JavaScript <script>元素

大模型驱动时序量化因子自动优化:从WorldQuant回测到实战策略 本文探讨了如何利用大模型驱动时序量化因子的自动优化,构建从创意生成到实战验证的完整流程。通过结合WorldQuant回测平台,搭建自动化流水线,详细拆解了因子生成、回测验证与迭代优化的核心模块。文章分享了从初版实现到进阶优化的实践经验,并指出提示词工程与领域知识注入是关键,旨在实现人机智能协作,提升量化策略研发效率。 阅读详情

HTML 4.01 为<script>定义了下列6 个属性。

async:

可选。立即下载js脚本,但不阻碍页面的其他操作,例如构建dom树、下载其他资源或等待加载其他脚本。只对外部脚本文件有效。


charset:

可选。设置 src属性指定的代码的字符集。由于大多数浏览器会忽略它的值,因此这个属性很少有人用。


defer:

可选。表示脚本可以延迟到文档完全被解析和显示之后再执行。只对外部脚本文件有效。IE7 及更早版本对嵌入脚本也支持这个属性。


language:

已废弃。原来用于表示编写代码使用的脚本语言(如JavaScript、JavaScript1.2或VBScript)。大多数浏览器会忽略这个属性,因此也没有必要再用了。


src:

可选。表示包含要执行代码的外部文件。 


type:

可选。可以看成是language 的替代属性;表示编写代码使用的脚本语言的内容类型(也称为MIME 类型)。 这个属性并不是必需的,如果没有指定这个属性,则其默认值为ext/javascript。 



使用<script>元素的方式有两种:

直接在页面中嵌入JavaScript 代码和包含外部JavaScript文件。

1)使用<script>元素嵌入JavaScript 代码:

2)通过<script>元素来包含外部JavaScript 文件 ,指向外部JavaScript 文件src 属性必需写上:


注意:
1、在解释器对<script>元素内部的所有代码求值完毕以前,页面中的其余内容都不会被浏览器加载或显示。 
2、在使用<script>嵌入JavaScript 代码时,记住不要在代码中的任何地方出现"</script>"字符串。因为按照解析嵌入式代码的规则,当浏览器遇到字符串"</script>"时,就会认为那是结束的</script>标签。而通过转义字符“/”可以解决这个问题 。
错误:
");
    }
正确:
3、在 XHTML 文档中,通过<script>元素来包含外部 JavaScript 文件 ,也可以省略代码中结束的</script>标签 。
4、src 属性的<script>元素不应该在其<script>和</script>标签之间再包含额外的JavaScript 代码。如果包含了嵌入的代码,则只会下载并执行外部脚本文件,嵌入的代码会被忽略。 
5、通过<script>元素的src 属性还可以包含来自外部域的JavaScript 文件 。
6、只要不存在 defer 和 async 属性,浏览器都会按照<script>元素在页面中出现的先后顺序对它们依次进行解析。














行为预测模型:Social LSTM与Graph Neural Networks 行为预测模型:Social LSTM与Graph Neural Networks ,人工智能,计算机视觉,大模型,AI,本文围绕行为预测模型Social LSTM与Graph Neural Networks展开,介绍了两者的基础概念、原理、应用场景,还对比了它们在优势、劣势和适用场景上的不同,最后给出了相应的代码示例。Social LSTM基于LSTM,通过社交池化层处理多智能体交互;图神经网络处理图结构数据,靠消息传递获取信息,二者各有侧重,适用于不同场景。 阅读详情

相关推荐

ROS专栏—基于STM32F103的INA219电源数据采集

文章主要记录了stm32f103对ina219的数据采集

热爱生活、奋斗前行 2355

Java命令里面的EQ、NE、GT、LT、GE、LE分别代表含义

不废话,直接上车:EQ 就是 EQUAL等于 NE就是 NOT EQUAL不等于 GT 就是 GREATER THAN大于  LT 就是 LESS THAN小于 GE 就是 GREATER THAN OR EQUAL 大于等于 LE 就是 LESS THAN OR EQUAL 小于等于关注博客关注更多文章

无名 15万+

新一代XMOS会议四麦方案主控芯片 XVF3800

2023年,知名的音频芯片制造厂商 XMOS 正式发布了新一代会议麦阵芯片片 XVF3800 ,这款芯片采用最先进的四麦音频算法,可在嘈杂的环境中提供高质量语音,算法支持圆形、条形阵列,可根据应用场景组成不同的产品形态。传统的麦阵解决方案,不仅需要捕捉会议中的人声,也会同时捕捉环境中的其他噪声,而 XMOS 先进的语音算法解决了这一问题。声学回声消除功能可消除麦克风音频输入的回声,同时减少远端回声,使 XVF3800 能提取清晰的语音信号。• 180度拾音条形麦克风阵列。• 360度拾音环形麦克风阵列。

PawPaw_electron的博客 785

提示错误信息“division by zero ....”的解决方法

division by zero "除数是0"导致的错误: 解决方法1:运行前判断 如果除数为0,则不要计算 解决方法2:使用@符号 屏蔽掉错误。

u010865136的专栏 22万+

告别Overleaf!本地LaTeX环境配置:VSCode+TeXLive完全指南(Windows/Mac双平台)

本文详细介绍了如何在Windows和Mac平台上配置本地LaTeX环境,使用VSCode和TeXLive打造高效的专业写作工作流。从TeXLive安装到VSCode插件配置,再到高级技巧与性能优化,帮助用户摆脱Overleaf限制,实现更快速、更私密的学术写作体验。

3c4x5z6v7b的博客 952

(精读)揭示多元时间序列的高阶组织

时间序列分析已经被证明是刻画生物学、神经科学和经济学中的一些现象以及理解它们的一些潜在动力学特征的有力方法。尽管针对多元时间序列的分析已经提出了很多方法,但大多数方法都忽略了非成对相互作用对涌现动力学的影响。在这里,我们提出了一个新的框架来刻画多元时间序列中高阶依赖关系的时间演化。利用网络分析和拓扑学,我们表明,与传统的基于成对统计的工具不同,我们的框架鲁棒地区分了耦合混沌映射的各种时空状态,包括混沌动力学阶段和各种类型的同步。

weixin_53406075的博客 2412

JS 字符转义

; (function () { var HtmlUtil = { encode: function (str) { var s = ''; if (str.length === 0) { return; } s = str.replace(/&/

奥巴牛的博客 2721

【ESP32CAM+Android+OpenCV】自定义目标数据集、训练自己的OpenCV模型部署到手机APP并对ESP32CAM无线图传显示并实时检测识别目标_资料编号30

本项目实现自定义目标数据集(想检测什么就检测什么,按照本文教程自己来更换目标)、训练自己的OpenCV模型实时检测识别(pycharm工程)。手机APP(Android studio工程)部署OpenCV模型实现对ESP32CAM(arduino工程)无线WIFI图传过来的图像实时检测识别。 本文以火焰检测识别为例进行演示,通过该过程,结合本文可自定义尝试更换为其它目标的检测,例如更换为车辆、车牌、手势、人脸面部活动、人脸表情、火焰烟雾、行人、口罩、行为、水果、植物、农作物、建筑、损伤等等部署进行检测。

嵌入式阿齐Archie 3482

前端:JS/16/JavaScript简介,&lt;script>标记,常用的两个客户端输出方法,JS注释,JS变量(声明,命名规则,赋值),变量的数据类型(数值型,字符型)

JavaScript是什么? JavaScript是一种小型的,轻量级的,面向对象的,跨平台的客户端脚本语言。 JavaScript是嵌入到浏览器软件当中去的,只要你的电脑有浏览器就可以执行JS程序了。 JavaScript是一种面向对象的程序语言; 在程序中,对象是由“属性”和“方法”构成。 注意:JS中的对象只要会用提供的现有的对象就可以了,不需要我们自己去开发对象。 跨平台:JS程序可以在...

Java_53的博客 401

【YOLOv12改进trick】高效多尺度卷积注意力EMCAD_Block模块引入YOLOv12,实现涨点和效率提升,含创新点Python代码

EMCAD引入YOLOv12模块,实现高效多尺度注意力模块引入到YOLOv12中的快速涨点及效率提升

向上生长的程序媛的博客 852

【思考模型框架】采用双钻模型:发散(桌面研究/用户访谈)→收敛(需求归类/优先级排序),输出需求规格书、追踪矩阵及产品待办清单。

设计思维双钻模型是一种以用户为中心的需求管理方法,通过"发散-收敛"的双循环确保问题定位准确、方案切实可行。第一钻石(探索→定义)聚焦"找对问题",运用用户访谈、田野调查等方法挖掘真实需求;第二钻石(开发→交付)解决"做对方案",通过原型测试、A/B测试验证可行性。该模型强调低保真验证、多团队协作和真实用户测试,避免资源浪费与伪需求开发。典型应用场景包括产品功能优化、用户体验提升等需要精准落地的需求场景。核心价值在于建立从用户痛点到解决方案的可控闭

奶爸的编程之路,也就一周冷个三天 319

JS转换HTML转义符

JS转换HTML转义符 删除所有HTML标签

master_yao的博客 1594

【专栏目录】

🌟 深度学习工程师的终极武器库!本专栏深度解析近3年CV领域最前沿的YoloV8改进方案,每一种方法都经过实战验证,性能显著提升!🌟。

m0_47867638的博客 1万+

关于&lt;script&gt;元素(js两种引用方法:内部嵌入,外部引入)

文章目录一、在HTML中引用JavaScirpt脚本的方法有两种:内部嵌入和外部引用。二、在同一个HTML文档中,调用多个JavaScript脚本。三、&lt;script&gt;元素定义的6个属性。 一、在HTML中引用JavaScirpt脚本的方法有两种:内部嵌入和外部引用。 关于&lt;script&gt;标签的位置问题,虽然&lt;script&gt;&lt;/script&gt;可以放在...

iuukai 6268

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 &lt; 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 &lt; 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&lt;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 &lt; 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 &lt; 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 &lt; 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 &lt; 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 &lt; 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 &lt; 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

JavaScript基础学习笔记02

JavaScript学习之路 第二章 在HTML中使用JavaScript JavaScript的代码书写位置 在HTML的标签中写,属于内嵌的写法 &lt;input type="button" value="按钮" onclick="alert('被点击了')"> 在HTML的&lt;script&gt;标签中写 &lt;script&gt; alert('Hello Worl...

越界的博客 176

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

javaScript高性能执行和加载(动态地创建script元素)

javaScript阻塞特性 javaScript中有个阻塞的特性,就是当浏览器在执行js代码时,不能同时做其他任何事情,无论js代码是内嵌的还是外部引入的。 为了改善上面的阻塞情况,应尽可能的减少页面中&lt;script&gt;标签的出现次数,这同时也是考虑到HTTP 请求会带来额外的性能开销,也就是说应减少页面中外链脚本的数量。 怎样才能解决javaScript中阻塞的问题呢?...

一只苟延残喘的卑微蝼蚁 855

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

javascript学习笔记 第二章

在HTML中使用javascript   &lt;script&gt;元素 想HTML页面中插入javascript的主要方法,就是使用&lt;script&gt;元素。 其常用属性如下:     包含在&lt;script&gt;元素内部的js代码,从上至下一次解释; 因此可能会有js依赖问题   注意&lt;/script&gt;。 就像&lt;!--   --&gt; --...

温故知新 246

第2节 如何使用JavaScript

序 说起使用JavaScript,无非就是引入一个js文件,似乎也没什么太多要学习的。但是书中还是讲了挺多东西,因此也要好好学习一番,不能忽略这些基本的知识啊。 &lt;script&gt;元素 在页面中插入JavaScript,主要使用&lt;script&gt;元素,现在来了解一下它都有哪些属性吧 async:表示应该立即下载脚本,但不应该妨碍页面中其他操作。可选 defer...

无痕之意的博客 645

JavaScript用法

JavaScript用法 HTML中的脚本必须位于标签之间 1、脚本可被放置在HTML页面的与部分中 例如: &amp;lt;!DOCTYPE html&amp;gt; &amp;lt;html&amp;gt; &amp;lt;body&amp;gt; &amp;lt;h1&amp;gt;我的 Web 页面&amp;lt;/h1&amp;gt; &amp;lt;p id=&quot;demo&quot;&

Labigale的博客 314

JavaScript脚本可以方法页面中的三个位置

1.放在标签中间,前面的示例就是这样2.可以将脚本单独放到一个文件中,向CSS文件一样,推荐此种用法:如该文件的命名为script.js,位于script目录中,那么引用方式为:

centre10的专栏 1290

JS的阻塞特性

JS具有阻塞特性,当浏览器在执行js代码时,不能同时做其它事情,即&lt;script&gt;每次出现都会让页面等待脚本的解析和执行(不论JS是内嵌的还是外链的),JS代码执行完成后,才继续渲染页面。 由于,JS的这种阻塞特性,每次遇到&lt;script&gt;,页面都必须停下来等待脚本下载并执行,这会停止页面绘制,带来不好的用户体验。所以,有必要减少JS阻塞特性造成的困扰。 1 优化脚本位...

weixin_34250434的博客 616

JS高级程序设计学习笔记(在HTML中的用法)

&lt;script&gt;元素 向HTML中插入js(JavaScript)的主要方法就是使用&lt;script&gt;元素。它有以下六个属性: async: 可选,表示应该立即下载脚本,但不应该妨碍页面中的其他操作。只对外部脚本文件有效。 charset: 可选。表示通过src属性指定的代码的字符集,由于大多数浏览器会忽略它的值,所以这个属性很少人用。 defer: 可选。表示脚本可以延迟到文档完全被解析和显示之后再执行。只对外部脚本文件有效。IE7及更早版本也支持。 language: 已废弃。表

qq_40890601的博客 167

script元素属性

HTML4.01为元素定义了6个属性: 分别为async,defer,src,type,language,charset.这6个属性均为可选属性,重点理解async和defer用法: 1.aysnc:(异步脚本)立即下载脚本,但不妨碍页面中其他操作。----------只对外部脚本有效。在XHTML中应该书写为async="async"。异步脚本一定先于页面的load事件执行,但可能会在DOM

gg464556的博客 683

《JavaScript高级程序设计》研读(一)——JS简介与在HTML中使用JavaScript

前言: 本来打算学习一下主流的前端框架,但是在学习的过程中,深深地感受到了自己基础的薄弱,对很多js的基础知识一知半解,尤其是一些比较冷门或者涉及到底层知识的问题。因此决定先把根基打牢,准备研读一下《JavaScript高级程序设计》,俗话说磨刀不误砍柴工嘛。 大一时候刚接触前端,心血来潮买了这本书,结果看了没几页就扔到一边去了。一方面是页数实在太多,更主要的是因为当时对于JS完全零基础,阅...

TalonZhang的博客 262

在HTML中使用JavaScript

本章简单介绍了如何在HTML中使用JavaScript文件

ll_liling的博客 375

JS学习1

JS学习1 1.JS简介 JavaScript 能够改变 HTML 内容 JavaScript 能够改变 HTML 属性 JavaScript 能够改变 HTML 样式 (CSS JavaScript 能够隐藏和显示 HTML 元素 2.JS使用 &lt;script&gt;标签: 在 HTML 中,JavaScript 代码必须位于 标签之间。 JavaScript 函数和事件 Java...

这四个杀手的博客 166
上一篇: java.lang.ClassNotFoundException: org.springframework.web.context.ContextLoaderListener
下一篇: JavaScript 脚本下载解释执行阻塞页面优化
前端小生
博客等级 码龄11年 6粉丝 22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