【AtCoder】【AGC019F】Yes or No

Proteus 8.17安装部署全指南:避坑、汉化与STM32库配置 Proteus是一款广泛用于单片机仿真与电路设计的EDA工具,其核心价值在于支持嵌入式系统原型验证与教学实践。Proteus 8.17版本重构了许可证机制(LIC Engine)、依赖环境(VC++ 2019/NET 4.8)及路径加载逻辑,导致传统安装方法失效。掌握正确安装部署流程,是保障原理图绘制、VSM仿真(如51/STM32/ESP32)及外设波形观测(OLED、SPI、ADC)稳定运行的前提。本文聚焦Windows平台下零失败安装路径选择、权限配置、汉化实施与高频器件(如STM32F103)元件库 阅读详情

Description

有n+m个问题,这些问题的答案为Yes或No,其中n个为Yes,m个为No,
这些题目随机排列,你需要按顺序猜这些问题的答案,且猜完以后你可以立刻知道当前猜的问题的正确答案,
假设你绝顶聪明,求答对问题的期望个数最大是多少。

Solution

O(nm)O(nm)的DP试可以显然得到:

f[i][j]=f[i−1][j]∗i+f[i][j−1]∗j+max(i,j)i+jf[i][j]=f[i−1][j]∗i+f[i][j−1]∗j+max(i,j)i+j

那么这个就相当于在平面上行走,从(0,0)到(n,m),每穿过一次y=x这条直线,max(i,j)max(i,j)的值就变动一下,

设n>=mn>=m,
首先先考虑不穿过y=x的情况,那么肯定是一直猜同一个,总共一定会猜对n次,

再考虑穿过了的情况,忽略在直线y=x上的点,我们发现,如果把路径穿过直线的部分以对称的方式对称过来,那么它的答案不变,
换句话说,无论路径多么的曲折,穿过了多少次直线y=x,它的答案一定为n,(忽略在直线上的点)
而对于在直线y=x上的点,我们猜对的概率一定为1/2,那么直接统计这个1/2对答案贡献多少次即可(有多少条路径经过这一点)。

Code

#include <cstdio>
#include <cstdlib>
#include <algorithm>
#define fo(i,a,b) for(LL i=a;i<=b;++i)
#define fod(i,a,b) for(int i=a;i>=b;--i)
#define max(q,w) ((q)>(w)?(q):(w))
using namespace std;
typedef long long LL;
const int N=1000500,mo=998244353;
int m,n;
LL ans,jc[N],jcn[N];
LL ksm(LL q,int w)
{
    LL ans=1;
    for(;w;w>>=1,q=q*q%mo)if(w&1)ans=ans*q%mo;
    return ans;
}
LL C(int m,int n){return jc[m]*jcn[n]%mo*jcn[m-n]%mo;}
int main()
{
    scanf("%d%d",&n,&m);
    jc[0]=1;fo(i,1,n+m)jc[i]=jc[i-1]*(LL)i%mo;
    jcn[n+m]=ksm(jc[n+m],mo-2);fod(i,m+n-1,0)jcn[i]=jcn[i+1]*(i+1LL)%mo;
    if(n<m)swap(n,m);
    fo(i,1,m)ans=(ans+C(i*2,i)*C(n+m-i*2,m-i)%mo)%mo;
    printf("%lld\n",(ans*ksm(2,mo-2)%mo*ksm(C(m+n,m),mo-2)+n)%mo);
    return 0;
}
YOLOv11-seg 改进系列 | 引入原创 RSCD 重参数共享卷积分割头,增强 Head 表达力并压低计算量 本文提出一种改进的YOLOv11-seg分割头Segment_RSCD,通过重参数共享卷积增强表达能力。该模块在LSCD共享检测头基础上引入DiverseBranchBlock重参数卷积,保留三尺度预测与Proto掩码原型接口不变。相比原始Segment头,Segment_RSCD参数增加4%但计算量降低1.3%,在共享卷积结构中通过多分支补偿表达能力损失,同时利用Scale层保持尺度差异校准。该方法不改动Backbone/Neck结构,仅重构检测/分割头,实现训练期多路径聚合与部署期等效单分支的平衡。 阅读详情

相关推荐

CVPR 2027 投稿规划:基于近3年录用率与截稿周期的5步时间管理法

本文为计算机视觉研究者提供CVPR 2027投稿的完整规划指南,基于近三年录用率与截稿周期数据,提出五步时间管理法。涵盖选题策略、实验设计、论文写作、同行评审到最终提交的全流程优化,特别针对CVPR日益激烈的竞争环境(2024年投稿量达11532篇,录取率仅23.6%)提供实用解决方案,帮助研究者提升投稿成功率。

weixin_34079177的博客 1161

agc019F Yes or No

题目链接 https://agc019.contest.atcoder.jp/tasks/agc019_f 题意简述 有n+mn+mn+m个问题,答案都是"Yes"或"No",其中nnn个是"Yes",mmm个是"No"。你回答一个问题后,不管是否正确,都可以得到这个问题的答案。假设你都不知道答案只能猜,按最有策略行动,求你期望答对问题的个数。 题解 容易得到一个O(n2)O(n^2)O(n2)的...

Canopus 272

透传产品上报AEP平台数据流程

1. 什么是数据透传 数据透传:指的是在通讯中不管传输的业务内容如何,只负责将传输的内容由源地址传输到目的地址,而不对业务数据内容做任何改变。 这篇文章描述了如何将一台NB设备通过透传方式将数据传输到AEP平台,再通过数据订阅的方式获取到这些数据。 2. 步骤 2.1 设备在AEP平台创建 AEP:https://dm.ctwing.cn/ 新建产品 添加设备 根据模组的15位IMEI添加设备 开启内网穿透 具体可参照我的这篇博客:内网穿透-如何进行本地数据调试 设置数据推送

qq_42265394的博客 2297

AtCoder Grand Contest 019 F - Yes or No 数学

题意 有n+m个问题,n个答案是正确,m个答案是错误。总共有n+m轮,每轮会随机从没有问的问题中选一个出来,在你回答完后会告诉你是答对还是答错。问最优策略下的期望答对题的数量。 n,m 分析 这题如果要用分数相加的方法来做的话会超级麻烦,考虑数形结合的话就会简单很多。 首先不难发现最优策略一定是选剩余题数较多的那个答案来回答。 把原问题抽象成一个数轴,每次会向下走或向左走。 有个

beginend 432

gesp c++ 八级知识点

gesp c++ 八级知识点

MMD.然大大 2243

手把手教你用Arduino搭建惠斯通电桥:从原理到代码实现(附完整电路图)

本文详细介绍了如何利用Arduino搭建惠斯通电桥,从硬件选型、电路设计到代码实现和校准技巧,提供完整的电路图和实用代码示例。特别适合电子爱好者和创客学习高精度电阻测量技术,并扩展应用于应变片测量和温度监测等实际项目。

o4p5q6r7s的博客 401

【概率与期望】AGC019 F Yes or No

分析: 首先,很容易搞出来一个N^2的DP做法,显然会T,但是对发现正解有很大帮助: 将这个DP转换为一个网格,就变为:从起始点(n,m)出发,到达目标点(0,0)的期望路径长度。 首先,有一个很厉害的结论:因为每次都是按照最优策略选答案,所以不妨设n&gt;=m,那么一定能答对n次。证明很显然,每次当n&gt;m时我们都会n的那一项,尽管答案可能会错,但错了之后,n会更大,我们更会选n。直到最终...

氧化钠的博客 563

[毕设项目-MCP+ENSP]一句话搞定ENSP自动化:MCP + LLM实战(架构图、工具清单、踩坑全解)

用 MCP + LLM 把“人话”变成对华为 ENSP 的安全自动化操作,三款工具覆盖配置/查询/落盘,配套架构、实战与排坑清单。

逐梦苍穹的博客 2542

AGC019 F- Yes or No 题解

题目传送门 题目大意: 有 n+mn+mn+m 道判断题,有 nnn 道的答案为正确,有 mmm 道的答案为错误,进行 n+mn+mn+m 轮提问,每次随机给你一道题,你不知道它的答案,但是你回答后他会告诉你是否答对了,问你在最优策略下期望能答对多少题。 题解 显然最优策略是每次答剩余题数较多的那类题,一顿找规律后不难发现一定能答对 max⁡(n,m)\max(n,m)max(n,m) 道题。 证明的话,不妨令 n>mn>mn>m,那么此时肯定回答正确,假如答案正确,那么 ans+1,n−

a_forever_dream的博客 449

YOLOv8改进 | Conv篇 | DWRSeg扩张式残差助力小目标检测 (附修改后的C2f+Bottleneck)

本文内容给大家带来的DWRSeg中的DWR模块来改进YOLOv8中的C2f和Bottleneck模块,主要针对的是小目标检测,主要创新点可以总结如下:多尺度特征提取机制的深入研究和创新的DWR模块和SIR模块的提出这种方法使得网络能够更灵活地适应不同尺度的特征,从而更准确地识别和分割图像中的物体。通过本文你能够了解到DWRSeg的基本原理和框架,并且能够在你自己的网络结构中进行添加(DWRSeg需要增加一定的计算量一个DWR模块大概增加0.4GFLOPs)。

Snu77的博客 9572

【算能】TPU-MLIR 工具链之model_deploy

model_deploy.py 是算能 TPU-MLIR 工具链中实现模型高效部署的核心组件,通过灵活的量化配置与硬件优化,可在 ​精度损失 ≤1% 的前提下实现 ​3-5 倍加速。开发者需重点关注校准数据质量、混合精度策略及硬件兼容性

浩瀚之水的专栏 288

【agc019F】Yes or No

Portal -->agc019F Description   给你\(n+m\)个询问,其中\(n\)个的答案是\(Yes\),\(m\)个的答案是\(No\),现在依次回答这些询问,每回答一个询问就告诉你听你回答对了还是没对,求最优策略下答对题目期望数量对\(998244353\)取模    Solution   个人感觉很棒的一题qwq ​  首先我们可以设出一个无脑dp:\(f[n]...

weixin_30578677的博客 172

【GEOS-Chem模拟教程第二期上】生物质燃烧排放 GFED4 数据配置

生物质燃烧排放 GFED4 数据配置

WW、forever的博客 1301

[AtCoder Grand Contest 019] F: Yes or No (agc019F)

原题链接 https://agc019.contest.atcoder.jp/tasks/agc019_f Description 有N+M个问题,N个问题的答案是Yes,M个问题的答案是No 现在将这N+M个问题随机排列 你需要按顺序回答,每回答一个问题就会告诉你这道题的正确答案 求最优策略下答对问题的期望数量 答案对998244353取模 n,m&amp;lt;=5e5 So...

Never give in. 544

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】

【agc019f】AtCoder Grand Contest 019 F - Yes or No

题意 有n个问题答案为YES,m个问题答案为NO。 你只知道剩下的问题的答案分布情况。 问回答完N+M个问题,最优策略下的期望正确数。 解法 首先确定最优策略, 对于\(n<m\)的情况,肯定回答YES; 对于\(n>m\)的情况,肯定回答NO。 所以到最后,肯定由MIn(n,m)个问题可以回答正确。 最后可能正确的情况在于,n==m的情况,有一半的几率正确。 所以加上这部分的期望即可...

weixin_30933531的博客 121

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

AGC 019 F Yes or No - 组合计数

对应到坐标系的路径,并钦定x=y时随便选一个。 那么一个路径的贡献是max(a,b)+经过y=x的次数(在x=0处不算)*0.5 没了。 #include&lt;bits/stdc++.h&gt; #define gc getchar() #define rep(i,a,b) for(int i=a;i&lt;=b;i++) #define Rep(i,v) rep(i,0,(int)v.size...

Mys_C_K的博客 368

【Atcoder】AGC019 B-F简要题解

D.套路枚举 E.转图论DP F.+-1转网格图DP期望

远行客 290

AT2705 [AGC019F] Yes or No(组合数学)

魔术翻折

BUG_Creater_jie的博客 335

[agc019f]Yes or No

前言一道数形结合的题目。 发现本质则十分简单(考虑分数相加则麻烦无比)。题意n+m个询问,有n个询问的答案是Yes,其余m个是No。 你依次回答这些询问,每个询问给出Yes或No,给出后告诉你答对了没有。 求最优策略下你期望答对的询问个数。解法不妨令n>=m。 最优策略,选择剩余多的,一样多乱猜一个。 然后画一条y=x的直线。 你假设从一个(i,i)走到(0,0)中途不到对角线。 那么

不来也不去的一只失忆蝴蝶 1051

AGC019F YES or NO

题意有n+m个问题,其中n个的答案是YES,m个的答案是NO,你现在从前往后回答问题,按照最优策略猜答案,回答完当前问题后你会知道这个问题的答案,问期望答对的题目的数量 n,m<=500000题解假设当前还剩a个问题答案是YES,b个问题答案是NO,那么显然最优策略是答更大的那个,即答对的概率是max(a,b)/(a+b) 将回答的所有情况画成一个图得到: 答案就是从S走到T的路径的权值和

samjia2000的博客 1074

【AGC 019 F】Yes or No

Description 有n+m个问题,其中n个的答案是YES,m个的答案是NO,你现在从前往后回答问题,按照最优策略猜答案,回答完当前问题后你会知道这个问题的答案,问期望答对的题目的数量 n,m&lt;=500000 部分分:n=m Analysis bruteforce 设还剩i个YES,j个NO 显然最优策略为猜剩余多的那个,即猜对概率为max(i,j)/(i+j),这样...

LYD729 452

AGC019F

题目大意 $n$ + $m$ 个问题,其中$n$ 个答案是$YES$,$m$个是$NO$的,你依次答题,每答一道,就可以立刻知道这道题的答案,求在最优策略下答错次数的期望,对$998244353$取模. 分析 很显然,如果当前有$i$个答案是$YES$,$j$个答案是$NO$,如果$i!=j$那么我们肯定选择剩余答案多的那个回答,如果$i=j$,我们只能随便猜一个回答. 容易发现,我们猜...

weixin_30278237的博客 142

AtCoder Grand Contest 019F Yes or No 组合数学

Description 有n+m道题目,n道题目的答案为Y,m道为N 现在你要回答这n+m道题目,每次会从没答过的题目中抽一道回答,若回答正确就加一分。问最优策略下得分的期望 Solution tourist的题目真是劲啊 我们可以用一对整数对(x,y)表示一个剩余x个1问题,剩余y个2问题的局面。显然每一步的最优策略就是猜剩得多的那个,这样等价于我们在每个点有概率往两个方向走一步,且只有一种...

olahiuj的博客 352

AtCoder Grand Contest 019 F - Yes or No

链接:link题意:有n+mn+m个询问,其中nn个是YES,mm个是NO,你回答一个问题之后会知道这个问题的答案,求最优策略下你期望对多少个。题解:显然最优策略是回答多的那个。 不妨设n≥mn\ge m,将正确答案画在二维平面上,发现是(n,m)(n, m)到(0,0)(0, 0)的一条路径。 画一条对角线y=xy=x,我们发现如果路径不经过对角线那么答案就是nn。 我们考虑计算答案的增量,

wxh010910 1881

AtCoder - 2705 Yes or No

Problem Statement You are participating in a quiz withN+Mquestions and Yes/No answers. It's known in advance that there areNquestions with answer Yes andMquestions with answer No, but the q...

weixin_30922589的博客 161
上一篇: 自我剖析&未来计划
下一篇: 【AtCoder】【AGC017F】Zigzag
HOWARLI
博客等级 码龄11年 109粉丝 378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