离散仿真引擎基础

离散引擎仿真基础 1. 简答题Q&A [Q] 解释 游戏对象(GameObjects)和 资源(Assets)的区别与联系。 [A] [Q] 下载几个游戏案例,分别总结资源、对象组织的结构(指 资源的目录组织结构 与 游戏对象树的层次结构) [Q] 编写一个代码,使用 debug 语句来验证 MonoBehaviour 基本行为或事件触发的条件 基本行为包括 Awake() Start() Update() FixedUpdate() LateUpdate() 常用事件包括 OnGUI() OnDisa 阅读详情

1. 解释 游戏对象(GameObjects) 和 资源(Assets)的区别与联系。

  • 游戏对象(GameObjects):游戏对象是指出现在游戏界面或游戏场景中的物体,是通过资源整合的整体。游戏对象一般需要通过不同的脚本来构成游戏中的组件。
  • 资源(Assets):资源是游戏对象的特定的属性,例如颜色等。游戏对象可以通过使用资源来实现需要的要求。

2. 下载几个游戏案例,分别总结资源、对象组织的结构(指资源的目录组织结构与游戏对象树的层次结构)

  • 资源的目录组织结构:一般包括动画(Animations),音效(Audio),材质(Materials),脚本(Scripts)等。
  • 游戏对象树的层次结构:一般为主摄像机,光源,游戏开始位置,游戏对象等。

3. 编写一个代码,使用 debug 语句来验证 MonoBehaviour 基本行为或事件触发的条件

  • 基本行为包括 Awake() Start() Update() FixedUpdate() LateUpdate()

  • 常用事件包括 OnGUI() OnDisable() OnEnable()

    public class Question3 : MonoBehaviour
         {
             void Awake()
             {
                 Debug.Log("Game awake");
             }
             void Start()
             {
                 Debug.Log("Game start");
             }

           	void Update()
             {
                 Debug.Log("Game update");
             }
             void FixedUpdate()
             {
                 Debug.Log("Game FixedUpdate");
             }
         
             void LateUpdate()
             {
                 Debug.Log("Game LateUpdate");    
             }
         
             void OnGUI()
             {
                 Debug.Log("Game OnGUI");
             }
         
             void OnDisable()
             {
                 Debug.Log("Game OnDisable");   
             }
         
             void OnEnable()
             {
                 Debug.Log("Game OnEnable");    
             }
         }
         

4. 查找脚本手册,了解 GameObject,Transform,Component 对象

  • 分别翻译官方对三个对象的描述(Description)

  • GameObject: Base class for all entities in Unity Scenes.
    游戏对象:是在Unity场景中所有元素的基类。

  • Transform: Position, rotation and scale of an object.
    变换:一个对象的位置,角度以及缩放。

  • Component:Base class for everything attached to GameObjects.
    组件:所有和游戏对象有关的东西的基类。

  • 描述下图中 table 对象(实体)的属性、table 的 Transform 的属性、 table 的部件

    • 本题目要求是把可视化图形编程界面与 Unity API 对应起来,当你在 Inspector 面板上每一个内容,应该知道对应 API。
    • 例如:table 的对象是 GameObject,第一个选择框是 activeSelf 属性。

      Table对象有以下属性:Transform, Cube, Mesh Renderer,Box Collider等属性。
      Table 的Transform属性包括:Position(位置),Rotation(角度),Scale(缩放)。
      Table的部件有Mesh Renderer,Box Collider等属性。

  • 用 UML 图描述 三者的关系(请使用 UMLet 14.1.1 stand-alone版本出图)
    在这里插入图片描述
    5. 整理相关学习资料,编写简单代码验证以下技术的实现:

  • 查找对象

  • 添加子对象

  • 遍历对象树

  • 清除所有子对象

  //查找对象
             void FindObject()
             {
                 var ToFind = GameObject.Find("To_Find");
                 if (null != ToFind) Debug.Log("Find");
                 ToFind = GameObject.Find("/To_Find");
                 if (null != ToFind) Debug.Log("Find");
             }
             //添加子对象
             void InitObject()
             {
                 GameObject ToAdd = GameObject.CreatePrimitive(PrimitiveType.Sphere);
                 ToAdd.transform.position = new Vector3(0, 0, 0);
                 ToAdd.transform.parent = this.transform;
             }
             //遍历对象树
             void TraverseObjectTree()
             {
                 GameObject[] game = GameObject.FindObjectOfType<GameObject>();
                 foreach(GameObject tmp in game)
                 {
                     Debug.Log(tmp.name);
                 }
             }
         
             //清除所有子对象
             void DeleteAllSubObject()
             {
                 GameObject[] game = GameObject.FindObjectOfType<GameObject>();
                 foreach (GameObject tmp in game) GameObject.Destroy(tmp);
             }
     

6. 资源预设(Prefabs)与 对象克隆 (clone)

  • 预设(Prefabs)有什么好处?
    预设可以使得资源可以重复利用。
    相同或相似的游戏对象可以用同样的预设来创建。
    在修改预设的时候,所有的使用该预设的对象都会转变
  • 预设与对象克隆 (clone or copy or Instantiate of Unity Object) 关系?
    预设不随游戏场景中的游戏对象变化,但是修改一个预设时,所有的游戏对象都会被修改。
    对象克隆出来的对象不会随克隆体的修改而修改。
  • 制作 table 预制,写一段代码将 table 预制资源实例化成游戏对象
  • GameObject prefab = (GameObject)Instantiate (prefab1); 
    
离散事件仿真原理DES 离散系统属于动态类型仿真 由事件驱动(event),事件的发生(occur)是离散且随机的,即系统状态变量(state)的取值是依时间轴离散且随机分布的 此类系统无法用数学方程描述 DES使用两种事件推进机制:后续事件时间推进机制(next event time advance NETA);固定步长时间推进机制(fixed increment time advance FITA) 阅读详情

相关推荐

离散事件仿真

离散事件仿真(DES)介绍术语我们如何推进仿真时间?离散事件仿真的组成部分和组织结构示例:单服务器排队系统的仿真建模世界观(不同的方法)仿真和模型构建的步骤。

dcjszhr的博客 1万+

Unity3D学习笔记_基础——离散仿真引擎

Unity3D学习笔记_离散仿真引擎 02-01 GameObject 练习 使用 菜单 -> GameObject -> 3D Object -> Cube 或 在层次视图点右键(上下文菜单 -> 3D Object -> Cube) 使用 菜单 -> Assets -> Create -> Material 或 项目视图(Assets)的上下文菜单 -> Create -> Material 拖动(Drag) RedMaterial 放落(

学习记录 2826

Unity3D——离散仿真引擎基础

一. 简答题 1. 解释 游戏对象(GameObjects) 和 资源(Assets)的区别与联系 区别: 游戏对象:Unity场景中所有实体的基类,可直接出现在游戏场景中,是资源整合的具体表现。 资源:可以是我们自定义或下载下来的素材,可以被多个对象使用,有些资源可以实例化为对象。 联系: 游戏对象是资源的具体表现,可通过生成预设的方式变为资源。 资源可被游戏对象使用,其中的预设可实例...

Misty_Lake_BAKA的博客 488

离散仿真引擎基础及Unity3D入门编程实践

修改的复杂度降低,一旦需要修改所有相同属性的对象,只需要修改预设即可,所有通过预设实例化的对象都会做出相应变化。Editor:所有在Editor和它的子文件夹的脚本,都不会作为运行期脚本被编译,而是作为动态添加Unity编译器功能的脚本来编译,在该文件夹和其子文件夹的脚本不能被添加到GameObject上。通过井字棋小游戏的案例学习,理解 MVC 元素之间的协作关系,对Unity 3D、IMGUI有了初步的了解后,现在模仿井字棋代码,参考“井字棋”案例,编写制作一个简单的计算器。一个资源可以创建多个对象。

weixin_63734223的博客 397

02-离散仿真引擎基础

Homework02 简答题 1. 解释游戏对象(GameObjects)和资源(Assets)的区别与联系 区别:游戏对象是具有一定属性与功能的类的实体化,对应为Unity中具有对应职能与属性的组件,例如游戏中常见的玩家、怪物等;资源是预先准备好的模型、图片、音乐等,可以直接并重复使用 联系:资源可以添加到游戏对象作为其一部分,而游戏对象可以保存作为一种资源以便捷地重复使用 2. 下载几个游戏案例,分别总结资源、对象组织的结构(指资源的目录组织结构与游戏对象树的层次结构) 从资源网站下载愤怒的小鸟、

Edith的博客 591

告别手动操作!用Python脚本批量处理Siemens NX零件文件(导入/导出/移除参数)

本文详细介绍了如何利用Python脚本实现Siemens NX零件文件的批量处理,包括导入、导出和移除参数等操作。通过NX Open API和Python UF接口,工业设计师可以大幅提升工作效率,告别繁琐的手动操作。文章提供了完整的实战指南,涵盖环境配置、核心功能实现以及性能优化技巧,特别适合需要进行Siemens-NXUG二次开发的工程师参考。

weixin_28222493的博客 261

HW2_离散仿真引擎基础

HW2_离散仿真引擎基础 文章目录HW2_离散仿真引擎基础1. 简答题1.11.21.31.41.52. 编程实践,小游戏3. 思考题 1. 简答题 1.1 解释 游戏对象(GameObjects) 和 资源(Assets)的区别与联系 游戏中的每个对象都是一个游戏对象 (GameObject)。然而,游戏对象 (GameObjects) 本身不做任何事情。它们需要**特殊属性 (speci...

WeiXiaoAssassin的博客 661

FOC电机控制实战:增量式编码器零位校准的5个关键步骤(附STM32代码)

本文详细解析了FOC电机控制中增量式编码器零位校准的5个关键步骤,包括电角度锁定、定时器计数清零、机械偏移角补偿等,并提供了STM32平台的实战代码。通过精准的零位校准,可显著提升电机控制系统的精度和稳定性,适用于工业伺服和机器人关节等高精度场景。

rum55的博客 619

【3D游戏编程与设计-HW2】离散仿真引擎基础

离散仿真引擎基础简介简答题编程实践,小游戏思考题(选做) 简介 学习3D游戏编程与设计的第二讲《离散仿真引擎基础》。下载试用了软件Unity3D,完成制作小游戏井字棋。 本博客分为三部分: 简答题 编程实践:小游戏《井字棋》 思考题 简答题 1. 解释游戏对象(GameObjects) 和 资源(Assets)的区别与联系。 游戏对象表示某些资源的具体实例化,出现在游戏的场景中,游戏对象一般有敌人,场景,摄像机等非实体虚拟父类,子类一般为游戏内的实体 ; 资源表示硬盘中的文件,存储在Unit

jessiaflora的博客 1043

mstar PQ软件修改方法

1.修改ADC的值 Static code APIXC_AdcGainOffsetSetting tADCSetting[ADC_SET_NUMS]= #define INIT_ADC_RGB_RED_GAIN               0x1000 #define INIT_ADC_RGB_GREEN_GAIN           0x1000 #define INIT_ADC_RGB

qq_18810259的专栏 2566

工业异常检测评价指标(I-AUROC、PRO等)

模型评价指标:TPR、FPR、Recall、ROC、AUC、AUROC、IoU、PRO、AUPRO等

qq_1532145264的博客 7439

Unity3d 离散仿真引擎基础

Unity3d 游戏——离散仿真引擎基础简答题 1. 解释游戏对象 (GameObjects) 和资源 (Assets) 的区别与联系。 游戏对象 (GameObjects) 用来表示游戏中具体的角色,道具和场景。它们通过容纳组件 (Component) 来实现实际的功能。这些附属于游戏对象的组件能给游戏对象加上所需要的属性和功能。 资源 (Assets) 游戏中可能用到的模型、声音、贴图、脚...

ShiYiloo_的博客 509

EtherCAT-7 从站代码移植-SPI

STM32F103 + AX58100,从站代码移植。

tianya_xuan的博客 3571

3D游戏(2)——离散仿真引擎基础

文章目录1、简答题解释 游戏对象(GameObjects) 和 资源(Assets)的区别与联系。下载几个游戏案例,分别总结资源、对象组织的结构(指资源的目录组织结构与游戏对象树的层次结构)编写一个代码,使用 debug 语句来验证 MonoBehaviour 基本行为或事件触发的条件查找脚本手册,了解 GameObject,Transform,Component 对象资源预设(Prefabs)与 对象克隆 (clone)2、 编程实践,小游戏简易井字棋小游戏3、思考题【选做】微软 XNA 引擎的 Game

qq_43278234的博客 647

数字IC后端手把手实战教程 | Innovus verify_drc VIA1 DRC Violation解析及脚本自动化修复方案

数字IC后端实战项目案例之Innovus verify_drc DRC Violation脚本自动化修复方案

weixin_37584728的博客 4053

RAGFlow + GraphRAG+ 知识图谱 + QwQ32B探索实践

RagFlow 是一款开源的 RAG(Retrieval-Augmented Generation)引擎,专注于深度文档理解,能够助力企业及个人构建高效的 RAG 工作流程。借助大语言模型(LLM),它可以精准处理各种复杂格式的数据,为用户提供可靠的问答服务,并附上详实的引用依据。

技术引领业务创新 8万+

Unity离散仿真引擎基础

3D游戏设计第二次作业离散仿真引擎基础前言简答题1、游戏对象(GameObjects) 和 资源(Assets)的区别与联系。2、下载几个游戏案例,分别总结资源、对象组织的结构(指资源的目录组织结构与游戏对象树的层次结构)3、编写一个代码,使用 debug 语句来验证 MonoBehaviour 基本行为或事件触发的条件。4、查找脚本手册,了解 GameObject,Transform,Component 对象5、资源预设(Prefabs)与 对象克隆 (clone)代码题思考题【选做】微软 XNA 引擎的

qq_43283265的博客 537

Nexus7二代刷机教程(新手向)

该教程将使用lineageos(Android 11),同时借鉴了lineage官方的教程和songelf的教程。

2403_84391487的博客 5217

离散仿真引擎基础-作业与练习

离散仿真引擎基础-作业与练习 前言 这是中山大学数据科学与计算机学院2019年3D游戏编程与设计的第二次作业 所有项目与代码已上传至github当中,欢迎大家访问。 github个人主页: https://starashzero.github.io 3D游戏编程与设计主页: https://starashzero.github.io/3DGameDesign 本次作业项目地址: https://g...

qq_20549085的博客 427

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")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Unity3D作业二:离散仿真引擎基础

离散仿真引擎基础 简答题 1. 解释 游戏对象(GameObjects) 和 资源(Assets)的区别与联系。 游戏对象:出现在场景中,一般有人物、道具和风景等等,充当组件的容器,实现真正的功能。游戏对象自己不做任何事。他们需要专有属性,才可以成为一个角色,一个环境,或一个特殊效果。 资源:表示可以在项目中使用的任何素材。可能来自在Unity之外创建的文件,例如3D模型、音频文件,图像,脚本或...

Tifinity的博客 563

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: 字符游戏—贪吃蛇
下一篇: 空间与运动
丶BQ丶
博客等级 码龄9年 4粉丝 18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