深度学习对抗海洋赤潮危机!浙大GIS实验室提出ChloroFormer模型,可提前预警海洋藻类爆发

AI对战五子棋——深度学习策略网络 在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。 阅读详情

2014 年 8 月,美国俄亥俄州托莱多市超 50 万名居民突然收到市政府的一则紧急通知——不得擅自饮用自来水!

水是人类生存的基本供给,此通告关系重大,发出后也引起了不小的恐慌。究其原因,其实是美国伊利湖爆发了大规模的蓝藻繁殖,水面被数十亿单细胞藻类覆盖。当地 2 家水处理厂商检测到湖水中堆积的毒素已达到危险级别,水质不再适合居民饮用。

这种在特定环境下,由于海洋藻类生物爆发而导致的生态异常现象,就是人们常说的赤潮,又称有害藻华 (HABs)。 专家表示,有害藻华对海洋生态平衡、当地经济和人类健康产生了严重威胁。具体而言,海水表面聚集的大量藻类生物可以通过遮蔽阳光、降低水体透明度,危及深层海洋生物的生存。这些生物分泌的粘液还可以粘附于鱼类的鳃上,导致它们呼吸困难,甚至窒息死亡。更进一步地,饮用水源受污染,赤潮生物引发的毒素还会通过食物链传递至人体,人类的健康也受到了严重影响。

在这里插入图片描述

赤潮现象

图源:前瞻网

由此可见,对有害藻华进行观测、预警和防控至关重要。通常情况下,叶绿素 a (chl-a) 浓度可以作为评价 HABs 是否泛滥的关键性指标, 其准确预测将直接影响后续的防控策略。目前,机器学习在预测 chl-a 浓度方面取得了显著进步,然而,它在有效建模复杂动态时间模式、处理数据噪声和不可靠性方面,仍存在不足。

对此,浙江大学 GIS 实验室的研究人员提出了一种全新的深度学习预测模型 ChloroFormer,该模型将傅里叶分析和 Transformer 神经网络结合,采用时序分解架构,有效地改进了 chl-a 浓度预测的准确性。 此外,研究人员还在 2 个不同沿海研究区域开展实验,结果表明,所提模型不仅在多步预测准确性上优于其他 6 种对比模型,在极端和频繁的藻华情况下也能保持相对优势。ration of fourier analysis and transformer networks」为题,发表在 Water Research 上。

研究亮点:

  • 深度学习模型 ChloroFormer 在叶绿素 a 的短期和中期预测上,都超越了基线。

  • ChloroFormer 在预测叶绿素 a 峰值方面表现出色,准确度高,与观察到的数据分布保持较高的拟合优度。

在这里插入图片描述

论文地址:

https://doi.org/10.1016/j.watres.2024.122160

数据集:以台州海域和 Ala Wai 港为例

本研究选取了浙江省台州海域、夏威夷州瓦胡岛 Ala Wai 港作为研究区域, 这两个地方的有害藻华状况各异。其中,台州海域由于经济发展被过度集约利用,大量废弃污染物涌入,海水水质恶化导致赤潮频发。Ala Wai 港作为划船和游艇的热门场所,存在各种人类活动,例如冲浪、划船、帆船、游泳和钓鱼,HABs 很容易发生。

具体而言,台州海域数据 TZ02 包括 2014 年 5 月 30 日至 2021 年 7 月 29 日期间的叶绿素-a (chl-a) 浓度,以每小时为间隔进行监测。Ala Wai 港的数据 NSS002 则涵盖了 2013 年 3 月 1 日至 2018 年 7 月 26 日的 chl-a 浓度,数据通过 4 分钟间隔的水质监测传感器收集,并对 15 个时间点进行平均处理。更进一步地,数据集经过了标准化处理和自然对数转换,目的是为了减少数据范围并提升模型的预测精度。

在这里插入图片描述

用于叶绿素 a 浓度预测的数据集概述

模型架构:周期性和趋势性并存,多步预测 chl-a 浓度

本研究提出深度学习模型 ChloroFormer 来预测 chl-a 浓度。模型框架如下图所示:首先, 将原始时间序列通过移动平均方法分解为周期性 (Periodic lnit) 和趋势性 (Trend lnit) 分量,并分别进行建模处理。
在这里插入图片描述

ChloroFormer 模型

(a) ChloroFormer网络架构,两条路径分别是周期和趋势序列成分

(b) 频率注意力模块的内部结构

其次, 针对趋势组件,研究人员使用 Transformer 神经网络,利用其自注意力机制捕捉长程依赖关系。针对周期性分量,研究人员在 Transformer 网络的基础上设计了基于傅里叶分析的注意力机制,包括频率滤波器 (Frequency Filter) 和频率注意力机制 (Frequency Attention),能够在频率上更有效地捕捉周期性模式。

最后, 研究人员将建模后的 2 个子时序结合,通过线性投影直接映射到多步预测结果。

实验结论:可预测高度非平稳时间动态的 chl-a 浓度

研究人员将 ChloroFormer 模型用于短期和中期的 chl-a 浓度预测,结果如下图所示,短期预测中,ChloroFormer 在 2 个研究区域的精度均高于其他对比模型,误差率显著降低。

在这里插入图片描述

不同模型在短期预测范围中的性能

(a) TZ02监测站点中MAE、RMSE和CORR度量值的比较

(b) NSS002监测站点中3个度量值的比较

如下图所示,在中期预测中,尽管整体预测精度有所下降,但 ChloroFormer 仍优于其他模型。

在这里插入图片描述

不同模型在中期预测范围中的性能

(a) TZ02监测站点中MAE、RMSE和CORR度量值的比较

(b) NSS002监测站点中3个度量值的比较

此外,研究人员还在频繁藻华条件下比较不同模型预测峰值 chl-a 浓度的结果,如下图所示,ChloroFormer 在短期预测中的准确性较高,但随着预测时间的增加,ChloroFormer 在长期预测的准确性上有所降低。总体而言,与其他模型相比,ChloroFormer 在捕捉时间序列趋势、准确匹配极端点方面表现优异,这能为藻华预警提供重要信息。

在这里插入图片描述

使用NSS002检验数据集在1、6、12、24小时范围内真实值和模型预测值的分布密度

最后,本研究还通过 Kolmogorov - Smirnov 测试,证明了 ChloroFormer 的预测结果与实际观测数据分布具有高度一致性,这说明 ChloroFormer 模型稳健,能准确反映数据特征。 另一方面,通过分析注意力权重分布,研究人员还发现 ChloroFormer 能捕捉到不同数据集中的关键时间模式。

综上所述,本研究提出了一种深度学习模型 ChloroFormer,它整合了傅里叶分析技术和 Transformer 网络,提高了具有高度非平稳时间动态 chl-a 浓度的预测准确性,是环境管理中有害藻华预测可靠且经济高效的工具。

以科技之力筑梦蓝色未来

海洋是地球上最大的生命支持系统,保护海洋生物多样性就是保护我们共同的未来。然而,随着人类活动的不断扩张,气候变化、过度捕捞、栖息地破坏以及污染等危机不断涌现,海洋生态系统正面临着严峻的挑战。对此,国内外研究人员们纷纷响应,期待共筑蓝色防线。

近年来,随着数据的积累和深度学习等新技术的发展,针对海洋保护领域的创新性研究不断涌现。比如,本文所提到的浙江大学 GIS 实验室研究团队,就长期致力于海洋保护领域的探索与创新。 他们曾将机器学习与卫星产品结合,深入研究了全球海洋溶解氧的高动态变化,并探索海洋缺氧现象的规律及其成因。

具体而言,研究人员开发了一个全球海表溶解氧综合建模框架 DOsurface-Pred Framework,并基于该框架生成了一个大规模海表溶解氧数据集 SSDO。研究结果表明,即使在氧气充足的海表区域,其溶解氧含量也出现了下降趋势,而这种下降主要归因于海表温度 (SST) 的变化。

更多详情:解构海洋缺氧:浙大 GIS 实验室融合机器学习及卫星测绘,发布全球海表溶解氧综合建模框架

此外,法国蒙彼利埃大学研究团队也曾结合随机森林模型和人工神经网络, 对 4,992 种数据不足或未评估的海洋鱼类物种进行灭绝风险预测。研究结果表明,海洋鱼类的灭绝威胁实则远超先前的普遍认知,未来我们需要更加关注数据不足的物种和关键热点区域,确保后续的保护工作能够有的放矢,直击要害。通过此次研究,科学家们不仅填补了海洋鱼类保护领域的数据空白,还为全球保护优先级的调整提供了新视角。

这些前沿研究成果如同点点星光,汇聚成保护海洋的璀璨星河,未来,我们有理由相信,随着更多科研团队、政府机构、非政府组织以及公众的加入,这场守护海洋生态的战役将会愈发有力,我们定能为海洋生态筑起坚固的防线。

参考资料:

https://dialogue.earth/zh/3/42441/

https://m.thepaper.cn/newsDetail_forward_4890474

ios生成海报使用dom-to-image中toPng报错isTrusted:true 主要是ios中safari浏览器解析错误,引起的报错,主要引起原因toPng会调用toSvg,toSvg直接将html标签内容通过svg中foreignObject标签直接包裹,然后转base64, 通过data:image/svg+xml;解决办法:二次生成(调用两次),判断ios or 安卓,生成第一次生成,不用参数,例如:scale: 3,在第二次生成再进行清晰度操作,避免多次生成,引起性能消耗。以上种种很多案例,使用canvase进行转换的,标签丢失,直接toPng版本的,兼容性问题。 阅读详情

相关推荐

电机控制必看!SVPWM谐波优化:5段式与7段式全参数对比测试

本文通过实测数据,对比分析了电机控制中5段式与7段式SVPWM控制算法的谐波性能。实验表明,7段式SVPWM在电流波形质量(THD)和低速性能上更优,而5段式SVPWM则在开关损耗和效率方面表现突出。文章为工程师在不同应用场景(如对噪音、效率或动态响应的侧重)下的算法选型提供了清晰的依据和实用的工程指南。

weixin_28331555的博客 179

守护生命之源!基于DeepSeek的智能水体污染监测系统技术全解

全球每年因水体污染导致的经济损失超5000亿美元,传统监测依赖人工采样与固定站点,存在数据滞后(>6小时)、污染溯源困难、多参数协同分析缺失等痛点。的智能监测系统,通过纳米级传感与污染物扩散智能推演,实现重金属/有机物/微生物等50+参数同步检测,让江河湖海拥有“数字免疫系统”。六参数水质探头(pH/DO/COD/氨氮/浊度/电导率,精度±1%)最佳治理方案推荐(化学沉淀/生物修复/人工湿地)暗管偷排智能识别(热红外+水质突变分析)三维流速传感器(0.01m/s分辨率)分级报警(蓝/黄/橙/红四级响应)

zhibaijiang的博客 1693

PRPD图谱分析从入门到精通:5种典型放电模式的识别手册

本文详细解析PRPD图谱分析技术,重点介绍电晕放电、悬浮放电等5种典型放电模式的识别方法。通过37组真实案例对比,提供关键识别区和诊断流程图模板,帮助工程师快速掌握变电站设备状态监测的核心技能,提升绝缘缺陷诊断准确率。

weixin_29214199的博客 474

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 235

手把手教你解决Realsense D455在ROS下IMU数据不输出的问题(附固件降级指南)

本文详细解析了Realsense D455在ROS环境下IMU数据不输出的问题,提供了固件降级和ROS配置的完整解决方案。通过版本兼容性分析和实战操作指南,帮助开发者快速恢复IMU数据流,优化机器人开发体验。

weixin_42531494的博客 373

LangFlow开源神器:拖拽构建AI Agent与MCP协议集成实战

LangFlow 15万星开源神器:拖拽搭建 AI Agent,一键部署 API / MCP / JSON 在AI应用开发领域,传统编码方式往往需要处理复杂的API调用、数据处理和流程编排,这让很多开发者望而却步。LangFlow作为GitHub上获得15万星的开源项目,通过可视化拖拽的方式彻底改变了AI Agent的开发体验。本文将完整介绍如何使用LangFlow快速构建功能强大的AI Agent,并实现API、MCP协议和JSON配置的一键部署。 1. LangFlow与AI Agent核心概念解析 1

weixin_33717117的博客 951

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 155

涨姿势|小众建模软件Make human,MakeClothes插件使用详解教程(2)

衣服可以从头开始建模,或者通过改变人体网格或由MakeClothes工具提供的“服装助手”(见下文)来建模。在设计和建模一件衣物时,应该记住两个限制。首先,将服装网格映射到人体网格的算法要求服装网格完全由四面体组成。其次,知道MakeClothes每件衣服只支持一种材料是很重要的。 完成MakeClothes工作流程后,您的HOME / makehuman / v1 / data / clothes中的工具将创建一个新文件夹。该文件夹将采用用户为服装项目提供的唯一名称。该文件夹将填充必要的资源,以使该项目在

Crazy_in_3Dmax的博客 1875

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 979

ORB-SLAM3单目+IMU实战:从数据加载到位姿优化的完整流程解析

本文详细解析了ORB-SLAM3单目+IMU模式的完整实战流程。从EuRoC等数据集的数据格式准备、系统启动与数据流入口,到帧构建、IMU预积分、视觉-惯性联合初始化,再到基于运动模型的跟踪、局部地图优化及多线程协同,提供了从环境配置到代码解读的全面指南,并分享了参数调优与性能分析的实用调试经验。

weixin_29085151的博客 299

ABB机器人刷功能选项全一篇就够——不怕丢失程序和IO配置数据

ABB机器人刷功能选项

m0_66701835的博客 1260

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 232

29.Labview界面设计 --- (下篇)自定义控件库、界面布局与外观设计

1.自定义控件外观(自定义控件)1.1 自定义外观库1.2 手动自定义控件外观2. 前面板控件布局方式(控件排布)2.1 模块化控制布局方式2.2 数据采集布局方式3. 前面板外观优化项(背景设计)3.1 前面板背景设计3.2 前面板窗口整理本节第一部分教大家安装一种可以直接用的自定义控件库,第二部分教大家如何自己设计控件并保存调用。

关注我,更多技术问题欢迎私聊~ 4783

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 417

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

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 393

jre9下载 jdk9

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

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 158

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 291

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 185

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 218

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 329

【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口

本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。

银尘博客 511

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 316

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 212

AI 学习第 14 课:CNN 训 6 轮卡在 0.5352,数据没打乱

第 13 课把 Conv2d 的参数量和池化后的尺寸算清了,这课把卷积块拼成一个能训练的完整网络,跑满 6 个 epoch。第一版直接卡死:loss 从 2.6104 掉到 0.6989 就再也不动,

aifannihao的博客 252

深度学习基本原理:从数学基础到神经网络训练

深度学习训练的核心,是先确定模型结构,再通过前向计算得到损失,利用链式法则和反向传播计算梯度,最后借助优化器与学习率不断更新参数。真正理解这条链路,后续学习更复杂的网络结构才有可靠的基础。

chh563的博客 154
上一篇: MMLU-Pro 基准测试数据集上线,含 12k 个跨学科复杂问题,难度提升,更具挑战性!DeepSeek 数学模型一键部署
下一篇: 全球首个!复旦大学冯建峰团队开发数字孪生脑平台,具备 860 亿神经元规模
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