linux命令和知识点

Linux常用命令知识点大全(1) 详细介绍了Linux的常用命令,包含文件目录类和用户权限类,等后续还会加上磁盘、进程管理类、压缩解压命令、管道命令以及VIM编辑器。 阅读详情

一。常用命令

$?    上个命令的退出状态,或函数的返回值。   

二。数字判断
[ $count -gt "1"] 如果$count 大于1 为真
-gt  大于
-lt    小于
-ne  不等于
-eq  等于
-ge  大于等于
-le  小于等于

Linux知识点+基础命令 Shell作为用户与内核之间的接口,允许用户通过输入命令来操作计算机。在Linux系统中,Shell通常指的是命令行界面,它是一个命令解释器,将人类的高级语言翻译成机器语言。Shell的核心功能是解释和执行用户输入的命令。这些命令可以是内置的,也可以是外部程序。Shell还支持编程,允许用户编写脚本来自动化复杂的任务,如系统管理、文件操作和进程控制。这种脚本称为Shell脚本,它是一系列命令的集合,可以被Shell解释并执行。 阅读详情

相关推荐

Linux初学一些环境搭建、相关流程知识点和命令

Linux一些基础的东西,适用于初学者...

boxbox0116的博客 2174

Linux常用命令知识点小结

Linux命令知识点小结 小总结下Linux命令,加强记忆,共勉 操作系统 可以直接在计算机上运行且控制硬件和支持软件运行的计算机程序。 常见的操作系统 Windows mac OS Linux iOS Android Linux发行版 Debian SUSE Ubuntu CentOS RedHat 常用命令 以下命令均在Ubuntu里演示,...

jietui 260

【ROS2】Arduino系列之机器人底盘实现

介绍ros中提供的一个已经封装了的模块: ros_arduino_bridge,该模块由下位机驱动和上位机控制两部分组成,通过该模块可以更为快捷、方便的实现自己的机器人平台

guilin 1487

杂乱的Linux命令

1.解压和压缩的命令 解压缩的命令:tar -xzvf 要解压的文件名 压缩的命令:tar -czvf 压缩后的文件名 要压缩的文件 如何解压.zip压缩包? unzip filename.zip 如何解压.gz的压缩包? gunzip filename.gz gzip -d filename.gz 如何解压.bz2压缩包? 解压1:bzip2 -d FileName.bz2   解压2:bunzip2 FileName.bz2   压缩: bzip2 -z FileName 2.Linux中的一些特殊变量

超级酷乐猫的博客 2291

STM8S全解析之系列文章4---STM8S芯片项目升级引导程序(使用中断接收升级数据)

STM8S全解析之系列文章4—STM8S芯片项目升级引导程序(使用中断接收升级数据) 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 文章目录STM8S全解析之系列文章4---STM8S芯片项目升级引导程序(使用中断接收升级数据)前言一、Flash划分boot和App二、使用步骤1.引入库2.读入数据总结 前言 用过STM8S都知道它没有中断向量重定向,也就意味着STM8S的中断向量没办法指向其他的位置,间接说明升级的引导

weixin_39853312的博客 1034

深入浅出:UE4类型系统完整构建过程详解

UE4的类型系统是一个复杂但设计精巧的架构,它通过静态代码生成和运行时构建的完美配合,实现了强大的反射功能。理解这个过程不仅有助于解决开发中的问题,也能让你更好地利用UE4的各种高级特性。就像建造一栋大楼需要经过设计、备料、框架、装修、验收等多个阶段,UE4类型系统的构建也是一个多阶段、精细化的过程。每个阶段都有其特定的职责,共同协作完成从源代码到运行时对象的转换。

m0_45371381的博客 912

linux最全笔记

linux 操作系统 一.linux 操作系统概述 1.常见操作系统 - 服务端操作系统 : linux、unix、windows server - 单机操作系统 : windows(dos 、ucdos、win95、win98、win2000、xp、vista、win7、win8) ...

qq_21727645的博客 1934

PreScan快速入门到精通第二十一讲驾驶员模型之驾驶员在环

请注意,操纵杆的输出角度是以度为单位的,而方向盘执行器希望其输入是以弧度为单位的。当选择一个支持的方向盘时,PreScan会自动将按钮映射到正确的功能上(如换挡),并设置轴的正确范围(如转向角度)。该系统中的所有其他组件都是为了提供正确的按钮映射,并为所选的方向盘设置正确的范围。对于每一个额外连接的控制器,它们的ID会增加一个,例如第二个控制器的设备ID为1,第三个控制器的设备ID为2,等等。由于所有的方向盘最初放在编译表上的设备ID都是0,所以用户应该先进行正确的调整,将每个控制器设置为正确的设备ID。.

小明师兄的博客 1426

LINUX基础知识及命令

linux基础知识及命令

wwwu1998的博客 1796

多传感器标定:如何统一摄像头、雷达与IMU坐标?

多传感器标定:如何统一摄像头、雷达与IMU坐标?​ ,人工智能,计算机视觉,大模型,AI,本文详细阐述多传感器标定中统一摄像头、雷达与 IMU 坐标的方法。先介绍传感器坐标系统、坐标统一必要性及变换数学基础,再分述摄像头与雷达、IMU 与摄像头、IMU 与雷达的标定原理、步骤、参数计算及结果验证,还讲解了多传感器坐标统一的整体流程,分析了标定常见问题及解决办法,介绍了常用标定工具,结合实际案例说明应用,探讨了标定精度的影响因素、提升方法及发展趋势,为相关领域提供了全面的多传感器标定指导。​

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 12万+

8、干式变压器

干式变压器的发展,是人类不断挑战材料科学和热物理极限的过程,每一次技术突破,都是在。温度升高,ε_r反而下降(因为分子活动性增强,极化响应变慢)。:固体导热的热阻比液体对流大一个数量级,这是无法逾越的物理规律。Nomex在高温下不是逐渐分解,而是保持性能直到一个临界点。如果 T_a = 40°C,则 T_c = 146.7°C。干式变压器(固体介质分隔):热场、电场、流场(空气)形成三维氢键网络,即使在高温下也能保持机械强度。:不是在现有技术上修修补补,而是寻找新的。仍在H级绝缘允许范围内(≤180°C)

renpeng2692873032的博客 230

关于linux实用命令学习以及重要知识点

前言 本来这几天复习linux常用的命令,自己本来想写上一些记录的笔记。不过在github上搜到一个仓库,写得还挺全面的。和自己复习的内容所差无几,所以就没必要在博文中写出来了,重复同样的劳动,何况自己写得不比别人写得好到哪去。 仓库地址: https://github.com/Nick233333/phper-linux-gitbook 我的感悟 linux里面一些命令以及知识点,有必要写...

分享不一样的技术,与你一起共同成长! 12万+

Openclaw第4章:本地文件管理

OpenClaw本地文件管理功能摘要: OpenClaw提供强大的本地文件管理能力,主要功能包括: 智能文件搜索:支持内容搜索、自然语言描述、跨文件夹搜索和智能过滤排序,比传统文件名搜索效率提升10倍以上 批量文件处理:可自动整理发票、提取PDF内容、识别名片信息,批量处理数百文件仅需几分钟 文件自动整理:支持智能重命名、自动分类和文件夹优化,如将1000+照片按日期地点自动分类 典型应用场景: 30秒找到忘记名称的重要文件 5分钟完成原本需要1小时的发票整理工作 1句话指令完成数百文件的批量重命名 优势:

Maynor的博客 1730

Linux必会知识点及命令

基本命令 type:命令类型 -外部命令 & 内部命令 help:内部命令帮助 man:帮助手册 whereis:定位命令 file:文件类型 echo:打印到标准输出 $PATH:环境变量:路径 pwd:当前路径 按住Ctrl删除字符 文件系统 df -h 显示磁盘使用情况 du -sh ./* 显示文件系统使用情况 文件系统层次化标准 /boot: 系统...

Thankdj 230

【产品】 产品设计:ID设计和MD设计详解

1、ID(Industry Design)工业设计 包含外观、材质、手感、颜色配搭,主要界面的实现与及色彩等方面的设计。 2、MD(Mechanical Design)结构设计 以手机为例: 前壳、后壳、手机的摄像镜头位置的选择、固定的方式、电池如何连接和手机的厚薄程度等。 如果是滑盖手机,如何让手机滑上去,怎样实现自动往上弹,SIM卡怎样插和拔的安排,这些都是手机结构设计的范畴。 繁...

产品线负责人 3万+

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

linux基本命令知识总结,Linux知识点总结

1 Linux文件类型Linux支持很多文件类型,其中非常重要的文件类型有:普通文件,目录文件,链接文件,设备文件,管道文件,Socket套接字等普通文件目录文件(d, directory file)符号链接文件(l, symbolic link):保留了指向文件的地址而不是文件本身字符设备(c, char):用来访问字符设备比如硬盘设备文件(b,block):用来访问设备比如硬盘、软盘管道文件(...

weixin_36289813的博客 248

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")

linux常用的命令以及其他的一些知识点

切换到root 目录下 sudo -s -H (或者su -) shutdown -h now 立刻进行关机 halt shutdown -r now reboot 现在重新启动计算机 切换用户 su - logout 注销用户 linux 中文乱码的处理:LANG="en-US.UTF-8"(/etc/sysconfig/i18n)  vi Hello.java

青春继续 2849

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Linux01—基础知识点、目录操作命令、文件操作命令

基础知识点 shutdown 命令关机与重启 shutdown -r now         关机后重启 shutdown -r +10         10分钟后重启 shutdown -r 10:00        10点钟重启 shutdown -h now         关机后不重启 shutdown -h +10         10分钟后关机 shutdown -h 1...

宝杰的博客 542

Linux常见命令及常见知识点

Linux常见命令及常见知识点(学习) 绝对路径表示, 如:/etc/http.d 当前目录: ./ 上层目录: ../ 主目录:~/ 切换目录:cd 查看当前路径: pwd 查看当前进程:ps 显示所有进程: ps -ef (system v 输出) / ps -aux bsd 格式输出 查看指定进程信息:ps -ef | grep pid 执行退出:exit 清屏:clear 退出...

weixin_30604651的博客 245

Linux系列(一)基本的一些命令及其知识点

隐藏文件和非隐藏文件 Linux中:Linux中隐藏文件特点是文件名以.开头,跟文件属性无关。 在linux中查看隐藏文件用ls -a命令(普通显示ls) 相对路径与绝对路径 绝对路径:路径是从绝对位置开始的。譬如Windows中从某一个盘符开始(C:\),linux中从根目录/开始 相对路径:指明路径的时候,是从当前所在的位置开始的。 /abc/123/def.txt 是linux绝对路径 abc/123/def.txt 是linux的相对路径 GUI(图形用户界面)和cmdline(命令行)

ypf的博客 417

Linux知识点(8)_常用操作命令

lzy6041的博客 150

Linux常用命令大全超详细知识点概览

Linux常用命令大全知识点概览 章节目录 一、文件和目录管理命令 二、文件内容查看与编辑命令 三、文件搜索与查找命令 四、系统管理与监控命令 五、网络管理与通信命令 六、用户管理与权限设置命令 七、打包压缩与备份命令 八、其他实用命令 一、文件和目录管理命令 重点详细内容知识点总结: cd命令:用于切换当前工作目录。可以通过绝对路径或相对路径来指定目标目录。 cd /home/user:切换到指定用户的家目录。 cd ..:返回上一级目录。 cd -:切换到上一次所在的目录。 pwd命令

m0_72216164的博客 2312

学习笔记(二)Linux命令和相关知识点

停止hadoop服务:sudo systemctl stop hadoop*(sudo相当于管理员身份来停止)删除hadoop文件夹路径:sudo rm -rf hadoop文件路径删除hadoop用户:sudo userdel -r hadoop删除hadoop环境变量:vim /etc/profile(进入配置文件删除)删除hadoop配置文件:sudo rm -rf /etc/hadoop删除hadoop日志文件:sudo rm -rf /var/log/hadoop删除hadoop数据文件:

liwen_me的博客 160

Linux知识点及常用命令

搭建环境 可以使用VMware或者Oracle VM VirtualBox虚拟机搭建也可以购买云服务器,注意Linux内核版本有很多,不同的内核操作不同,常用Ubantu和Centos7,Centos7可以安装宝塔面板进行服务器控制,很方便 连接远程服务器 可以使用Xshell连接和Xftp上传文件和进行文件管理 配置java环境 下载jdk rpm的linux安装包,通过Xftp传到我们的linux服务器,使用rpm -ivk 包名进行安装 然后使用vim /etc/profile修改文件在末尾添加环境变

weixin_42713642的博客 391

Linux的常见命令及相应知识点

Linux常见命令及相应知识点 获取系统信息 获取硬件信息 获取系统硬件信息:dmidecode 或 lshw 显示PCI/USB接口信息:lspci/lsusb 显示CPU信息:lscpu或cat/proc/cpuinfo 检查硬件虚拟化的支持:egrep -color"vxm|svm" /proc/cpuinfo 显示物理内存大小:free -m 查看系统发行版本:cat /etc/system-release 查看系统内核版本:uname -r 显示机器的体系结构:arch 显示系统加载的内核模

theglasssky的博客 1368

Linux 命令知识点 来自哪本书籍?Linux 命令 和 Shell 命令 之间的关系

它详细介绍了Linux的命令行工具,包括常用命令的使用和参数解释,以及Shell脚本编程的基础知识和实例,适合初学者和有一定经验的用户‌1。总结:**大多数情况下,我们所说的 Linux 命令都是通过 Shell 执行的,因此可以被视为 Shell 命令。Shell 命令:指通过 Shell(命令行解释器)执行的指令,包括 Shell 自身提供的内置命令和外部可执行文件。交互方式:用户在 Shell 提示符下输入命令,Shell 负责解析并执行这些命令,无论它们是内置的还是外部的。

zxf347085420的博客 158
上一篇: Python爬虫知识点二
下一篇: python爬虫知识点三--解析豆瓣top250数据
L先生AI课堂
L先生AI课堂 领域专家: 大数据技术领域 领域专家: 大数据技术领域
博客等级 码龄9年 678粉丝 216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

打赏作者

L先生AI课堂

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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