Mac版Android Studio工具快捷键总结

众包更新高精地图:如何保证数据一致性? 众包更新高精地图:如何保证数据一致性?​ ,人工智能,计算机视觉,大模型,AI,该文章围绕众包更新高精地图的数据一致性保障展开,介绍了测试方法,包括单元、集成、性能和一致性测试;阐述了部署与运维,涉及部署架构、监控告警及系统升级维护;还提及行业标准与规范,涵盖数据采集、处理及安全隐私保护标准,全方位为众包更新高精地图的数据一致性提供技术与规范支持。 阅读详情

            由于公司的windows电脑配置不太好,切换到Android Studio上开发经常卡死,

   

下面我就是个人觉得有用的快捷(虽然有些可能也没用到过):

<span style="background-color: rgb(255, 255, 255);">CTRL + R Build and run
OPTION + CMD + O	查找工程内的文件或方法或字段
CMD + 0	查找工程内的类文件
CMD + P	Show parameters for selected method
OPTION + CMD + L	Reformat code
CMD + N	Generate method
CMD + R	相当于搜索替换
CMD + ,	打开Preferences
CMD + ;	打开Project Structure
CMD + X	删除行
CMD + D	复制行
CTRL + J	显示该方法或类的api
CMD + [ 返回上一次编辑位置
CMD + ]	前进到上一次编辑位置
CTRL + P	鼠标移动到上一行
CTRL + N	鼠标移动到下一行
ALT + ENTER	导入包,自动修正(未验证)
SHIFT + CMD + [	previous tab
SHIFT + CMD + ]	next tab 
ALT + 向上键	选择当前光标处所在单词或行
CTRL + ALT + H	查找调用的位置
ALT + SHIFT + UP/DOWN	上下移动<span class="wp_keywordlink" style="margin: 0px; padding: 0px; border: 0px;"><a target=_blank href="http://www.xuebuyuan.com/" title="代码" target="_blank" style="text-decoration: none; color: rgb(1, 150, 227);">代码</a></span>
CTRL + O	快捷覆写方法
ALT + CTRL + O	清除无效引用
ALT + ENTER	提示错误解决方案(在抽取局部变量时,调出对话框后选第二个)
CMD + SHIFT + F	相当于 Eclipse 的 Ctrl + h
CTRL + T	调出Refactor选项框,可以抽取方法、成员变量等
CMD + ALT + V	相当于Eclipse的Ctrl + 2 ,L  自动生成变量
CMD + ALT + F	抽取成成员变量

CMD + SPACE 相当于 Eclipse 的ALT + /,不过与系统的切换输入法冲突,修改快捷键搜索 Basic
ALT + /	自动补全最后一个方法名(原)

keymap —>Reformat Code 添加ALT + F


Editor —>Code Completion —>Case sensitive completion 调成 none ,使大小写不敏感
Editor —>Show quick doc on mouse move 打勾,鼠标移动到方法上显示api
Editor —>Auto Import —>Optimize imports on fly 打勾,把不用的声明移除掉,相当于Ctrl + Alt + O
</span>
海德汉机床采集数据 海德汉数控系统我一般在高端机床上见得比较多。有好多五轴加工精度比较高的机床都用的是海德汉的系统。市面上常见的有530和640等型号。海德汉的采集还是有点难度的,需要对SDK有深度的了解。 阅读详情

相关推荐

时序数据库避坑指南:TDengine与IoTDB在车联网场景的7个关键对比

本文对比了时序数据库TDengine与IoTDB在车联网场景下的7个关键差异,包括数据模型设计、边缘-云端协同能力、车规级函数库、存储压缩算法等。通过真实案例和性能测试,帮助企业在新能源汽车大数据处理中选择合适的时序数据库,优化存储成本和实时告警性能。

rust6ferris的博客 454

Android_Android Studio 常用快捷键 for mac

运行 ctrl + R 优化import ctrl + opt + O 格式化 opt + cmd + L 自动修正 opt + enter 自动补齐 cmd + J 自动生成代码 cmd + N 搜索类 cmd + O 当前文件搜索 cmd + F 全局搜索 按两下 shift 搜索文件 shift + cmd + O 搜索符号 opt + cmd + O 查看说明 fn + F1 class Hierarchy opt + h method

mikimo的博客 970

lattice 黑盒子的生成和使用(Creating Your Own Black Box Modules)

很多客户,特别是外包项目,需要做黑盒子,防止他人看到源码,那么这就需要对相关的源码打包加封了。diamond help 说的也是模糊模糊的,这次给出实际验证过的流程。 1.先将要加封的模块间一个工程,建好工程,写好代码之后,模块名字叫做crosslink(这个使用黑盒子的时候要用),代码如下: module crosslink( output wire[3:0] led, input wire clk, input wire reset ); reg [29:0] cnt; reg [3:0] led1;

qq_39633876的博客 1482

Mac版Android Studio 之常用快捷键

command + n可快捷自动写构造函数及其他常用函数(例如get/set函数),非常实用control + R运行项目Alt + /根据代码记录自动补全代码command + /注释或取消注释选中区域F1快速浏览类或方法的文档Alt + Enter有提示错误时,这快捷键会根据错误帮你纠正错误,例如会自动添加缺少的头文件Shift + F6快捷修改类、方法、变量、常量等名称按 command ...

amberoot's Space 445

避坑指南:麒麟系统ARM架构下PostGIS离线安装常见问题解析

本文深度解析了在国产麒麟系统ARM64架构下进行PostGIS离线安装的完整路径与核心避坑点。通过对比Docker容器化与源码编译两种部署方式的优劣,详细阐述了离线Docker环境搭建、ARM64镜像获取验证、容器化配置及常见故障排查的全流程,为在特殊环境下稳定部署空间数据库提供了一套可靠的实践指南。

Python的专栏 287

在ZYNQMP上点亮800x480 LCD屏:从framebuffer到DRM框架的完整驱动移植实战

本文详细介绍了在ZYNQMP平台上点亮800x480 LCD屏的完整驱动移植实战,从framebuffer到DRM框架的技术实现。内容涵盖硬件配置、设备树设置、显示时序参数调试以及DRM驱动核心实现,帮助开发者快速掌握PetaLinux系统中的LCD驱动开发技巧。

weixin_33701294的博客 428

mac android studio快捷键使用

mac 、win系统 android studio快捷键使用

kongT。的博客 988

2026年【江苏“信息与未来”编程思维】真题及题解(T6:桌面游戏)

2026年【江苏“信息与未来”编程思维】真题及题解(T6:桌面游戏)

王老师青少年编程 537

Mac下的Android Studio快捷键

一、Android Studio的快捷键 命令 清除无用的包 Ctrl+Opt+O 显示当前类(不包含父类)的函数列表 Command+F12 重命名 Shift+F6 对选择的区域进行大小写切换 Command+Shift+U 上一个/下一个 高亮错误 F2 | Shift + F2 当前文件搜索 Command+F 当前文件替换 Command+R 全局文件搜索 Command+Shift+F 全局文件替换 Command+Shift+R 复制选中的

Mr_Tony的专栏 2897

微信小程序 - 最新详细实现调起手机摄像头拍摄身份证人像面和国徽面取景框功能,在拍照相机上增加身份证证件照的轮廓或自定义文字,支持替换扫描拍摄辅助线图片及文本,小程序实现拍照身份证时带取景轮廓框拍摄!

微信小程序,身份证,证件照,人像,证件照提示框模板,vue身份证拍照框,摄像机相机里有引导内容,取景框拍摄,微信小程序实现拍照界面自定义实现,自拍人相框拍摄,取景框,户口簿取景框,画布指定区域生成图片,微信小程序身份证正反面拍照如何加入辅助图片引导照片,身份证取景框拍摄,服务器,上传,正反面,调起手机摄像头:拍摄身份证的正反面,自定义身份证取景框,在相机上绘制“身份证轮廓“与提示文字,拍摄身份证时出现人像框怎么实现,在相机上增加图片和文字,微信小程序怎么给调起的相机加入自定义图片,小程序实现给相机上面

🏆 前端领域优质创作者 1万+

HyperLynx(十五)多板仿真

在对话框的“Design file#1”下拉列表中选择“B00,Mainboard”,在其下方的“Reference designators”列表中选择元器件“J1”,然后在“Designfile#2”下拉列表中选择“BO1、RAM1”,在其下方的“Refer ence designators”列表中选择元器件“J1”,单击“Insert”按钮,为这两个元器件建立互连映射。在“Assign Models”对话框中,选择“B00 Motherboard”,将“U16.B12”设置为输出。

小幽余生不加糖 5064

MacOS系统下的Android Studio操作快捷键

13.前进后退:当跟踪代码的时候,经常跳转到其他类,后退快捷键:option + command + 方向左键;前进快捷键:option + command + 方向右键。10.查看类的子类:选中要查看的类,然后:command + B 或 option + command + B。8.查看当前类结构:command + fn + F12。14.全局搜索:command + shift + F。15.全局替换:command + shift + R。6.查看最近打开的文件:command + E。

aude5420的博客 903

【WiFi】T830 MT7992 WMM测试修改操作说明

WiFi WMM(Wi-Fi Multimedia)是Wi-Fi联盟推出的一项技术,用于优化无线网络中的多媒体内容传输。WMM通过优先处理不同类型的数据流来改善网络性能,特别是在网络拥堵时。:WMM通过提供服务质量支持,确保语音、视频和其他多媒体应用在无线网络中获得优先处理。这有助于减少延迟和抖动,改善用户体验。:WMM将数据流分为四个优先级队列:语音、视频、最佳效果(Best Effort)和背景(Background)。语音和视频流通常被赋予更高的优先级,以确保它们在网络中得到及时传输。

wgl307293845的博客 1023

工具使用之Android Studio快捷键-mac版

最近给自己添置了一台mac,也算是完成了多年前的一个小愿望。做为Android开发者的我于是搭载了Android Studio 1.1正式版做为了我的安卓开发工具。在window上eclipse我可以畅快的玩耍,idea和as也可以友好的玩耍。但是对于刚接触Mac的我,在as快捷键的使用上,我感觉整个人都不好啦。于是又花了些时间整理了一下as在Mac上我常用的快捷键。关于window上idea和as

小吕丶Code阶区 3万+

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。

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。

AndroidStudio For Mac 快捷键大全

##AndroidStudio For Mac 快捷键大全 ##

xiawu1990的专栏 540

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")

abap开发注释快捷键_Flutter 快捷开发 Mac Android Studio 篇

作者:老孟导读:此快捷方式适用于Mac下的 Android Studio 快速创建一个新的Stateless or Stateful组件创建新的 Stateless 组件,输入stless,回车:创建新的 Stateful 组件,输入 stful,回车:创建新的 动画组件,输入 stanim,回车:还有其他的一些快捷方式,这里不一一介绍,这些快捷方式在 Preferences 中可以找到,路径:P...

weixin_39675728的博客 274

Mac版本android studio快捷键

因为有些使用非常频繁的大家都知道,就没添加。。。。 查看选中的元素文档 Control + J | F1 查看网页文档 Shift + F1 覆盖重写方法 Control + O 生成代码块 Command + Option + T 查看当前所在类 Control + Shift + Q 自动行缩进 Control + Option + I 合并行 Control + Shift + J 展

u010436867的博客 765

篇一、安装配置Android Studio

系统:Mac 10.10 Java JDK:官方JDK1.8 IDE:Android Studio 1.2 Android SDK:24.2 模拟器:genymtion 安装 Mac版本的Android Studio安装实在没有什么好讲的,把app拖到Application文件夹里面就好了。比Windows版本还容易。我的dmg文件删掉了,所以这张图是从网上找的,好在安装么一...

weixin_33755557的博客 77

MAC版Android Studio 和Window版 Android Studio 个人常用快捷键

Android Studio快捷键 分别有MAC版和Window版 请留下足迹 谢谢

piqtytu520的专栏 1173

mac android 调试快捷键,Mac版 Android Studio 快捷键

为了提高工作效率,特地的整理了MAC 版 Android Studio 快捷键的整理,如果后续还有,在继续补充!自动格式化代码 (这是一个AS的设置)Settings -> Editor -> Languages & Frameworks -> Flutter -> Editor选中Format code on save 也可以勾选子选项 Organize impo...

weixin_34861702的博客 464

Mac android-studio 快捷键整理

mac android-studio常用快捷键大全

qq_28933825的博客 4281

android 代码注释的快捷键,Android studio实用快捷键总结(Mac版)

该篇文章总结了Android studio的各种快捷键,目的是提高开发的效率。虽然大多数常常用到,但是有的就是记不住,要用的时候就纠结地使劲想,那个功能是哪几个键来着。结果试了几次还是不对,所以就总结了,把这些快捷键组合烙在脑子里。因为太久没用Window的Android studio了,所以就只总结了Mac版的。Mac下符号所对应的按键:⌥ —> option|alt⇧ —> sh...

weixin_33275503的博客 747

Android Studio Mac版快捷键

⌥—> option|alt  ⇧—>shift  ⌃—>control  ⌘—>command  ⎋—>esc  ↑↓←→ Code alt+F7:Find usage  alt+command+L:格式化代码  alt+command+O:优化import(去掉无用的import)  command+O:Override Methods  command+I:Im

Hugo.Lee的博客 1906

MAC 中的 Android Studio 的默认快捷键

MAC 中的 Android Studio 的默认快捷键。

丿灬安之若死 892
上一篇: 滑动式抽屉布局界面SlidingDrawer的简单使用
守夜人军团
博客等级 码龄16年 19粉丝 14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