英伟达号召全球游戏玩家:贡献你的电脑,加入算力抗疫

docker搭建foldingathome Fleet 是一个高度可伸缩的容器管理工具,它允许用户在一组机器上管理容器。它的设计目的是为了简化在多个Docker宿主之间部署和管理容器的过程。Fleet 可以在整个集群中自动分配资源,确保应用程序的高可用性,并提供服务发现的功能。 阅读详情

By 超神经

内容一览:近期,新冠肺炎病毒席卷全球,多个国家的疫情开始呈现危急的状态。在这种局势之下,我们又该如何有效地参与到对抗疫情中来?英伟达在近日发出了一个倡议,鼓励全球的计算机用户,可通过贡献 GPU 算力,加入到一个计算病毒蛋白质结构的科学项目中,帮助推动治疗药物的研究和开发。

关键词:英伟达  Folding@home  分布式计算

只要你的电脑有 GPU ,就能用来帮助对抗新冠肺炎。

近日,英伟达呼吁广大 PC 游戏用户,贡献自己的 GPU 算力,通过加入 Folding@home 项目,投入到对抗新冠肺炎病毒的战斗中来。

只要保证自己的电脑开机,并运行相关的软件,就能为研究病毒的科学研究出一份力。

个人闲时资源,贡献科学事业

抗疫不只是需要贡献人力和物力,现在也可以捐献算力了。

在英伟达的推特中表示,希望世界各地的 PC 游戏玩家,下载并运行 Folding@home 的应用程序,将自己闲置的 GPU 资源,加入到对抗新冠肺炎病毒的战斗中来。

英伟达的推文引起了全网的热烈反响

虽然每个人的电脑算力有限,但通过分布式处理的计算网络,参与进来的用户,就会组成一个强大的网络,可以有效地解决需要算力的科学问题。

只需要下载并运行该程序,就可成为这个网络的一部分,利用自己的算力资源,去运行和处理针对新冠病毒的相关科学计算,模拟 COVID-19 蛋白的动态变化,以加速治疗药物和疫苗的研发。

 

不是第一次联动全球算力

这个看似简单的操作背后,是一个发展了近二十年的大型分布式计算项目,Folding@home(地址:foldingathome.org/start-folding)。

Folding@home 是斯坦福大学的研究人员在 2000 年启动的一个项目,专注于精确地模拟蛋白质折叠、误折、聚合的过程,以便能更好地了解多种疾病的起因和发展情况。

Folding@home 网站呼吁大家参与进来

但针对蛋白质分子折叠的研究,需要进行大量的计算,而这个项目的做法,就是发动全世界的人一起参与进来,组成巨大的分布式计算网络,去解决算力不足的局面。

这种分布式计算的方式,被证明在科学研究中是极其有用的,已经完成了多个项目的计算任务,比如对阿兹海默症、疯牛病、脆骨症等病状的深入研究。

2020 年 2 月 27 日,Folding@home 宣布加入新冠病毒研究,以帮助研究人员开发治疗方法的研究。

具体而言,该计划试图计算出病毒蛋白质运动和折叠的所有状态,以了解该病毒感染人体的具体机理,为下一步的研究和治疗做出铺垫。

3 月 10 日,该计划更新了公告,发布了新冠病毒表面蛋白质解析的第一批计算包。接下来将进行表面蛋白质折叠与结构的解析,帮助新冠病毒的药物研发和疫苗研究。

运行时刻设置界面

资源提供级别和时间可自行选择

通告中也表示,最终计算完成的所有数据,都会通过 GitHub 公开发布,让全世界的研究人员从中受益。

https://github.com/FoldingAtHome/coronavirus

别观望了,快加入进来!

目前 Folding@home 的新冠病毒计算包只能在 GPU 上运行,符合要求的小伙伴可在 foldingathome.org/start-folding 下载软件,并在电脑上运行。

通过自定义选项,设置一些参数,比如运行时间段,可贡献的资源效率之后,该程序就能自动运行,加入到对病毒研究的计算中来。

如果你有闲置的算力,又想为抗击疫情贡献一份力量,不妨让自己的 GPU 也跑起来吧!

—— 完 ——

扫描二维码,加入讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解更多

更多精彩内容(点击图片阅读)

算力对决:华为与英伟达算力卡全方位剖析 华为在算力卡领域的布局以昇腾系列为核心,构建了一套完整且极具竞争力的产品线。昇腾系列涵盖了多种型号,其中昇腾 910 系列面向云端大规模训练场景,凭借其强大的算力和卓越的性能,成为数据中心进行深度学习模型训练的有力武器,广泛应用于科研机构、大型互联网企业等进行 AI 大模型的研发与训练;昇腾 310 系列则侧重于边缘计算和推理场景,在智能安防、智能交通等领域发挥着关键作用,能够在边缘设备上实现快速、高效的推理计算,满足实时性要求较高的应用场景。 阅读详情

相关推荐

NVIDIA的算力支持

NVIDIA, GPU, CUDA, 深度学习, 算力, AI, 硬件加速 1. 背景介绍 在当今数据爆炸和人工智能(AI)蓬勃发展的时代,强大的算力成为推动科技进步的关键驱动力。传统CPU架构在处理海量数据和复杂计算任务时面临着瓶颈,而NVIDIA的GPU(图形处理单元)凭借其并行

AGI×大数据,开启智能时代的认知跃迁;解码AGI,赋能数据驱动的智能革命。 899

英伟达GPU的硬件架构——显存带宽和算力

CUDA 是建立在英伟达GPU硬件架构之上的平台和编程模型。因此,就像要写好高性能的 CPU 程序,必须对 CPU 的硬件架构有一定的理解一样,我们写 CUDA 程序也必须对 GPU 有最基本的了解。

四哥的专栏 4644

2025年北京市职工职业技能大赛第六届信息通信行业网络安全技能大赛复赛CTF部分WP-哥斯拉流量分析

题目没有任何提示,附件gzl.pcap解题哥斯拉流量300多KB包很多,没啥经验只能挨个看回来之后又狠狠得撸了一把哥斯拉流量分析我这里用的是哥斯拉4.0.1测试链接这里发了两个包,我们进行分析。

深耕网络安全领域,聚焦护网行动(HW)、渗透测试、等级保护(等保)、CTF 竞赛四大核心方向,提供技术干货、实战经验与行业洞察。 1814

NVIDIA英伟达GPU显卡算力一览(包含Tesla和GeForce、TITAN及RTX系列等)

英伟达GPU算力一览 官方说明在GPU算力高于5.0时,此计算机可以用来跑神经网络,而在优快云和网页上查找GPU算力时,没有一个比较全面的博客对目前的显卡算力做统计,而且英伟达官网链接打开真的谜一样,很慢或者直接打不开,所以用这篇博客记录一下截至到2020.8.27,一部分主流供深度学习的GPU的算力。 NVIDIA官方查找GPU算力的网址:https://developer.nvidia.com/cuda-gpus 此外,目前主流的游戏本显卡1650,1660以及1660Ti等并未出现在官网的算力表中,

qq_41070955的博客 27万+

WRF中使用ERA5再分析数据

   本人在做一些实例时,需要用到最新的ERA5再分析数据集,其中我下载的是ERA5 hourly data on pressure levels form 1979 to present和ERA5 hourly data on single levels from 1979 to present中的3天数据。 1、注册climate copernicus账号 下载ERA5数据前先要注册其账号 2、选择变量    WRF中对于气象数据的字段有具体的要求, ......

GIS 8172

python-调用动态链接库dll/so的方法

使用python ctyeps CDLL来调用linux下的so动态链接库或windows下的dll动态链接库

XIAOXIANG233233的博客 3663

FoldingAtHome客户端v8版本中的资源管理机制解析

FoldingAtHome客户端v8版本中的资源管理机制解析 FoldingAtHome项目的最新客户端版本(v8)对计算资源管理机制进行了重大改进,取消了传统"槽位(Slots)"的概念,转而采用更灵活的"资源组(Resource Groups)"管理模式。这一架构变更带来了更精细化的计算资源控制能力,但同时也需要用户重新适应新的操作方式。 资源管理机制演...

gitblog_07556的博客 488

k8s 100个高频面试题

以下是 100 个 Kubernetes(k8s)高频面试题及其答案,涵盖了 Kubernetes 的核心概念、架构、组件、工作原理以及实际应用。答案:Master 节点组件:API Server:提供 RESTful API 接口,用于与集群交互。etcd:分布式键值存储,用于存储集群的配置数据和状态信息。Controller Manager:运行各种控制器进程,负责维护集群的状态。Scheduler:负责将 Pod 调度到合适的节点上运行。Worker 节点组件:Kubelet:运行在每个节点上的代理,

wankll的专栏 2784

收藏!2024年GPU算力最新排名

​GPU(图形处理单元)算力的提升是驱动当代科技革命的核心力量之一,尤其在人工智能、深度学习、科学计算和超级计算机领域展现出了前所未有的影响力。2024年的GPU技术发展,不仅体现在游戏和图形处理的传统优势上,更在跨行业应用中开辟了新的可能性。

ToB行业资讯站 2万+

Android应用之【巧妙隐藏桌面图标的进阶方案】

本文详细探讨了Android应用中隐藏桌面图标的进阶方案,解决了传统方法在Android 10及以上版本中出现的黑色图标残留问题。通过Intent-Filter配置和厂商适配技巧,实现子应用真正隐身,同时确保主应用正常启动。适用于企业工具套件、模块化系统等场景,提升用户体验和安全性。

weixin_28363123的博客 513

3️⃣ Coze工作流基础教学(2025年全新版本)

Coze 工作流作为扣子平台的重磅工具,利用可视化节点,如大语言模型、插件、条件判断等,把复杂任务巧妙拆解成多步骤流程。它不仅支持自动化编排,还能实现跨系统协同,有效提升处理效率与输出稳定性。在那些对准确性或格式有严格要求的场景中,比如报告生成、旅行规划,Coze 工作流更是发挥着关键作用。

李同学Lino的博客 5863

英伟达GPU算力【自用】

GPU(图形处理单元)算力的提升是驱动当代科技革命的核心力量之一,尤其在人工智能、深度学习、科学计算和超级计算机领域展现出了前所未有的影响力。2024年的GPU技术发展,不仅体现在游戏和图形处理的传统优势上,更在跨行业应用中开辟了新的可能性。以下展示的是排名前10的GPU型号。

qq_40721108的博客 904

ResNet改进(51):基于轴向注意力机制的改进ResNet模型

本文介绍了一种结合轴向注意力机制的改进ResNet模型。 通过在传统CNN中引入轴向注意力,我们能够在保持计算效率的同时,增强模型对图像全局上下文的理解能力。这种混合架构结合了CNN的局部特征提取优势和注意力机制的全局建模能力,在图像识别任务中表现出色。 轴向注意力机制的应用不仅限于ResNet,也可以灵活地集成到其他CNN架构中。 未来可以探索更多注意力变体,或将其应用于特定领域任务,如医学图像分析、自动驾驶等需要精确空间理解的场景。 希望本文能帮助你理解如何将注意力机制与传统CNN结合,为你的计

2401_82355416的博客 361

全球分布式算力共享的鼻祖 SETI@home,今日正式休眠

By 超神经场景描述:在算力不够的年代,计算机不足以应对拥有海量数据的天文任务,为了对天文数据进行有效的处理,从中寻找出外星文明可能存在的踪迹,科学家发起了一场全民提供 CPU 的项目...

HyperAI超神经 1693

手把手教你学Simulink——基于经典PID控制的电机系统场景实例:BLDC电机PID电流控制策略仿真

*无刷直流电机(Brushless DC Motor, BLDC)**因其高效率、长寿命和低维护成本,在众多领域如家用电器、工业自动化、电动汽车等得到了广泛应用。为了实现对BLDC电机的有效控制,通常采用基于霍尔传感器或反电动势检测的换相技术,并结合电流闭环控制以提高系统的动态响应和稳定性。本教程将带你使用构建一个基于PID控制的BLDC电机电流控制策略仿真模型BLDC电机建模PID控制器设计与应用系统仿真与调试控制效果分析本文介绍了如何使用构建一个。

MHD0815的博客 197

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")

GitHub 移动端正式发布!

| 转载自:优快云(ID:优快云news)|编辑:陈梅梅| 设计:刘颖洁|责编:Corrie在去年的 Universe 大会上,GitHub 推...

开源社KAIYUANSHE的博客 1638

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

算力天花板之英伟达算力之王

英伟达总市值达到2.8万亿美元

2402_84466582的博客 729

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

NVIDIA英伟达所有GPU显卡算力及其支持的精度模式

很多炼丹师不知道自己英伟达显卡支持哪些精度模式,本文整理了NVIDIA官网的数据,为你解开疑惑。1. 首先了解CUDA计算能力及其支持的精度模式;2. 查看自己显卡(或其它NVIDIA硬件)的计算能力值为多少。通过以上两表,可了解每个硬件支持的精度模式。

2万+

英伟达 H200 凭什么重新定义 AI 算力天花板?实机测评来啦!

实测显示,H200 在大模型推理中性能优势显著,这得益于 1128GB 聚合显存、4.8TB/s 单卡带宽、第四代 NVLink 及 FP8 模式下 32Petaflops 总算力的支撑。作为算力基础设施突破,H200 满足当前 AI 算力需求,其显存、带宽、算力密度的协同升级,为下一代 AI 技术奠基,也为 GPU 行业性能迭代树立新范式。(8 卡 141GB 版本,搭载 CUDA 12.4 驱动,启用SXM5的NVLink功能‌与 FP8 精度模式),跑。,全面解析 H200 的技术突破与应用价值。

2302_80560244的博客 7269

NvidiaGeForce系列显卡算力表(sm表)

更新于2024.1.11。

guangqianzhang的博客 1万+

FoldingAtHome客户端服务器切换机制分析与故障处理

FoldingAtHome客户端服务器切换机制分析与故障处理 问题现象分析 在分布式计算项目FoldingAtHome中,客户端软件(fah-client)需要从服务器获取工作单元(WU)进行计算。近期观察到一种特殊现象:当某个客户端持续从特定服务器(ds01.scs.illinois.edu)下载工作单元失败时,客户端会反复尝试同一服务器,而不会自动切换到其他可用服务器。 从日志可见,客户端在8...

gitblog_07714的博客 547

一文就够——算力参数详解及国内外算力整理(截止2024.11)

算力参数详解及国内外算力整理

m0_59292545的博客 3万+

英伟达显卡算力介绍

JETSON系列算力

程序人生 3062

最新NVIDIA英伟达GPU显卡算力表

随着深度学习的火热, 显卡也变得越来越重要. 而我们在安装各种各样的适配显卡的软件工具时, 都会提到一个显卡算力的概念.

专注于人工智能领域的小何尚 4万+

英伟达GPU显卡计算能力评估(深度学习)

Find out all about CUDA and GPU Computing by attending our GPU Computing Webinars and joining our free-to-joinCUDA Registered developer Program. Learn about Tesla for technical and scientific

haoji007的博客 6万+
上一篇: 伯克利校长全员邮件:上课先用 Zoom,还不行就发电报!
下一篇: 明星开源项目在闲鱼、b 站上被倒卖?原作者表示无奈
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753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