黑带的含义与责任--献给每一位成为黑带或者即将成为黑带的一篇文章,其中也包括我

六西格玛黑带手册 第二版 中国质量协会注册六西格玛黑带手册,第二版,CAQ和ASQ的考试用书 立即下载
 

黑带的含义与责任

      一位武林高手跪在武学宗师的面前,接受得来不易的黑带的仪式。这个徒弟经过多年的严格训练,在武林终于出人头地。“在授予你黑带之前,你必须接受一个考验。”武学宗师说。
     “我准备好了。”徒弟答到。以为可能是最后一个回合的练拳。
     “你必须回答最基本的问题:黑带的真正含义是什么?”
     “是我习武的结束。”徒弟答到,“是我辛苦练功应该得到的奖励。”武学宗师等待着他再说些什么,显然他不满意徒弟的回答。最后他开口了:“你还没有到拿黑带的时候,一年以后再来。
     一年以后,徒弟再度跪在宗师的面前,黑带的真正含义是什么?
     “是本门武学中最杰出和最高荣誉的象征。”徒弟说。武学宗师等啊等,过了好几分钟,徒弟还是不说话,显然宗师很不满意,最后说“你仍然没有到拿黑带的时候,一年以后再来。
     一年以后,徒弟又跪在宗师的面前,师傅又问:“黑带的真正含义是什么?”
     “黑带代表开始——代表无休止的磨练、奋斗和追求更高标准的里程的起点。”
     “好,你已经可以接受黑带开始奋斗了。”
     黑带意味着武道修炼的一个境界,一种技术完善的标志,也是千万武道修炼者崇拜的偶像。
     黑带是辛勤和努力的结果,更是至尊荣誉的象征。佩带一条黑带的武者意味着责任重大,他不仅要做好人、端正做人的方向、更应该具备的是不断的开拓创新,具有永远斗争和永无止境的实践精神。用自我控制来作为一种生活的习惯,反省和防范自身的鲁莽习惯及陋习,并在比赛中做到尊重对手。
     黑带是应该有头脑、反应敏锐、技术超群并具有豁达胸襟的武者,他能够有效的训练和推广自己的技术。他本身不一定是一个格斗专家,但从引导他人思想、教授他人技术及理论知识的传授都是精益求精的好榜样。并且在任何可能出现的情况中以自身的才智、勇气及强大的精神力量来化解自身的危机。
     佩带黑带的人通过多年的考验及自身的努力,具有识别搏击技艺好坏的眼光,从言谈举止中、衣食住行中都应垂范于社会,让社会行为得之净化。
     黑带在比赛中必须尊重裁判,因为这是黑带责任的一小部分,在行为中他的正直是不随意的挑衅他人,但也不会放弃别人对你的挑衅,因为这是维护黑带的尊严。在比赛中虽然因为裁判的主观判定及不符和意愿的事情时常发生,甚至因不同意见引起人员之间的摩擦,但服从和尊重裁判是每个黑带应履行的责任之一,而比赛也不过是一场较量而已。不管对错,都不应忽略一个明确而崇高的目的,那就是黑带的责任。
     佩带黑带是每个学员梦寐以求的愿望,也是黑带责任者长时间为之维护和保持的尊严。在黑带刚得到的那一刻,巨大的挑战不会因为成功而消失,反之千万件难事随之出现,而黑带则必须以超于常人的气魄更加的努力和进取。
   黑带不是对个人荣誉的加冕,而是责任,是武道的修炼者和维护者,黑带代表格斗技术,更代表做人的态度,没有后者的话,黑带不过是一条百十元的布条而已。如果追求格斗的极至杀伤力,不应在道场,参加黑市拳赛可能更有效。

CSSBB Question Bank This sample test is for CSSBB exam taker. 立即下载

相关推荐

ASQ CSSBB Question Bank.pdf

ASQ CSSBB Question Bank, 200 题版本,总共43也,清晰电子版,非扫描版。

【亲测免费】 CSSBB Primer ASQ注册六西格玛黑带考试专用

CSSBB Primer ASQ注册六西格玛黑带考试专用 去发现同类优质开源项目:https://gitcode.com/ 资源简介 本仓库提供的是《CSSBB Primer》—— 针对ASQ(美国质量学会)注册六西格玛黑带考试的权威备考书籍。这是一份珍贵的730页PDF电子版资料,旨在帮助准备参加ASQ六西格玛黑带认证考试的学习者全面、系统地掌握所需知识和技能。 内容概览 这本书详细涵盖了六西格...

gitblog_06635的博客 955

2007年注册六西格玛黑带考试样题及答案

2007年注册六西格玛黑带考试样题及其答案

优思学院|六西格玛黑带和带级的的由来|原创文章

六西格玛的带级来自于很长远的历史由来,虽然已故的摩托罗拉高级工程师和科学家比尔-史密斯(Bill Smith)通常被认为是六西格玛概念的发起者,但提出六西格玛的带级理论的是Dr. Mikel J. Harry (1951-2017),他在四年前左右逝世,可以说整个六西格玛管理的方法,都是由他所奠定的,今天优思学院会在此讲述一下他如何奠定六西格玛黑带一词和这个带级的管理制度。 1986-1987年,哈利从摩托罗拉公司授权休假,在盐湖印制电路工厂工作了三个月,他在那里担任技术顾问。哈利的任务是解决一个昂贵

优思学院 558

分享一个简单的迭代学习机器人双臂控制(MATLAB)

1 什么是迭代学习控制 迭代学习控制(iterative learning control,简称ILC)由Uchiyama于1978年首先提出,不过因为论文由日文撰写,影响不是很大。1984年,Arimoto等人用英文介绍了该方法。它是指不断重复一个同样轨迹的控制尝试,并以此修正控制律,以得到非常好的控制效果的控制方法。 迭代学习控制的特点是“在重复中学习”,通过反复的迭代修正,达到改善控制效果的目的。迭代学习控制的原理是根据系统前次运行所获得的输出误差信息,在控制过程中不断修正控制输入,随着迭代的进行,逐

weixin_45776027的博客 4483

Android14_MTK调试LCD屏功能

android14 MTK平台调试LCD屏

m0_37786046的博客 1472

微服务架构下的‘黑带’安全大师:Spring Cloud Security全攻略!

在数字化浪潮中,微服务架构如同一场盛大的国际美食节,而Spring Cloud Security则是这场盛宴的安全守护神。本文将带你深入后厨,揭秘如何使用Spring Cloud Security在微服务间搭建坚不可摧的安全防线。从环境搭建到服务间通信,从安全策略设计到经典问题的巧妙应对,每一环节都充满了智慧和趣味。准备好了吗?让我们一起探索微服务美食广场的秘密,打造一个五星级的安全防护!

Geek_H 3056

从HCI层浅析LE Audio通话建立流程

本文分析了BLE AUDIO通话协议建立的全过程。当手机来电时,系统会通过CCP EATT链路通知耳机准备通话,并断开原有音乐CIS连接。随后建立通话专用的CIG组,其参数设置(如MAX SDU SIZE=80、RTN=2)与音乐场景明显不同,更注重通话的实时性。文中详细描述了设置ISO数据路径、启用ASE、建立CIS连接等关键步骤,特别指出通话采用Conversational音频上下文类型。最后解析了ISO数据包参数含义,展示了10ms周期、32kHz采样率等通话特性参数。整个过程体现了BLE AUDIO

十多年蓝牙协议软件开发,擅长蓝牙协议分析 1860

Sharpen the Saw

一位武学高手在典礼上,跪在武学宗师的面前,准备接受黑带九段。 “在你出道之前,你必须回答一个问题:黑带的真义是什么?” “是我学武历程的结束” 徒弟不假思索地回答。 武学宗师等了一会儿,他显然不满意徒弟的回答,最后他开口了:“你还没到出道的时候,一年后再来。” 一年后,徒弟再度跪在武学宗师面前。 “黑带的真义是什么?” 宗师问。 “是杰出和最高成就的象征。” 徒弟说。 武

jz_x的专栏 1097

高质量文献综述原来这么写!借助Gemini 3 Pro+四步法,手把手教你写出有逻辑深度的综述

总结与展望先总结现状,说明前人已经做到什么地步了,再指出缺口,前人没解决什么问题、方法有什么局限等等,最后再在这个缺口的基础上,提出你的未来研究方向。当你有个复杂的研究题目,但没办法拆解出关键词,就可以让Gemini 3 Pro来辅助帮你拆解,并帮你写专业的检索式,若是找英文文献,还能帮你将中文关键词翻译成地道的专业术语。做文献笔记,可以建立文献笔记矩阵,可以用Excel建个表格,横向是文献,纵向是关键要素,包括作者/年份、研究问题/假设、理论框架/模型、研究方法/数据来源、核心结论、局限性/Gap。

智能AI让学术科研更容易 992

把冷门数据从内存里请出去:ABAP 环境下玩转 SAP HANA Native Storage Extension (NSE) 的开发者实战笔记

摘要:SAP HANA NSE技术为ABAP系统提供了一种经济高效的温数据管理方案。文章首先指出企业数据存在"温度分层"现象,高频访问的热数据需常驻内存,而低频温数据更适合存储在磁盘或闪存。NSE通过混合列存架构,将不常访问的数据移至磁盘但仍保持数据库内统一管理,显著降低内存成本。 关键实施要点包括:在ADT技术设置中将Load Unit设为"Page Enforced"以启用NSE;理解buffer cache作为数据"抽屉"的工作原理;掌握选表

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 163

优思学院|质量管理工作困难重重,为何仍有人乐此不疲?

有一位网友说道:质量管理工作困难重重,为何仍有人乐此不疲?我完全理解他的困惑,质量管理工作的确是个不容易的任务,充满挑战,需要不断的努力和耐心。尽管如此,很多人依然选择从事这个领域的工作。在我看来,这并不仅仅是因为质量管理工作是必需的,更是因为这个领域内有着巨大的成就感和满足感。优思学院学生的六西格玛绿带、黑带的学生们很多都是负责质量管理的工作。他们起初也觉得非常困难,因为需要处理各种各样的问题,从生产线上的小错误到供应链中的大问题。

优思学院 179

如何离线环境下安装Dify插件 (可提供远程指导协助)

离线环境下安装Dify插件

litlit023的专栏 8100

完美程序员的十种特质(转)

这是在我刚毕业时收藏的一篇文章,自己一直把它放在我的电脑桌面上,曾有段时间几乎每天都会看一篇,以此来激励自己,最近打开老电脑,再次看到这些文字,已经在这个行业摸打滚爬了7年 多了,感慨了许多,不知道自己做到了多少,这次发出来,与你我共勉。 完美程序员的每种品质都有一个范围,这个范围取决于具体的问题和背景。没有能解决所有问题的完美程序员(至少在我们这个星球上),并且对于特定问题,完美程序员应该具有以下品质:   1. 才智非凡 - 能够理解问题、能够用清晰可读的代码翻译并表达想法、善于分析并且逻辑思维能力

iOS开发笔记 5175

2024年09月CCF-GESP编程能力等级认证Scratch图形化编程二级真题解析

小杨购物 【题目描述】 小杨有n元钱用于购物。商品A的单价是a元,商品B的单价是b元。 小杨想购买相同数量的商品A和商品B。 默认小猫角色和白色背景,编写程序请你帮小杨计算出他最多能够购买多少个商品A和商品B。 【输入描述】 新建变量“n”用于存储小杨购物的金额。 新建变量“a”用于存储商品A的价格。 新建变量“b”用于存储商品B的价格。 1≤n,a,b≤100000 如下图所示: 图片 【输出描述】 新建变量“result”用于存储小杨最多购买商品A和商品B的个数。 如下图所示:

人生就是一个不断学习的过程 496

北斗导航 | ChatGPT之RTK、RTD、ARAIM算法原理及程序代码(ChatGPT看你怎么回答,附部分代码)

ChatGPT之RTK、RTD、ARAIM算法原理及程序代码

尘世冰封的专栏 3678

【推荐】时间管理文章:Do it now

<br /><br />me:<br />文章不是我写的,我也写不出来,明说。虽然这不是什么大师写的圣经级别的东西,不过不否认,这是个高手的作品。<br />本文作者叫做Steven Pavelina,写于November 28th, 2005。这里有一些他的相关资料<br /><br /><br />http://en.wikipedia.org/wiki/Steve_Pavlina<br />这里是本文的英文原稿<br />http://www.stevepavlina.com/articles/do-

七里的专栏 1358

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

暴力的边界--Leo与跆拳道(3)

上周参加了ITF九段(最高段位)师圣的培训,感觉很有收获。今天下午参加了第一个过级考试,感觉不错。老婆和儿子也去看了,考试结束有点晚1点半了,于是在道馆附近的学生餐厅吃饭。 和一位陌生老太太的对话 因为出门比较急,吃饭的时间我还穿着ITF的裤子,加上边吃边和老婆沟通今天考试的事儿。引起了旁边一个老太太的注意(以下简称TT) TT:“你练跆拳道的?” Leo:“是。” TT:“...

威尔软件 131

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

优思学院|六西格玛倡导者与项目赞助人是什么角色?有何区别?

在正式的六西格玛的组织架构中是两个不同的角色,但从优思学院看来,网上很多文章和回答谈到这两个角色的定义时都不太正确,所以优思学院希望在这篇文章中解释一下两个角色的区别。是负责组织竞争力和增长的董事和高管,六西格玛是保持竞争力的途径,如果高层管理层支持,六西格玛就可以发挥充分的效果,所以他可以说是公司最高战略的负责人。在通用电气,就是前首席执行官。通用电气六西格玛倡导者(Champion)就是前首席执行官杰克·韦尔奇是流程负责人(Process Owner)。他是负责的质量和成本的经理。

优思学院 960

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")

总结894

在记录片的开头,有位采访者称:“When I saw Richard Turner perform,I realized that I was in the presence of greatness.”而这位受访者所提到的人便是理查德·特纳,他被誉为世界上最伟大的纸牌魔术家之一,但他同时也是一位看不见东西的盲人。通过这记录片我才知道,我所认为的努力只不过是普通努力罢了,那种超乎常人的努力,我无法想象,但并不代表没有。特纳大师的故事之所以让我印象深刻,可能更多的是那种坚持吧,不,应该说对纸牌的痴迷。

qq_58259539的博客 256

Vim简介给使用Visual Studio Code的人

Hot tips to bring the awesomeness of Visual Studio Code to Vim. 将Visual Studio Code的精妙之处带给Vim的热门技巧。 前题 (Front-Matter) I want to start by saying, this is not an editor-shame article. You can use what...

cumian9828的博客 804

不必万事具备再出来求职--Leo谈应届生求职(7)

版权声明:原创作品,允许转载,转载时请务必以超链接形式标明文章原始出版、作者信息和本声明。否则将追究法律责任。本文地址:http://blog.youkuaiyun.com/jobchanceleo/archive/2008/12/10/3488165.aspx   上次谈到我要主持的SD大会的职业发展论坛《后金融风暴时代的软件人员素质要求--SD2.0大会职业规划论坛(下)》,今天我回答

张大志Leo 5346
上一篇: 2011年 陈姓兔宝宝名字
下一篇: 借船过河:一个据说能看穿你的人性和欲望的心理测试
JavaAlpha
博客等级 码龄18年 910粉丝 511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