世间一场梦,不会再考这个了

本文以博主本人报考jun dui文职,从报考、备考、考试、查成绩到资格审查、面试,全程亲身经历,给想要报考该内容的朋友们一些小的参考。祝你顺利上岸!完整复盘【避雷jd文职某岗位】潍坊青州hhj(据说未来搬到天津),助理实验师岗位,三人进面,面试全部不及格,空头岗位!像这种情况,该单位很多 | 附个人完整备考背诵题目 | 世间一场梦,不会再考这个了

追光者♂:记录、分享、总结、提升,现象级专栏《Python从入门到人工智能》作者,无惧黑暗,坚信曙光 250

C++ IDE使用分享

C++ IDE使用分享 1.前言 最近在使用CGAL库,在使用的代码工程中有几个特点: 1.整个工程特别大,是一个完整的软件框架; 2.使用的QT元素; 3.使用的库较为复杂 系统环境为:Ubuntu18 一直使用的是VS Code,但是在编译过程中,VS Code直接卡死,多次未能解决。后面尝试不同的IDE效果,总结如下。 2. 首选VS Code 【推荐:*****】 VS Code 在不是特别大的工程中还是好用的,轻量级的使用,但是一些配置需要自己在json文件中配置,相对大型的IDE自动配置稍

qq_39448233的博客 1148

Unity开发AR之Vuforia-MultiTarget笔记

在增强现实(AR)技术蓬勃发展的今天,越来越多的开发者开始探索如何将AR应用于各种场景中。Vuforia作为一个领先的AR开发平台,为开发者提供了强大的工具和功能,使得创建AR体验变得更加简单和直观。本文将为您介绍Vuforia的基本概念、特点,以及如何配置和使用MultiTarget功能,旨在帮助您更加深入地理解Vuforia SDK,并在您的项目中有效地应用。Vuforia是一个由PTC开发的增强现实SDK,它提供了丰富的功能,使团队能够在各种设备上创建互动的AR应用。

TxNet 1052

【分享】那些热门的Python编辑器/IDE,你用过几个?

我整理了5个热门且我亲自体验过且觉得不错的Python编辑器/IDE,推荐给大家。快看看你用过几个吧!

white_hat_2009的博客 3967

把静态前端托管进 SAP BTP:HTML5 Application Deployer 与企业级内容部署全攻略

本文介绍了在SAP BTP Cloud Foundry环境中使用HTML5 Application Repository托管前端静态资源的工程化实践。通过HTML5 Application Deployer工具,结合MTA描述、路由配置和服务实例,实现前后端解耦和标准化部署。文章详细阐述了目录结构、关键配置文件、MTA编排以及构建部署流程,并针对大体积前端资源提供了GACD和异步上传两种解决方案。最后说明了如何与AppRouter协同工作,使部署内容可供终端用户访问。这套方法使前端更新无需重启后端,支持团队

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 158

MATLAB与图像处理(一):图像中结构张量的求法(Structure Tensor)

1.结构张量的作用:       能够区分图像中的平坦区域,边缘,角点; 2.图像中的结构张量的定义    1)是一个矩阵;    2)与图像的水平,垂直梯度有关,定义如下: 在MATLAB中,可以用如下语句求解:[Ix,Iy]=gradient(Image); 3)求出结构张量矩阵的行列式,和迹(矩阵对角线之和)   行列式:K=det(E);   迹:  

wenyusuran的专栏 5242

linux mysql ide_分享6款Linux下常用的IDE

原标题:分享6款Linux下常用的IDE由于提供丰富的语言和工具链,Linux长期以来一直是开发人员最喜欢的平台。在本文中,我们将重点介绍6个可提高工作效率的IDE。 每个IDE都是有Snap版本,所以你可以在几秒钟内轻松制作完整的开发环境。 以下是每个开发人员应该了解的六个最佳IDE以及本文中提到的另外14个附加的IDE供你参考。01Visual Studio Code Visual Studi...

weixin_36269724的博客 857

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Dev-Cpp 5.5.3:C++初学者入门IDE配置与项目实战指南

集成开发环境(IDE)是程序员将代码转化为可执行程序的核心工具,它通过整合编辑器、编译器和调试器等组件,极大提升了开发效率。其工作原理在于提供统一的图形界面来管理代码编写、构建配置和错误排查流程。对于C++初学者而言,一个轻量、开箱即用的IDE能有效降低学习门槛,帮助其专注于语法和逻辑本身,而非复杂的工具链配置。Dev-Cpp 5.5.3正是这样一款经典的入门级C++ IDE,它内置了MinGW编译器,无需额外配置即可进行C++项目的编译、构建与调试。本文将以**项目配置**和**调试技巧**为核心,详细解

weixin_33709219的博客 400

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

寻求一款简易的C/C++IDE

作者:liguisenblog:http://blog.youkuaiyun.com/liguisen/ 寻求一款简易的C/C++IDE,有这样一个需求:1,运行于windows,体积小巧,绿色免安装最好。2,带标准库,有简单的调试功能(窗口界面),例如断点,单步执行,查看变量、内存地址的值等3,适合新手使用,例如第一次学习程序设计语言。4,一般只用来做3、4百行以下的控制台小程序。就这样

LGS的BLOG 1万+

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")

从Dev-C++到云端:用快马AI平台打造新一代C++在线IDE

与Dev-C++的单色主题不同,云端编辑器支持自定义主题切换,夜间模式对开发者更友好。通过快马平台,我们还能获得AI实时辅助,这是本地工具难以实现的。的一键部署后,最惊喜的是省去了配置环境的繁琐步骤。相比Dev-C++的传统调试界面,云端版本可以实时显示内存数据可视化图表,这对指针和数据结构的学习特别有帮助。与Dev-C++的纯本地管理不同,所有项目自动云端存储,支持生成分享链接进行协作。作为一名长期使用Dev-C++的开发者,最近尝试将熟悉的开发环境搬到云端时,发现。能完美实现这个需求。

SunstoneLion34的博客 1099
上一篇: 竞赛题目分享1:跳楼梯
下一篇: C++小课堂:STL中的栈容器(stack)
「已注销」
博客等级 码龄4年 45粉丝 17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