caffe 中 BatchNorm layer设定

LBJ_qin LBJ_qin 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 586平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2026-10-15 12:58:07 发布 586 阅读 AI 写同款· GEO 优化 ›
为什么Batch Norm有效？ 最近思考得到的解答，将input进行norm标准化，等价于input进行了缩放，在进行反向传播修正时(以mini batch-SGD为例)，计算梯度时，不会出现梯度爆炸和消失（因为在这之前对input进行了norm）。同时batchsize的选取很有讲究，batch太小，计算出的梯度下降方向震荡，或是出现前后更新方向相抵消。导致难以学习，或者无法收敛。太大会导致下降方向无太大变化，求解最优解依赖于... 阅读详情

转载于http://blog.youkuaiyun.com/u012939857/article/details/70740283

BN层的设定一般是按照conv->bn->scale->relu的顺序来形成一个block。 
关于bn，有一个注意点，caffe实现中的use_global_stats参数在训练时设置为false，测试时设置为true。 
因为在训练时bn作用的对象是一个batch_size，而不是整个训练集，如果没有将其设置为false，则有可能造成bn后数据更加偏离中心点，导致nan或87.3365的问题。

caffe 中为什么bn层要和scale层一起使用

这个问题首先要理解batchnormal是做什么的。它其实做了两件事。 
1) 输入归一化 x_norm = (x-u)/std, 其中u和std是个累计计算的均值和方差。 
2）y=alpha×x_norm + beta，对归一化后的x进行比例缩放和位移。其中alpha和beta是通过迭代学习的。 
那么caffe中的bn层其实只做了第一件事。scale层做了第二件事。 
这样也就理解了scale层里为什么要设置bias_term=True，这个偏置就对应2）件事里的beta。

代码：

第一种情况，phase: TRAIN/TEST都不加 ，caffe会自动匹配去设置use_global_stats的值


 
  1. 
   
    
    
    
   
    
   
    
    
    
     layer {
    
    
   
  2. 
   
    
    
    
   
    
   
    
    
    
     	name: 
     "conv1"
    
    
   
  3. 
   
    
    
    
   
    
   
    
    
    
     	type: 
     "Convolution"
    
    
   
  4. 
   
    
    
    
   
    
   
    
    
    
     	bottom: 
     "data"
    
    
   
  5. 
   
    
    
    
   
    
   
    
    
    
         top: 
     "conv1"
    
    
   
  6. 
   
    
    
    
   
    
   
    
    
    
     	param{
    
    
   
  7. 
   
    
    
    
   
    
   
    
    
    
     		lr_mult:
     1
    
    
   
  8. 
   
    
    
    
   
    
   
    
    
    
     		decay_mult:
     1
    
    
   
  9. 
   
    
    
    
   
    
   
    
    
    
     	}
    
    
   
  10. 
   
    
    
    
   
    
   
    
    
    
     	param{
    
    
   
  11. 
   
    
    
    
   
    
   
    
    
    
     	    lr_mult:
     2
    
    
   
  12. 
   
    
    
    
   
    
   
    
    
    
     		decay_mult:
     0
    
    
   
  13. 
   
    
    
    
   
    
   
    
    
    
     	}
    
    
   
  14. 
   
    
    
    
   
    
   
    
    
    
         convolution_param{
    
    
   
  15. 
   
    
    
    
   
    
   
    
    
    
     		num_output:
     32
    
    
   
  16. 
   
    
    
    
   
    
   
    
    
    
     		kernel_size:
     5
    
    
   
  17. 
   
    
    
    
   
    
   
    
    
    
     		weight_filler{
    
    
   
  18. 
   
    
    
    
   
    
   
    
    
    
     			type:
     "xavier"
    
    
   
  19. 
   
    
    
    
   
    
   
    
    
    
     		}
    
    
   
  20. 
   
    
    
    
   
    
   
    
    
    
     		bias_filler{
    
    
   
  21. 
   
    
    
    
   
    
   
    
    
    
     			type:
     "constant"
    
    
   
  22. 
   
    
    
    
   
    
   
    
    
    
     		}
    
    
   
  23. 
   
    
    
    
   
    
   
    
    
    
     	}
    
    
   
  24. 
   
    
    
    
   
    
   
    
    
    
     }
    
    
   
  25. 
   
    
    
    
   
    
   
    
    
    
     layer {  
    
    
   
  26. 
   
    
    
    
   
    
   
    
    
    
       name: 
     "BatchNorm1"  
    
    
   
  27. 
   
    
    
    
   
    
   
    
    
    
       type: 
     "BatchNorm" 
    
    
   
  28. 
   
    
    
    
   
    
   
    
    
    
       bottom: 
     "conv1"  
    
    
   
  29. 
   
    
    
    
   
    
   
    
    
    
       top: 
     "conv1"   
    
    
   
  30. 
   
    
    
    
   
    
   
    
    
    
       param {  
    
    
   
  31. 
   
    
    
    
   
    
   
    
    
    
         lr_mult: 
     0  
    
    
   
  32. 
   
    
    
    
   
    
   
    
    
    
         decay_mult: 
     0  
    
    
   
  33. 
   
    
    
    
   
    
   
    
    
    
       }   
    
    
   
  34. 
   
    
    
    
   
    
   
    
    
    
       param {  
    
    
   
  35. 
   
    
    
    
   
    
   
    
    
    
         lr_mult: 
     0  
    
    
   
  36. 
   
    
    
    
   
    
   
    
    
    
         decay_mult: 
     0  
    
    
   
  37. 
   
    
    
    
   
    
   
    
    
    
       }  
    
    
   
  38. 
   
    
    
    
   
    
   
    
    
    
       param {  
    
    
   
  39. 
   
    
    
    
   
    
   
    
    
    
         lr_mult: 
     0  
    
    
   
  40. 
   
    
    
    
   
    
   
    
    
    
         decay_mult: 
     0  
    
    
   
  41. 
   
    
    
    
   
    
   
    
    
    
       }
    
    
   
  42. 
   
    
    
    
   
    
   
    
    
    
     }  
    
    
   
  43. 
   
    
    
    
   
    
   
    
    
     
    
    
   
  44. 
   
    
    
    
   
    
   
    
    
    
     layer {  
    
    
   
  45. 
   
    
    
    
   
    
   
    
    
    
       name: 
     "scale1"  
    
    
   
  46. 
   
    
    
    
   
    
   
    
    
    
       type: 
     "Scale"
    
    
   
  47. 
   
    
    
    
   
    
   
    
    
    
       bottom: 
     "conv1"  
    
    
   
  48. 
   
    
    
    
   
    
   
    
    
    
       top: 
     "conv1"    
    
    
   
  49. 
   
    
    
    
   
    
   
    
    
    
       scale_param {  
    
    
   
  50. 
   
    
    
    
   
    
   
    
    
    
         bias_term: true  
    
    
   
  51. 
   
    
    
    
   
    
   
    
    
    
       }  
    
    
   
  52. 
   
    
    
    
   
    
   
    
    
    
     } 
    
    
   
  53. 
   
    
    
    
   
    
   
    
    
    
     layer{
    
    
   
  54. 
   
    
    
    
   
    
   
    
    
    
     	name:
     "relu1"
    
    
   
  55. 
   
    
    
    
   
    
   
    
    
    
     	type:
     "ReLU"
    
    
   
  56. 
   
    
    
    
   
    
   
    
    
    
     	bottom:
     "conv1"
    
    
   
  57. 
   
    
    
    
   
    
   
    
    
    
     	top:
     "conv1"
    
    
   
  58. 
   
    
    
    
   
    
   
    
    
    
     }
第二种情况：加上 use_global_stats, 测试的时候再改成true 


 
  1. 
   
    
    
    
   
    
   
    
    
    
     layer {  
    
    
   
  2. 
   
    
    
    
   
    
   
    
    
    
       name: 
     "BatchNorm1"  
    
    
   
  3. 
   
    
    
    
   
    
   
    
    
    
       type: 
     "BatchNorm" 
    
    
   
  4. 
   
    
    
    
   
    
   
    
    
    
       bottom: 
     "conv1"  
    
    
   
  5. 
   
    
    
    
   
    
   
    
    
    
       top: 
     "conv1"   
    
    
   
  6. 
   
    
    
    
   
    
   
    
    
    
       param {  
    
    
   
  7. 
   
    
    
    
   
    
   
    
    
    
         lr_mult: 
     0  
    
    
   
  8. 
   
    
    
    
   
    
   
    
    
    
         decay_mult: 
     0  
    
    
   
  9. 
   
    
    
    
   
    
   
    
    
    
       }   
    
    
   
  10. 
   
    
    
    
   
    
   
    
    
    
       param {  
    
    
   
  11. 
   
    
    
    
   
    
   
    
    
    
         lr_mult: 
     0  
    
    
   
  12. 
   
    
    
    
   
    
   
    
    
    
         decay_mult: 
     0  
    
    
   
  13. 
   
    
    
    
   
    
   
    
    
    
       }  
    
    
   
  14. 
   
    
    
    
   
    
   
    
    
    
       param {  
    
    
   
  15. 
   
    
    
    
   
    
   
    
    
    
         lr_mult: 
     0  
    
    
   
  16. 
   
    
    
    
   
    
   
    
    
    
         decay_mult: 
     0  
    
    
   
  17. 
   
    
    
    
   
    
   
    
    
    
       }
    
    
   
  18. 
   
    
    
    
   
    
   
    
    
    
       batch_norm_param {
    
    
   
  19. 
   
    
    
    
   
    
   
    
    
    
     		use_global_stats: false
    
    
   
  20. 
   
    
    
    
   
    
   
    
    
    
     	}
    
    
   
  21. 
   
    
    
    
   
    
   
    
    
    
     }






收录于
caffe

当前文章被收录于：

caffe
10 篇文章 0 人学习
订阅专栏 查看详情
华为海思DV500部署YOLOv8：NNIE量化与避坑指南 边缘计算设备部署目标检测模型时，算力与功耗的平衡是核心挑战。INT8量化作为模型压缩的关键技术，能将深度学习模型的权重和激活值映射到低比特整数，显著降低计算开销和内存占用，是嵌入式AI场景中的必选项。华为海思Hi3516DV500内置NNIE加速单元，专为卷积神经网络设计，配合量化工具链，可高效运行YOLO系列检测模型。本文从量化原理出发，详细解析YOLOv8模型转换、ONNX导出、Caffe中间格式适配及NNIE量化校准的完整链路，并结合Docker部署环境，分享工具链使用中的常见问题与解决思路。面向智能 阅读详情

相关推荐

R-FCN源码解析：位置敏感得分图与全卷积目标检测网络实现

目标检测是计算机视觉的核心任务之一，从R-CNN到Faster R-CNN，基于区域的检测方法在精度上不断提升，但RoI之后的全连接层成为了速度瓶颈。R-FCN（Region-based Fully Convolutional Network）通过引入位置敏感得分图和PSROIPooling操作，将整个检测流程改造为全卷积结构，在保持高精度的同时显著加速推理。位置敏感得分图将空间信息编码进通道，每个通道对应物体某个相对位置的响应，再经过PSROIPooling聚合得到分类和回归结果。这种设计既避免了全连接层

weixin_34258838的博客 432

BatchNorm layer设定

BN层的设定一般是按照conv->bn->scale->relu的顺序来形成一个block。 关于bn，有一个注意点，caffe实现中的use_global_stats参数在训练时设置为false，测试时设置为true。 因为在训练时bn作用的对象是一个batch_size，而不是整个训练集，如果没有将其设置为false，则有可能造成bn后数据更加偏离中心点，导致nan或87.3365的问题。c

山里娃娃哈 4835

ResNet50迁移学习实战：华为垃圾数据集工业级分类系统

图像分类是计算机视觉的基础任务，其核心在于利用预训练模型（如ResNet50）通过迁移学习适配新领域。迁移学习的本质不是简单替换分类头，而是结合数据特性重构特征提取与判别逻辑，在类别不平衡、标注缺失、部署受限等现实约束下实现鲁棒泛化。ResNet50作为经典骨干网络，需针对工业场景调整冻结策略、增强方式与损失设计；而‘华为垃圾数据集’虽非标准基准，却真实反映边缘AI落地中的数据混乱、光照干扰与硬件适配挑战。本文聚焦从数据清洗、模型微调到昇腾芯片部署的全链路实践，覆盖ONNX导出、ATC转换、ACL推理等关键

weixin_33866037的博客 370

一文弄懂Batch Norm / Layer Norm / Instance Norm / Group Norm 归一化方法

文章目录前因总览Batch NormalizationLayer NormalizationInstance NormalizationGroup Normalization最终总结参考 前因 Normalization现在已经成了神经网络中不可缺少的一个重要模块了，并且存在多种不同版本的归一化方法，把我们秀得头晕眼花，其本质都是减去均值除以方差，进行线性映射后，使得数据满足某个稳定分布，如下图所示： 出于更好地理解与区分这些方法， 写下本文。 总览 如果不理解此图，可以先看后面的小节，再来会看这幅图

要相信光 2万+

SAP S/4HANA 物料分类账（ML）/实际成本核算（Actual Costing）——底表全景 & CKMLCP 执行后数据变化

插入 ML 重估凭证行项目：Dr/Cr 库存科目（期末库存调整）、Dr/Cr COGS/消耗科目（消耗重估）、Cr/Dr ML 重估抵消科目（PRY/PRV 类逻辑）also STPRS/VERPR/PEINH/LBKUM 等（但 S/4 很多“真理”在 ACDOCA）MLPP / MLPPF / MLCR / MLCRF / MLCD / CKMLMV003/004 等。Material Ledger Document（行项目明细：收货/发票价差/结算写入/重估相关）间接（PUP在CKMLCR；

weixin_52203666的博客 578

Windows server Database 2025 安装 i225/i226 网卡驱动

Windows server Database 2025 安装 i225/i226 网卡驱动 windows这比坏得很，intel消费级网卡不准在服务器系统上安装。你要说他是异构不支持？他就纯粹恶心人。 之前已经安装过一次，但是今天database预览版一更新，又给我把网卡驱动杀了，气死，写一篇教程。 到这里就完成了，总之还是想辱骂windows，提供便捷的同时又人为制造困难，多少有点（隔壁linux内核直接自带全家桶了就一省心） 并且近年Intel的新U安装显卡驱动和普通声卡驱动都不会出声

低温热源的博客 1万+

深度学习基础之BatchNorm和LayerNorm

batch norm适用于CV，因为计算机视觉喂入的数据都是像素点，可以说数据点与点之间是可以比较的，所以使用batch norm可以有比较好的效果，而NLP里，每个词的词向量是一组向量表示一个词，一个词向量割裂开来看是没有意义的，因此不同词向量里的数据点是不能混为一谈的，所以batch norm之后可能会使得词损失语义，效果就可能不好了，但是使用layer norm只是让各个词向量进行标准化，就能够有比较理想的效果了。

学习笔记 6034

Bootloader Design of PIC18 series MCU

注意：下列描述是在PIC单片机上启用Bootloader的一个相关知识的近似完备集。所有需要了解的，与bootloader与用户态程序交互的理论知识都已给出。包含内存组织，跳转，中断等必备功能的描述。

含光左卫的工作笔记集 1267

深度学习面试基础--BN层

深度学习中BN层的相关介绍

weixin_46343115的博客 6975

太速科技-基于DSP TMS320C6678+FPGA XC7V690T的6U VPX信号处理卡

当多块盘并行工作时，存储阵列读写带宽成指数增长，2块盘则≥4GB/s,4块盘则≥8GB/s,以此类推。存储阵列的存储容量由单盘配置决定，目前单块NVME存储盘存储容量可选择512GB、1TB、2TB、4TB、8TB、16TB。硬盘管理通过文件系统，FPGA的PCIeX4与 6U VPX主板互联，操作系统直接映射管理硬盘，也可以通过前面板QSFP+ 光纤导出给其他服务器设备。本方案优势就是集中的进行采集，存储，计算一体化，降低硬件成本、功耗，减小设备体积、重量。信号处理，无线电通信领域。

Orihard_的博客 678

LTE随机接入实战：如何通过PRACH前导码优化小区覆盖半径（附计算公式）

本文深入探讨了LTE网络中PRACH前导码格式对小区覆盖半径的关键影响。通过解析不同前导码格式（如Format 0-3）的物理参数与覆盖能力，提供了核心计算公式与实战Python脚本，指导网络工程师根据覆盖需求、环境多径和容量等因素，科学选择前导码格式以优化边缘用户接入成功率，实现精准的网络规划与优化。

qq_27496129的博客 574

caffe中BatchNorm层和Scale层实现批量归一化（batch-normalization）注意事项

caffe中实现批量归一化（batch-normalization）需要借助两个层：BatchNorm 和 Scale BatchNorm实现的是归一化 Scale实现的是平移和缩放 在实现的时候要注意的是由于Scale需要实现平移功能，所以要把bias_term项设为true 另外，实现BatchNorm的时候需要注意一下参数use_global_stats，在训练的时候设为false，...

weixin_NineDays66 1845

Halcon和C#联合编程实现硬币识别（个人入门练习）

本人为机器视觉入门小白，自己突发奇想 1.图片数据来源和分析 2.HALCON实现 3.C#搭建界面框架 4.C#中嵌入HALCON代码，即联合编程 5.导出.exe文件，运行以及Debug 目标是这样的，在图片中识别出每种类型的硬币数量，然后计算出总钱数。先上结果，再细说过程。 C#界面和识别结果： 1.图片数据来源和分析 图片大小及格式均统一，拍摄的时候已经尽可能的去除了背景噪点，所以图像处理的要求并不很高（重点在于思路）。硬币区分原理本人代码采用直径范围来判断（也可以半径或区域面积，HALCON算子

Demobird的博客 3614

SO-ARM100 机械臂 URDF 仿真快速上手：3 条命令拿到 3D 可视化结果

SO-ARM100 是面向 LeRobot 的开源遥操作机械臂，仓库 [Simulation/](https://link.gitcode.com/i/7cbd0221aa1bc732763602c9211987a3) 目录自带 SO100/SO101 两套完整的 URDF 仿真模型和 MuJoCo 场景文件。本文用仓库内文件在本地跑通机械臂的 3D 模型，只需 3 条命令，并说明如何切换标定版本

gitblog_00048的博客 171

青岛鼎信Java开发面试题及参考答案（3万字长文，多张原理图）

MySQL 的事务特性有哪些？ MySQL 事务具有四个重要特性，被称为 ACID 特性。 原子性（Atomicity）：事务是一个不可分割的工作单位，事务中的操作要么全部执行，要么全部不执行。例如，在银行转账场景中，从账户 A 转账到账户 B，包括扣减账户 A 的金额和增加账户 B 的金额这两个操作必须作为一个整体来完成。如果在执行过程中发生错误，比如系统崩溃或者数据库出现故障，那么已经执行的部分必须全部回滚，就好像整个转账操作从未发生过一样。 一致性（Consistency）：事务必须

大模型大数据攻城狮的专栏 1088

PHP实现获取当地网络时间​(附完整源码)

PHP实现获取当地网络时间​(附完整源码)

希望我的博客，能帮上你解决学习中工作中所遇到的问题 236

神经网络七十年：从生物启发到统计学习的认知突围史

神经网络本质上是一种函数逼近工具，其核心原理是通过多层非线性变换组合，实现对复杂映射关系的可微分建模。这一技术的价值不仅在于拟合能力，更在于它将高维非线性问题转化为可优化、可扩展、可工程化的梯度驱动系统。从早期McCulloch-Pitts神经元的逻辑开关抽象，到反向传播赋予多层结构可训练性，再到GPU与大数据触发的端到端深度学习范式，每一次跃迁都围绕‘如何有效表达非线性’与‘如何稳定优化深层结构’两大关键挑战展开。今天，它已广泛应用于计算机视觉、自然语言处理、科学计算等场景，成为现代人工智能基础设施的底层

chuange6363的博客 390

Statistics and Machine Learning Toolbox

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

1. 卷积网络的基本组件（卷积网络、BatchNorm、ReLU、卷积三兄弟、线性层、Dropout）

卷积网络的基本组件 1. 卷积网络 2. BatchNorm组件 3. ReLU层 4. 卷积三兄弟 5. 线性层 6. Dropout

MechMaster 1225

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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

什么是 Batch normalization

目录 Batch_normalization BN来源： BN原因： BN做法： BN优缺点： LRN 为什么要有LRN 局部响应归一化？ LRN公式 ： Ref: 归一化（normalization） 将一批不太标准的数据统一到指定的格式. 我们在数据处理时常用的是将一组范围差距较大或者单位不同的数据依据一定规则变化到指定的范围之内。 Batch_normalizati...

渣渣 5万+

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

深度学习之Batch Normalization

在机器学习领域中，有一个重要的假设：独立同分布假设，也就是假设训练数据和测试数据是满足相同分布的，否则在训练集上学习到的模型在测试集上的表现会比较差。而在深层神经网络的训练中，当中间神经层的前一层参数发生改变时，该层的输入分布也会发生改变，也就是存在内部协变量偏移问题（Internal Covariate Shift），从而造成神经层的梯度消失，模型收敛过慢的问题。 Batch Normaliz...

weixin_30655569的博客 293

【深度学习】批归一化（Batch Normalization）

BN是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。所以目前BN已经成为几乎所有卷积神经网络的标配技巧了。 从字面意思看来Batch Normalization（简称BN）就是对每一批数据进行归一化，确实如此，对于训练中某一个batch的数据{x1,...

weixin_33918357的博客 1752

Bach Normalization

【文章一】 tensorflow中关于BN（Batch Normalization）的函数主要有两个，分别是： tf.nn.momentstf.nn.batch_normalization 关于这两个函数，官方API中有详细的说明，具体的细节可以点链接查看，关于BN的介绍可以参考这篇论文，我来说说自己的理解。 不得不吐槽一下，tensorflow的官方API很少给例子，太不人性化了

jasonzzj的博客 1万+

【PyTorch】偏置项 bias 与 Batch-Normalize

偏置项与Batch-Normalize的关系

Esperanto.的博客 1980

卷积层后面跟batch normalization层时为什么不要偏置b

最近在学习pytorch，自己搭建网络结构，搭建的时候遇到一个问题，就是convolutional层后接了batch normalization和scale层后，到底要不要设置卷积层的偏置，而且我最近在转换模型（caffe转pyotch）时，在跟了batchnorm的卷积层还设置了偏置（由于有偏置参数，所以就设置了偏置），那么到底是否需要在跟了batchnorm的卷积层后面跟上参数了？ 以下内容...

猫猫与橙子的博客 8197
上一篇： python中OrderedDict的使用
下一篇： 【Linux】下分解大压缩文件或解压拆分后的文件
点赞 0
评论 0
书签 书签 0
LBJ_qin
LBJ_qin
博客等级 码龄9年 3粉丝 9原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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