Cocos开发笔记——数组(Array)

Cocos Creator响应式UI开发:基于Vue 3原理实现数据驱动视图 响应式编程是现代前端开发的核心范式,它通过数据绑定机制自动同步数据与视图状态。其原理基于依赖追踪,当数据变化时自动触发相关视图更新,从而将开发者从繁琐的手动DOM操作中解放出来。这种模式在工程实践中的价值在于极大提升了代码可维护性和开发效率,尤其适合状态复杂的交互界面。在游戏开发领域,Cocos Creator的UI系统同样面临数据和界面同步的挑战。本文通过借鉴Vue 3的reactive系统核心思想,构建了一个轻量级响应式数据层,实现了游戏状态与UI组件的自动绑定。该系统采用Proxy进行依赖收集,并结合 阅读详情

声明一个数组

arr = [] 

为数组添加元素

arr.push("可以是任意数据类型")
arr.push("同一个数组可以添加不同的数据类型")

arr.unshift("在数组开头插入元素")

删除数组中的元素

**删除数组最后一位元素,并返回这个元素**
arr.pop()
**删除数组第一位元素,并返回这个元素**
arr.shift()
**删除指定索引位置及后续长度的所有元素,还可以插入一个或多个新元素**
arr.splice(index , length , newItem...)

将多个数组合并

brr =['我是brr的元素','我们可以和arr合并']
crr = arr.concat(brr)
**crr数组中的元素是arr和brr所有的元素,arr的元素没有改变**

将数组内所有值组合起来

crr = arr.join()
**crr的值是 "可以是任意数据类型,同一个数组可以添加不同的数据类型"**
**jion()可以传入字符参数,不传参时默认为',',返回结果是字符串类型**

反转数组的元素

arr.reverse()
**将数组倒置,会直接改变arr原本的值**

选择数组的一部分

index = 3
length = 2
crr = arr.shift(index ,2)
**返回从数组arr的索引3开始向后取2位元素的数组**

数组排序

**从小到大排序**
arr.sort()

查找元素

//返回查找到的元素索引
arr.indexOf('元素',index/*从这个索引开始向后搜索*/)
arr.lastIndexOf('元素',index/*从这个索引开始向前搜索*/)
Cocos Creator开发中解决Cannot read properties of null错误的完整指南 在JavaScript和TypeScript开发中,类型错误是常见的运行时异常,特别是访问null或undefined对象属性时引发的TypeError。这类错误的本质是试图在空值引用上执行操作,其原理源于JavaScript的动态类型系统和引擎的运行时检查机制。从技术价值看,正确处理空引用能显著提升代码健壮性、应用稳定性和用户体验,是防御性编程的核心实践。在游戏开发、Web应用和移动端开发等场景中,空引用错误尤为常见,直接影响应用可用性。以Cocos Creator游戏引擎为例,开发者常遇到“Cannot 阅读详情

相关推荐

Cocos Creator开发《文字斗争》益智游戏:从架构到多平台发布实战

游戏开发中,模块化架构与跨平台发布是提升开发效率和产品覆盖面的关键技术。模块化通过分离核心逻辑、数据管理与视图层,降低了代码耦合度,便于维护与扩展,常采用事件驱动模式进行通信。跨平台能力则允许开发者使用同一套代码库,通过引擎适配层,快速部署到Web、小程序等多个终端,极大节省了开发成本。这些技术对于实现如《文字斗争》这类融合了汉字匹配算法与状态管理的益智小游戏至关重要,其核心玩法涉及网格生成、广度优先搜索匹配与数据持久化,最终通过Cocos Creator引擎,可高效发布至H5与微信小程序平台。

weixin_33743703的博客 564

CocosCreator学习笔记22

上述代码中的 myVariable 是一个联合类型变量,可以存储 number 类型或 string 类型的值。在计算机科学中,进程(Process)和线程(Thread)是操作系统中的概念,用于管理和执行程序的执行单元。线程是进程内的执行流,是进程的一个实体。线程执行的顺序和调度由操作系统决定,可以同时运行在多个CPU核心上,实现真正的并行性。上述代码中的numbers是一个数组类型变量,它只能包含number类型的元素。函数参数:函数的参数可以声明为联合类型,表示允许传入多种类型的参数。

2301_79022588的博客 874

基于Cocos Creator的三消游戏开发实战:从算法到性能优化

游戏开发中,状态机是管理复杂逻辑流程的核心设计模式,它通过定义有限状态和状态转换规则,确保游戏行为的有序与可控。在Cocos Creator等游戏引擎中,结合事件驱动架构,状态机能够清晰分离输入响应、逻辑计算与渲染更新,有效避免“面条代码”。这一原理在消除类、回合制等游戏类型中尤为重要,其技术价值在于提升代码可维护性、调试便利性及系统可预测性。具体到三消游戏开发,状态机精准管理着空闲等待、宝石交换、匹配检测、消除动画、掉落填充等核心循环。本文聚焦于利用Cocos Creator实现一个完整的《开心消消乐》风

weixin_33860528的博客 387

【cocos creator】【TS】数组array,对象object,字符串string,特性和增删改查

数组添加属性,增加,删除,排序,查找,按数组元素排列数组,判断对象中是否包含某个属性slice,substring,substr截取字符串,判断字符是否为数字,中文。

烧仙草奶茶的博客 6124

Vectorless dynamic动态功耗分析——Voltus

power 计算工具会根据设计信息和用户提供的activity和switching约束来生成虚拟的worst-case的power vector,难点在于哪些instances视为switching,在没有仿真的前提下如何确定开关的时间,使用timing文件(TWF)

qq_44347276的博客 2790

ANSYS APDL学习(6):ANSYS APDL部分命令流介绍

介绍APDL 部分命令流

娱乐至上的博客 1万+

【Cocos Creator】声明数组类型节点

定义数组节点。

weixin_52110073的博客 434

麒麟操作系统安装达梦数据库ARM版

Linux安装达梦数据库ARM版

运维@小兵的博客 8773

cocos creator笔记(5)

元组,数组,字典。回调

qq_36936831的博客 597

STM32 FOC电机控制:手把手教你用CubeMX配置TIM1中心对齐PWM(含代码避坑)

本文详细解析了STM32 FOC电机控制中TIM1中心对齐PWM的配置方法,涵盖CubeMX图形化设置、HAL库代码调用及常见问题排查。特别针对L6230Q驱动芯片的使能逻辑和死区时间配置提供实用指南,帮助开发者高效实现无刷电机的高性能控制。

weixin_27027459的博客 446

Ubuntu20.04安装Torque-6.1.2单机版(踩坑篇)

说明:PBS排队系统原先是在Centos7安装使用很顺利,但是有客户需求在Ubuntu20.04上使用,着手在Ubuntu20.04安装上安装的时候发现很多报错,并不能顺利安装,网上查找到的教程,有的说是让放弃转slurm,有的是换源安装,但是安装好的版本很低,有许多bug,不是很好用。经过自己慢慢摸索之后,改了部分配置以及源码之后,能够顺利安装,再次记录一下踩坑心得,与大家一起分享学习。如有问题,欢迎大家来撩。...............

华青水上的博客 8094

Cocos-Js准备(二)-数组

数组 js中的同一个数组可以存储多种类型的值,并且长度可以动态的调整。 创建数组的方式分为构造函数和字面量 1、使用构造函数的方式: var a1 = new Array();//空数组 var a2 = new Array(5);//指定长度 var a3 = new Array(1,2,"hello");//带初始元素的数组 2、使用字面量的方

wangshunli123的博客 7473

汽车UDS诊断详解及Vector相关工具链使用说明——总述

1.什么是诊断 车辆在运行过程中,不可避免地会发生一些故障,为了确保行车安全,我们要求车上的ECU能够实时监测部件的运行状态,一旦发现异常情况,能通过点亮报警灯等方式提示驾驶员。但是,点亮报警灯只能告诉驾驶员车辆发生了故障,最多只能定位到故障ECU,比如ABS报警灯亮说明ABS系统出现故障,但具体是什么部件发生故障并不能通过报警灯显示出来。这时就需要ECU在本地存储一个与故障相对应的故障代码,在进行维修的时候,可以通过车上的OBD接口连接诊断仪,把这个存储的故障代码读取出来,从而进一步定位到更加具体的故障部

weixin_42967006的博客 2万+

Cocos-将RGBA 格式的 Uint8Array数据转成图片

Cocos-将RGBA 格式的 Uint8Array数据转成图片 let data = texture.readPixels(); // 将数据转成图片 let canvas = document.createElement('canvas'); let ctx = canvas.getContext('2d'); let width = canvas.width = texture.width; let height = canvas.height

Morgerfk博客 2828

Codex 桌面端自定义模型列表为空 — 修复记录

摘要:Codex桌面端首次启动正常,但二次启动后出现中文界面且模型列表丢失。问题根源在于Electron的Chromium持久化状态损坏,导致UI渲染异常。解决方案包括:1) 将config.toml中的模型路径改为绝对路径;2) 删除损坏的状态文件.codex-global-state.json;3) 清除Chromium用户数据目录AppData\Roaming\Codex\web。验证显示修改后模型功能恢复正常,重装无效的原因是卸载未清除用户数据目录。

猿小白的博客 1159

杰理AC696N使用ADC检测电位器调音量教程

本教程详细介绍了在杰理AC696N芯片上使用ADC功能检测电位器电压值的方法。主要内容包括:硬件连接方式(电位器VCC/OUT/GND分别接3.3V、PA3引脚和地线),10位ADC配置(0-1023对应0-3.3V),以及核心代码实现。关键步骤涉及ADC采样通道初始化、GPIO引脚配置(关闭数字输入和上下拉电阻),以及通过定时器实现50Hz采样频率。教程还详解了ADC值到系统音量的线性映射算法,并提供了完整的代码示例和调试方法,帮助开发者实现电位器实时控制音量的功能。

qq_42014563的博客 1248

Flex 数组 Array 用法

示例 如何使用示例 下面的示例演示 Array() 函数在参数不是原始值时的行为。 转换为数组的一种常见用法是转换以数组格式存储值的 Object 实例。 如果调用 Array() 时使用了 Object 类型或其它任何非原始数据类型的参数,则对对象的引用将存储在新数组的元素中。 也就是说,如果传递的唯一参数是一个对象,则对该对象的引用将成为新数组的第一个元素。 var obj:Obje

passport_daizi的博客 8404

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")

cocos creator 方法数组_Cocos Creator中按钮组件数组的使用

Cocos Creator游戏开发中经常使用到按钮,特别是大量按钮的情况,此时使用数组来管理这些按钮就显得更具通用性。我大致走了一下官方的示例,好像没有发现有这个小内容(或者有,但我却是没有找到),于是补充此内容如下。典型问题预览如下图展示的界面(图中是我一个小拙例的截图,尚未成熟,等稍后感觉可以分享后再公开): Cocos Creator中按钮组件数组的使用注意到,层级管理上,我使用了一个父节点...

weixin_42347422的博客 133

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Cocos笔记

【代码】Cocos笔记。

qq_54756591的博客 588

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

从明码 CSV 到 AES 加密 TXT:Cocos3.8 游戏数据加密实践

文章摘要: 本文探讨了Cocos3.8小游戏开发中的数据存储安全方案。作者初期使用明码CSV存储存在篡改风险,尝试二进制存储时遇到跨平台兼容问题,最终采用AES加密+TXT文件的折衷方案。思路代码Node.js,在游戏运行时解密使用,兼顾安全性与开发效率。最终代码使用c# winform

wgc2k的博客 1747

Cocos Creator_JavaScript权威指南(第六版)_第7章_数组

数组是值的有序集合。每个值叫做一个元素,而每个元素在数组中有一个位置,以数字表示,称为索引。JavaScript数组是无类型的:数组元素可以是任意类型, 并且同一个数组中的不同元素也可能有不用的类型。数组的元素甚至也可能是对象或其他数组,这允许创建复杂的数据结构,如对象的数组和数组的数组。JavaScript数组的索引是基于零的32位数值:第一个元素的索引为0,最大可能的索引为4294967294...

wy小骑士 4917

Cocos Creator资源导出插件开发:从原理到企业级实践

在游戏开发与团队协作中,资源管理是核心环节,涉及资源的打包、分发与复用。其原理在于通过自动化工具介入引擎资源管线,解析资源依赖图,并处理序列化与文件输出,以此替代繁琐的手动操作。这项技术的核心价值在于提升开发效率、确保资源输出一致性,并能无缝集成至CI/CD流水线,实现工程实践的标准化。典型的应用场景包括跨项目资源复用、多平台(如微信小游戏)的特定资源处理,以及构建热更新包。本文聚焦于Cocos Creator,深入探讨如何开发一个强大的自定义资源导出插件,涵盖其核心架构、依赖处理、UUID管理等关键技术点

weixin_33924220的博客 1615

【Cocos】TypeScript 中的数组类型 和 浅拷贝

两种写法:let nums:number[] = [1,2,3]; let strs:Array<string> = ['a','b','c'];const original = [1, 2, {a: 3}]; const shallowCopy = Array.from(original);// 修改第一层元素 shallowCopy[0] = 10; // 不影响原数组 console.log(original[0]); // 仍然是1// 修改嵌套对象 shallowC

Dxh0112_的博客 379

Cocos Creator小游戏开发实战指南:从入门到性能优化

游戏引擎是游戏开发的核心工具,它通过封装底层图形、物理和音频等接口,为开发者提供高效的创作环境。其工作原理在于将游戏对象抽象为节点和组件,通过场景图进行组织,并利用资源管理与渲染管线驱动内容呈现。掌握引擎技术能显著提升开发效率,实现跨平台发布,尤其在轻量化、快节奏的小游戏领域价值巨大。Cocos Creator作为国内主流的小游戏开发引擎,凭借其友好的学习曲线和强大的TypeScript支持,成为众多开发者的首选。本文聚焦于Cocos Creator的实战开发,深入剖析其核心工作流,涵盖项目初始化、资源动态

weixin_34252686的博客 422

基于Cocos Creator与Node.js的国粹游戏全栈开发实战

实时通信与游戏服务器架构是现代多人在线游戏的核心技术。其原理在于通过WebSocket等协议建立客户端与服务端之间的持久化、低延迟双向通信通道,实现游戏状态的实时同步。这项技术的价值在于能够支撑高并发、强交互的游戏场景,为玩家提供流畅、公平的竞技体验。在棋牌、休闲竞技等应用场景中,实时状态同步与房间管理是关键技术挑战。本文聚焦于国粹类游戏开发,详细阐述了如何利用Cocos Creator进行客户端渲染与交互,并搭配Node.js构建高并发服务端,其中重点解决了**Socket.IO连接稳定性**与**麻将逻

367

6款高质量开源Cocos游戏源码深度解析与学习指南

游戏开发的学习路径中,理论与实践的结合至关重要。理解游戏引擎的核心原理,如数据驱动、物理引擎、动画状态机与UI系统,是构建可维护、高性能游戏项目的技术基础。这些原理在工程实践中体现为清晰的架构设计,例如模型-视图-控制器(MVC)模式,它能有效分离数据、逻辑与表现,提升代码的可测试性和复用性。其技术价值在于,开发者能通过剖析真实项目,掌握从核心算法到系统架构的完整实现,从而高效解决实际开发中的复杂问题。在诸如2D休闲、平台跳跃、卡牌对战和消除类等多元应用场景中,这些技术被反复验证。本文聚焦于通过精选的6款高

ciqiaofu0192的博客 294
上一篇: Cocos开发笔记——渲染(Lable)
下一篇: Cocos开发笔记——事件(EventTarget)
贪小心
博客等级 码龄8年 8774粉丝 108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

贪小心

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