菜鸟成长记-初探Swift

Swift学习几天就会写项目 面试题出自: 16薪进入字节跳动,21K15新进入网易等开发者提供 11月的最后一周已经来到,希望你读完这篇博客之后把本周的碎片化时间留给Swift,在一周内完全理解并掌握Swift入门。 很多开发者对于Swift还是比较陌生,甚至完全没有接触过!内心慌成一匹,所以专门为大家写下这篇博客,一天快速入门Swift,三天写项目 。 Swift 如果你是多年的OC开发。恭喜你!Swift易如反掌,几乎就跟喝水一样从OC过度Swift!真的太像了,编码思维一模模一样样! 如果你是OC不是很深入。那么恭喜你!学习S 阅读详情

       最近发现很多项目开始用Swift进行编程了,而Swift也越来越贴近我们的生活了,在一个论坛里看见一个朋友说了句明年苹果十周年会不会宣布今后上线app必须用swift开发,不支持OC。瞬间有一种未雨绸缪的感觉,于是开始利用业余时间学习Swift,整体感觉Swift在语法上结合了C#、JAVA写法,但是库里的方法还是没有变化的,所以学习起来OC程序员还是占有一定的优势。语法什么的,我这里就不做讲解,网上一大堆

      好了!废话不多说,经过几个小时的学习Swift,自己用Swift写了一个TabBar界面和图片轮播器,

     

1:用oc写tabbar时, 要么自定义,要么用系统,但是都感觉代码量过多


这是讲一个类添加到了导航栏中,之后就和OC一样,加到TabBar中

self.viewControllers =    [homeNav,squareNav,addNav,messageNav,centerNav]


注:这里是代码链接
http://download.youkuaiyun.com/my




Swift语言基础小习题(包含答案)-只适合菜鸟. 本文章,只适合初级菜鸟,有兴趣的可以进来做做,欢迎交流 阅读详情

相关推荐

STM32与K210串口通信

这篇文章是为了填上一篇埋下的坑,k210和STM32通过串口通信,我是采用数据包的形式发送数据的,因为K210发送的数据有几种,采用数据包的形式发送比较安全。本文代码运行的平台是STM32F103C8T6和K210 Dock,只涉及到K210发送数据给STM32,stm32将接受到的数据显示到0.96寸OLED屏上。

qq_70715693的博客 3万+

菜鸟成长记-UIPickerView使用

今天说说UIPickerView的使用,当然这个API的使用途径一般是商品方向,不多说,直接用代码说话 1:创建UIPickerView对象,设置代理  数据我是直接加载的plist文件,你们根据需求而定     UIPickerView *picker = [[UIPickerView alloc]initWithFrame:CGRectMake(0,       50, CGRe

夜破星辰_JSON的博客 608

手把手教你用RV1103+SC3336摄像头DIY一个离线人脸门禁原型

本文详细介绍了如何利用RV1103芯片和SC3336摄像头构建离线人脸门禁系统。从硬件选型到算法优化,再到业务逻辑实现,提供了完整的DIY指南。重点讲解了RetinaFace和FaceNet算法在嵌入式系统中的移植与调优,帮助开发者快速实现高效、隐私安全的门禁解决方案。

weixin_26905487的博客 512

Swift:快速上手攻略

原文地址 希望你读完这篇博客之后这个周末的时间请留给:Swift Swift入门 如果你是多年的OC开发。恭喜你!Swift易如反掌,几乎就跟喝水一样从OC过度Swift!真的太像了,编码思维一模模一样样! 如果你是OC不是很深入。那么恭喜你!学习Swift你赚翻了!你不用克服一些多年养成诟病,简单的分号,NSLog … 那么你学习Swift更加快速!那么我们直接开始吧 首先第一步:我个人推...

D_猿员的博客 359

Creo报错代码-9?手把手教你重新生成许可证文件(基于Creo 10.0)

本文详细解析Creo报错代码-9的成因及解决方案,重点介绍如何重新生成许可证文件以应对网络环境变化导致的验证失败。通过分步指南和高级技巧,帮助用户有效管理多网络环境下的Creo许可证问题,提升工作效率。

weixin_30839881的博客 565

Windows 10/11下Drive Composer Pro 2.9.0完整安装与连接ACS880变频器实战教程

本文详细介绍了在Windows 10/11系统上安装Drive Composer Pro 2.9.0并连接ACS880变频器的完整教程。从系统环境准备、软件安装到许可证配置,再到USB、蓝牙和以太网三种连接方式的实战操作,帮助工业自动化工程师快速掌握ABB变频器的调试技巧。

weixin_32956805的博客 531

菜鸟成长记-NSDate、NSDateComponents使用

NSDate的一些基本属性我就不介绍了,这里我会讲解如何分解时间,比较时间 直接上代码解释 1:  第一次用此方法实例化对象后,即使修改了系统日历设定,这个对象也不会改变。             NSCalendar * calendar = [NSCalendarcurrentCalendar]; 2:  现在通过一个NSDate对象获取到一个NSDateCompone

夜破星辰_JSON的博客 1712

第二节:Vben Admin 最新 v5.0 (vben5) + Python Flask 快速入门 - Python Flask 后端开发详解(附源码)

大家好,我是cuiwin!本节内容,我们从零开始开发基于Python(Flask)的后端项目,对接Vue Vben Admin(vben5)。登录mysql数据库执行: 创建数据库。

cuiwin的专栏 2270

swift菜鸟教程

swift菜鸟教程

qq_24350933的专栏 956

996引擎 - 【任务系统】和【cfg_newtask.xls】

996这个任务系统仅用于控制主界面左上角的【任务列表】,不包含具体任务的业务逻辑。任务列表有多个任务时支持上下滑动,可以调用接口将指定任务【置顶】任务列表中,每个任务一行,分标题和(当前状态对应的)内容两部分,点击能触发事件具体的任务系统业务逻辑,需要自己写代码实现。(配合996提供的任务接口和触发,实现更新任务列表)

灵台方寸山斜月三星洞 1532

用 SAP-ABAP-1 把 ABAP 代码读懂:从 Generative AI Hub Orchestration 到 Joule 落地的实战指南

SAP-ABAP-1 是 SAP 推出的 ABAP 专用基础模型,专注于代码解释与理解。它能显著降低企业遗留系统的维护成本,帮助开发人员快速掌握复杂业务逻辑。该模型通过 SAP Generative AI hub 托管,支持 128,000 tokens 的上下文长度,适合分析大型 ABAP 类和 CDS 视图。典型应用场景包括代码解释、迁移辅助和云合规检查。调用需通过 Orchestration service 进行,确保企业级安全治理。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1217

菜鸟成长记-UICollectionView使用

说到UICollectionView,那就会很兴奋,ios8推出的新特性 这里不介绍UICollectionView的基本属性了,主要说说它的一个牛逼地方,Layout UICollectionView显示的样式就是靠Layout,瀑布流、左右滑动变大等 直接上图,这个Layout是自定义布局,他继承自流水布局,主要是重写流水布局几个方法就可以实现自己想要的效果,每个方法我已经做

夜破星辰_JSON的博客 593

手把手教你学Simulink——基础电机控制场景实例:基于Simulink的永磁同步发电机温度场耦合仿真

摘要:本文详细介绍了基于Simulink的永磁同步发电机(PMSG)电-热耦合仿真方法。通过Simscape Electrical搭建含热端口的PMSG模型,结合集总参数热网络(LPTN)实现损耗计算与温度反馈,分析了过载工况下温升对电阻和永磁体性能的影响。仿真结果表明:150%过载20秒会导致绕组温升132°C,电阻增加42%,磁链衰减10.5%。文章还提供了自然冷却与强迫风冷的对比数据,并建议通过多物理场耦合仿真预防实机过热问题。该方法可有效支撑高功率密度电机热设计,避免永磁体退磁风险。

MHD0815的博客 252

菜鸟成长记-仿今日头条雏形

最近有一个需求就是实现类似一个今日头条标签栏的效果,有这个需求就得先看看今日头条的效果是怎样的,看完之后第一件事就是在网上扒一扒类似的代码,copy了几份,都没有合适的,于是就自己动手实现了,现在还只是一个基本实现 效果图:     个人没用过制作动态图,所以效果稍差了点,我的频道可以长按移动位置及删除 思路: 标签栏是一个ScrollView,它的内容显而是一组按钮,点击不同的按钮

夜破星辰_JSON的博客 771

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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")

自学swift

LadyDay的博客 195

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,

swift菜鸟教程13(函数)

以上程序执行输出结果为:-30。

2301_80437645的博客 619

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Swift:一天学会,三天写项目

转载于作者:Cooci_和谐学习_不急不躁 链接:https://www.jianshu.com/p/18caa2ea5318 最近V4.0框架班马上要开班,很多同学有点焦虑!问为什么?-- 不会Swift,完全没有接触过啊!内心换成一批

JuinDay的博客 595

菜鸟成长记-MJRefresh自定义刷新样式

  MJRefresh是一款非常好用的三方库,这里我讲讲如何自定义刷新动画  1:导入MJRefresh.h,其实要想学会一个三方库的大致使用,你得找到一个主文件,进去看里面包含那个头文件,好一点的作者取名都是具有含义的,可以根据类名大致猜出这个类的作用。 #import "MJRefreshNormalHeader.h" #import "MJRefreshGifHeader.h" #im...

夜破星辰_JSON的博客 7864

菜鸟成长记-QQ列表展示、UITableView强化

还是回顾、巩固学过的知识点,当有一定代码量时,其实程序猿最需要的是逻辑、思维。 一:我这里用的是plist文件数据显示列表,首先第一步是将数据加载 当然懒加载是最好的方式 ,将加载的数据存储在模型中,便于获取数据,耦合性低 这里思路大致说一下,qq列表其实就是一个tableview的闭合及展开,当点击时展开列表,这时候你把它(cell)当做一个有组头和行的cell,当点击闭合时,这时候你把它

夜破星辰_JSON的博客 506

swift菜鸟教程6-10(运算符,条件,循环,字符串,字符)

不包含最后一个。

2301_80437645的博客 1147

swift菜鸟入门视频教程-04-集合类型

本人自己录制的swift菜鸟入门,欢迎大家拍砖,有什么问题可以在这里留言。 主要内容: 字符串字面量 初始化空字符串 字符串可变性 字符串是值类型 使用字符 计算字符数量 连接字符串和字符 字符串插值 比较字符串 字符串大小写 Unicode 视频地址: 百度网盘:http://pan.baidu.com/s/1bnmxQYr 土豆:http://www.tudou.com/programs/

孟祥月的专栏 1858

swift菜鸟入门视频教程-10-属性

本人自己录制的swift菜鸟入门,欢迎大家拍砖,有什么问题可以在这里留言。 主要内容: 存储属性(Stored Properties) 计算属性(Computed Properties) 属性观察器(Property Observers) 全局变量和局部变量(Global and Local Variables) 类型属性(Type Properties) 视频地址: 百度网盘:http://p

孟祥月的专栏 1727

swift菜鸟教程21-23(继承,构造,析构)

print("面积为:\(area = leng * bread } } let ar = Rectangle(fromLength : 6 , fromBreadth : 12) print("面积为: \( ar . area) ") let are = Rectangle(fromLeng : 36 , fromBread : 12) print("面积为: \( are . area) ")

2301_80437645的博客 936

推送通知 Swift 菜鸟指南

原文:A Beginner’s Guide to Push Notifications in Swift 作者:GABRIEL THEODOROPOULOS 译者:kmyhy “推送通知?噢,不!”當我被告知需要在一個 iOS App 中實現推送通知時,我下意識就叫了一声,我相信你也會有和我一樣的反應。不是因為推送通知有多難,而是因為它超多的準備步驟,哪怕只想測試一條推送通知,幾乎每個開

kmyhy的专栏 3115

swift菜鸟教程1-5(语法,变量,类型,常量,字面量)

Optional 是一个含有两种情况的枚举,None 和 Some(T),用来表示可能有或可能没有值。任何类型都可以明确声明为(或者隐式转换)可选类型。当声明一个可选类型的时候,要确保用括号给?操作符一个合适的范围。在这两种情况下,变量 optionalInteger 都是可选整数类型。可选绑定可以用在if和while语句中来对可选类型的值进行判断并。当你确定可选类型确实包含值之后,你可以在可选的名字后面加一个感叹号(!当你声明一个可选变量或者可选属性的时候没有提供初始值,它的值会默认为 nil。

2301_80437645的博客 975

swift菜鸟教程11-12(数组与字典)

存储无序的相同类型数据的集合Swift 字典每个值(value)都关联唯一的键(key),键作为字典中的这个值数据的标识符。

2301_80437645的博客 1797
上一篇: 菜鸟成长记-Xcode开发必备快捷键操作
下一篇: 菜鸟成长记-仿今日头条雏形
夜破星辰_JSON
博客等级 码龄11年 13粉丝 73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