Java基础知识体系-基础语法-02

【机电杂谈2】BLDC和PMSM的特点和区别 在日常生活中,小到电动玩具,大到电动汽车,永磁电机的身影可以说是无处不在。有刷直流电机、无刷直流电机、永磁同步电机由于其结构和输出特定的不同也被应用到不同的场合。如果你经常拆一些玩具和家电,就会看到大量的有刷直流电机和无刷直流电机,而永磁同步电机主要应用在高精度的工业伺服和电动汽车领域。本文就从电机的结构和控制方面,对这几种常见的永磁电机做简单的梳理和归纳。 阅读详情

Java基础语法;

//变量的演示
public class VarDemo {

	public static void main(String[] args) {
		/*
		 * 变量的练习
		 * 1.声明一个整型变量,名为a
		 *   声明三个整型变量,名为b,c,d
		 * 2.声明整型变量e并直接赋值为250
		 *   声明整型变量f
		 *   给变量f赋值为250
		 * 3.声明整型变量g并赋值为25.86-----???
		 *   声明整型变量h并赋值为5,
		 *   声明整型变量i并赋值为h+100,输出i的值
		 *   在h本身基础之上增加100,输出h的值
		 *  输出m的值--------------------???
		 *  声明整型变量m,输出m的值--------???
		 *  4.声明几个正确的和几个错误的变量名
		 */
		
		//4.变量的命名
		int a1 = 5,a_5$,$y;
		//int a*b;//编译错误,不能包含*号
		//int 1a;//编译错误,不能以数字开头
		//int class;//编译错误,不能使用关键字
		//System.out.println(A1);//编译错误,严格区分大小写
		int 年龄;//语法正确,但是不建议
		int age;//建议"见名知意"
		int score,myScore,myJavaScore;//驼峰命名法
		
		//3.变量的使用
		//1)必须与数据类型匹配
		//2)对变量的使用就是对它所存的那个数的使用
		//3)变量在使用之前必须声明并初始化
		//int a = 25.86;//编译错误,数据类型不匹配
//		int a =5;//声明整型变量a并赋值为5
//		int b = a+10;//声明整型变量b并赋值为a+100
//		System.out.println(b);//输出b的值15
//		a = a+100;//在a本身基础之上增加100
//		System.out.println(a);//输出a的值105		
//		
//		//System.out.println(m); //编译错误,m未声明
//		int m;
//		//System.out.println(m);//编译错误,m未初始化
//		m = 250;
//	    System.out.println(m);
		
		
		//2.变量的初始化:第一次赋值
		//1)声明的同时初始化
//		int a = 250;//声明整型变量a并直接赋值为250
//		//2)先声明后初始化
//		int b;//声明整型变量b
//		b = 250;//给变量b赋值为250
		
		
		//1.变量的声明
//		int a;//声明一个整型变量,名为a
//		int b,c,d;//声明三个整型变量,名为b,c,d
		
	}
}


深度学习工具包 DeepLearningToolbox 深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/)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") 立即下载

相关推荐

AI自动打游戏全攻略:从环境搭建到Agent训练实战

本文系统介绍了AI自动打游戏的技术实现方案,重点解析了强化学习(DQN算法)在贪吃蛇游戏中的应用。文章从技术选型入手,对比了强化学习与计算机视觉两种方案,详细说明了开发环境配置步骤,并深入讲解了DQN模型构建、游戏环境封装、训练优化等核心环节。通过经验回放和目标网络等技术,有效提升了AI的学习效率和稳定性。该方案具有通用性,只需调整参数即可应用于其他简单游戏场景,为开发者实现游戏AI提供了完整的技术路径。

milk416666的博客 4151

一些内置数据类型

scala包含你想要的标准数值数据类型,在scala中所有的这些数据类型都是对象而不是基本数据类型。 下面给出几个声明数字类型变量的方法: val b: Byte = 1 val x: Int = 1 val l: Long = 1 val s: Short = 1 val d: Double = 2.0 val f: Float = 2.0 前四个例子如果你不显示的声明数据类型,那么它们将都被默认为Int类型,所以你如果想让数据类型为Byte、Long、Short必须显示的声明数据类型。小数默认为Dou

weixin_44406746的博客 323

Cisco 路由器 打环测试教程

环 回测试是很常用的一种测试,通常用于检查和分析端口或线路问题。如下图所示,我们在设备端口上用命令loopback(某些端口上命令格式为 loopback diagnostic)使接口从内部将自己发送的信号转接到自己的接收端(如红线所示),通过检查数据发送和接收的情况来判断端口工作状态是否正常。如果 需要对端口进行完全的检测,可以使用符合标准的短跳线将端口收发短接构成环...

weixin_34304013的博客 2024

1.变量

1.1变量 变量来源于数学,是计算机语言中用于存储计算数据、储存计算结果的存储结构。1.2变量的声明 变量的声明由两部分组成:数据类型+变量名。多个变量如果类型相同,可以在一条语句中声明,用逗号分隔。(变量不能重名) int a;//声明一个整型变量,名为a int b,c,d;//声明三个整型变量,名位b,c,d 1.3变量的初始化 初始化即第一次给变量赋值 int a = 250;//声明整型变量a并赋值为250 int b;//声明整型变...

Wzxl02的博客 521

【科技前沿】用深度强化学习优化电网,让电力调度更聪明!

Hey小伙伴们,今天我要跟大家分享一个超级酷炫的技术应用——深度强化学习在电网优化中的典型案例!如果你对机器学习感兴趣,或是正寻找如何用AI技术解决实际问题的方法,这篇分享绝对不容错过!👩‍💻✨

Jacklx888的博客 3247

从零构建物联网监控系统:STM32+迪文屏+WiFi模组的实战解析

本文详细解析了基于STM32微控制器、迪文串口屏和WiFi模组构建物联网监控系统的完整方案。从硬件选型、系统架构设计到数据交互实现,提供了包括迪文屏GUI开发、STM32通信协议、低功耗优化等实战经验,帮助开发者快速掌握物联网监控系统的核心技术。

docker7nomad的博客 731

JAVA变量和数据类型

变量 变量: 存数的,代词,指代的就是它所存的那个数 声明: int a; //声明一个整型的变量,名为a int b,c,d; //声明三个整型的变量,名为b,c,d 命名: 只能包含字母、数字、_和$符,并且不能以数字开头 严格区分大小写 不能使用关键字 可以中文命名,但不建议 建议&quot;英文的见名知意&quot;、“驼峰命名法” 初始化:第一次赋值 使用: 变量的使用必须与数据类型匹...

zhyue28的博客 297

ShengBTE热导计算:利用ShengBTE计算热导显示NAN的原因是什么?算出的热导不随平均声子自由程变化

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 965

变量以及基本数据类型的介绍

变量:存数的 1)声明:-------在银行开了个帐户 int a; //声明一个整型的变量,名为a int b,c,d; //声明三个整型的变量,名为b,c,d //int a; //编译错误,变量不能同名 2)初始化:-----给帐户存钱 int a = 250; //声明整型变量a并赋值为250; int b; //声明整型变量b b = 250; //给变量b赋值为250 b = 360; //修改变量b的值为360 3)使用:-------使用的是帐户里面的钱 3.1)对变量的使用

谨言的博客 345

【Proteus仿真】用24C04与1602LCD设计的简易加密电子密码锁

【Proteus仿真】用24C04与1602LCD设计的简易加密电子密码锁

perseverance51博客 1122

【EB_Tresos专题】-06-配置一个UDS诊断DID

<--返回「Autosar_BSW高阶配置」总目录--> <--返回「Autosar_BSW高阶配置」专栏主页--> <--返回「个人博客」首页--> <--返回「Autosar_BSW高阶配置」总目录--> <--返回「Autosar_BSW高阶配置」专栏主页--> <--返回「个人博客」首页--> 结尾 ...

「汽车电子助手」的博客 4089

Java基础语法

1. Java概述 1.1 Java语言发展史 语言:人与人交流沟通的表达方式 计算机语言:人与计算机之间进行信息交流沟通的一种特殊语言 Java语言是美国Sun公司(Stanford University Network)在1995年推出的计算机语言 Java之父:詹姆斯·高斯林(James Gosling) 2009年,Sun公司被甲骨文公司收购,所以我们现在访问oracle官网即可:https://www.oracle.com 当前,我们课程使用的JDK版本:11.0 1.2 Java语言跨平台原理

terence的博客 10万+

【GPFS专题4】---IBM Spectrum Scale (GPFS) 原理详解

IBM Spectrum Scale(原名为 GPFS,General Parallel File System)是一种高性能、分布式的集群文件系统,专为大规模数据共享和并行访问设计。它允许多个客户端同时访问共享文件,提供高可用性、容错性和扩展性,广泛应用于高性能计算(HPC)、大数据分析、AI 训练和企业级存储场景。IBM Spectrum Scale 通过分布式架构、并行访问和智能数据管理,为企业提供了高性能、高可用、可扩展的存储解决方案。

jundao1997的专栏 781

java基础知识梳理与基本语法(有例子)

在上面的例子中,我们定义了一个名为Person的类,它有两个私有属性name和age,以及一个公有的构造方法和一个公有的sayHello方法。构造方法用于创建Person对象时初始化name和age属性,而sayHello方法用于输出个人信息。在Main类的main方法中,我们创建了两个Person对象person1和person2,并通过调用sayHello方法来输出它们的个人信息。

2301_79640217的博客 3327

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Java 基础知识——基础语法

Java 基础语法

敲代码的小李同学的博客 1076

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Java基础知识第一讲:基础语法

Java基础知识第一讲:基础语法 分享在java学习及工作中,常使用的一些基础知识,本文从JVM出发,讲解了JVM,java异常体系,java集合类,java IO,基本语法,框架相关知识点这六大模块,日常开发中的小技巧也收录在其中,用于查漏补缺,学而时习之,不亦乐乎 本文是基础知识第一讲:基础语法 文章目录Java基础知识第一讲:基础语法推荐书籍为何学习 Java 基础1、Java 编程语言核心结构1.1、Java 语言概述1.2、Java语言运行机制及运行过程1.3 环境搭建1.2、基本语法2、J

Jet_qi的博客 1030

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

java基础知识——基础语法

java的基本语法格式 [修饰符] class 类名{ 程序代码 }

zeng_jun_yv的博客 2368

02、Java基础语法

注释是对代码的一种解释,通过注释来添加对代码的说明解释性信息,注释不参与程序的编译和运行。Java中的注释分为:单行注释、多行注释和文档注释。下面举例说明三种注释的使用方式: 运行结果如下图:图1注释演示程序的运行结果关键字是对Java编译器有特殊含义的字符串\英文词汇,是编译器和程序员的一个约定,程序员利用关键字来告诉编译器其声明的变量类型、类、方法特性等信息。关键字不能用作变量名、方法名、类名、包名和参数。 截至目前Java中约定的一共有50个关键字,包括结构定义、数据类型定义、流程控制、异常处理、

qq_37002663的博客 656

Java基础知识体系-基础语法-04

Java面试核心知识点一共有30个专题,足够读者朋友们应付面试啦,也节省朋友们去到处搜刮资料自己整理的时间!Java面试核心知识点《一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码》点击传送门即可获取!料自己整理的时间!**[外链图片转存中…(img-9gQWhjm7-1712122994245)]Java面试核心知识点《一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码》点击传送门即可获取!

2401_84048149的博客 954

Java的基础知识与语法

Java的基础知识与语法

郑某某的博客 1429

Java基础知识体系-基础语法-01

知识网络图:Java基础知识体系-基础语法将按照如下图进行讲解,只求夯实基础,将其作为常识,随口即说无需思考的地步

Coder_Boy_的博客 323

Java基础SE.02.Java基础语法

Java基础SE.02.Java基础语法 1.Java标识符,关键字,保留字,注释 1.标识符 要求: [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Y3V0nOyI-1602930250513)(/image-20200923191839184.png)] 规范: [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xB3Dd5Nk-1602930250516)(/image-20200923191907479.png)] 2.关键字 [外链图片转

OrangeNotFat的博客 308

java语法基础知识

这里写目录标题java开发环境数据类型运算符分支结构循环数组方法:函数.过程 java开发环境 1、 java编译运行过程 1.1)编译期:.java源文件,经过编译,生成。class字节码文件 1.2)运行器:jvm加载.class并运行.class(0和1) 特点:跨平台、一次编译到处运行 2、名词解释 2.1)jvm:java虚拟机 加载.class并运行.class 2.2) JRE:java运行环境 除了包含JVM以外,还包含了运行java程序所必须的环境 2.3)JDK:java开发工具包 除了

qq_48064509的博客 387

day02-Java基础语法

java

huan 813

java基础知识02

1.Java语法格式 如何定义Java中的类 Java代码都定义在类中,类由class来定义,区分 public class 和 class main方法的作用 main方法是程序的入口;保证程序的独立运行;被JVM调用 注:代码严格区分大小写,如main 和 Main 是不一样的; Java语言分隔符 分号; :语句的分割,表示一句话结束,好比咱们使用的句号; 花括号{} :表示一个代码块,是一...

qq_44426152的博客 217

Java基础知识详解:从入门到核心语法体系

1. 下载并安装JDK:从Oracle官网获取最新版JDK(建议Java 11及以上版本),安装后配置环境变量(如`JAVA_HOME`和`PATH`)。- 整型:`byte`(1字节)、`short`(2字节)、`int`(4字节,常用)、`long`(8字节,需加`L`后缀)。- 字符型:`char`(2字节,存储Unicode字符),布尔型:`boolean`(仅`true/false`)。- 浮点型:`float`(4字节,需加`f`后缀)、`double`(8字节,默认)。// 不可修改的常量。

qq_58726170的博客 370
上一篇: Java基础知识体系-基础语法-01
下一篇: Java基础知识体系-基础语法-03
Coder_Boy_
博客等级 码龄10年 2804粉丝 819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

打赏作者

Coder_Boy_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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