[4月10日的脚本] 更新Windows 8 (PowerShell)

Windows系统下载并安装 Windows PowerShell Set-ExecutionPolicy:拒绝访问注册表项HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\PowerShell\1\ShellIds\Micrsoft.PowerShell。关闭 PowerShell 会话,然后以管理员身份启动新会话。如果返回的版本号为 5.1,则您运行的是 Windows PowerShell 5.1。单击“开始”,单击“所有程序”,单击“附件”,单击“Windows PowerShell”,然后单击“Windows PowerShell”。 阅读详情

[4月10日的脚本] 更新Windows 8 (PowerShell)

脚本下载:RefreshWindows8(PowerShell).zip
http://gallery.technet.microsoft.com/scriptcenter/Script-to-refresh-Windows-eca1e59a

本PowerShell 脚本展示了如何创自定义更新图像。 

Windows Refresh 为您提供了快捷和简单的启动的方式,同时,也维护您的应用程序、数据、Windows设置和用户配置文件。 


 

您可以在微软一站式脚本示例库中找到更多的脚本示例资源:http://aka.ms/onescriptingallery

 

 

 

如何在Windows中查找、启动和使用PowerShell进行脚本编写 PowerShell 是 Windows 中不可或缺的管理工具,掌握它可以帮助用户更高效地管理系统。本文介绍了:- 如何在 Windows 中查找和启动 PowerShell;- 如何调整 PowerShell 窗口的字体和颜色;- 如何查看当前 PowerShell 版本;- 如何编写和运行 PowerShell 脚本。掌握这些技巧后,您可以进一步学习 PowerShell 的高级功能,例如批量管理系统任务、自动化脚本等。希望本教程能帮助您更好地使用 PowerShell! 阅读详情

相关推荐

解决Windows下npm脚本执行受阻的PowerShell策略问题

PowerShell执行策略是Windows系统中控制脚本运行安全的重要机制,它通过不同级别的限制来平衡系统安全性与开发便利性。在Node.js开发中,npm依赖安装常因默认的Restricted策略导致脚本执行失败。理解RemoteSigned等策略的原理后,开发者可以安全地配置当前用户作用域的策略,既解决npm install报错问题,又保持对远程脚本的安全校验。本文针对前端工程化场景,详细解析如何通过Set-ExecutionPolicy命令优化开发环境配置,同时涵盖企业级部署与安全审计的最佳实践方案

weixin_33811539的博客 600

在Windows上安装PowerShell,独立安装,重新安装

启用此功能时,你将在传统 Microsoft 更新 (MU) 管理流中获得最新的 PowerShell 7 更新,无论是包含适用于企业的 Windows 更新、WSUS、Microsoft Endpoint Configuration Manager,还是包含设置中的交互式 MU 对话框。当你添加 IOT_POWERSHELL 功能后,Windows 10 IoT 核心版便会添加 Windows PowerShell,我们可以使用它来部署 PowerShell 7。因此,基于 zip 的安装将不起作用。

4092

windows server 关闭系统更新脚本,使用powershell实现

请注意,直接关闭自动更新可能会导致系统安全性和稳定性风险。在实际操作中,请确保有其他可靠的更新管理机制(如定期手动检查更新或使用WSUS服务器集中管理更新)以维护系统的及时更新。此外,对于生产环境,建议在执行此类脚本前备份重要数据和创建系统还原点,以便在必要时恢复。脚本执行后,会停止并禁用Windows Update服务,并通过修改注册表设置来禁用自动更新功能。要通过编写脚本来关闭Windows Server系统的自动更新功能,可以采用PowerShell脚本实现这一目标。

zengliguang的专栏 1003

Windows下载更新powershell

windows powershell安装&更新

末初 · mochu7 5946

PowerShell管理Windows Defender:从基础命令到自动化脚本实战

在Windows系统管理与安全运维领域,命令行自动化是提升效率的核心技能。PowerShell作为微软官方的脚本语言和配置管理框架,其核心原理在于通过标准化的Cmdlet命令实现对操作系统组件的深度控制。这项技术的价值在于能够突破图形界面的限制,实现批量部署、策略统一和自动化巡检,尤其适用于服务器核心版或无图形界面的场景。在终端安全防护这一关键应用场景中,Windows Defender作为内建的安全解决方案,其高级配置与性能调优往往需要通过PowerShell命令完成。例如,通过Set-MpPrefere

aodanchui1057的博客 509

Windows 10更新服务自动化脚本包.7z

自动化脚本通常指的是一系列预先编写好的命令和指令,这些命令和指令可以在没有人工直接干预的情况下执行,从而实现特定的任务或工作流程自动化。例如,自动化脚本可以用来批量重命名文件、设置系统配置、执行程序安装或更新等。自动化脚本可以通过多种编程语言或脚本语言实现,如Bash、Python、PowerShell等。它们通常小巧易用,可以将日常的重复性工作转化为快速且一致的自动化过程,减少人为错误,提高工作效率。

weixin_31569663的博客 1105

【Windows11】PowerShell 5.X 升级至 PowerShell 7.X 完整指南

摘要: 本文提供从PowerShell 5.1升级至PowerShell 7的完整指南。两者可独立共存(5.1为powershell.exe,7为pwsh.exe)。升级方式推荐使用winget命令行安装(winget install Microsoft.PowerShell)或手动下载GitHub安装包。安装后可通过pwsh命令启动7.0版本,还支持配置5.1自动跳转至7.0(需修改$PROFILE配置文件)。文章详细说明了配置文件的创建方法、执行策略调整以及版本切换技巧,并指出5.1与7.0使用不同的配

该用户很懒, 没有写毛~~ 2万+

利用Microsoft Intune和PowerShell脚本的Windows 10管理优化

PowerShell是一个强大的自动化工具和脚本语言,它为系统管理员提供了一个通过命令行自动化日常任务的能力。Microsoft Intune是一个云基础的设备管理解决方案,它允许企业管理移动设备和桌面电脑。通过将PowerShell脚本与Intune集成,IT专业人员能够远程执行复杂的任务,如批量安装软件、更新系统配置或执行自定义的操作。在本章中,我们逐步了解了如何创建和上传PowerShell脚本至Microsoft Intune,掌握脚本编写的基本技巧,以及如何在Intune中管理这些脚本。

weixin_32747681的博客 1224

用powershell 卸载所有 windows 更新

用powershell 卸载所有 windows 更新,删除所有更新哦谨慎使用。 $KBID = "kb3054862" cls function Remove-Update { $HotFixes = Get-HotFix [int]$count = 0; foreach ($HotFix in $HotFixes) { $count = $count + 1 Wri

段传涛 的专栏 6284

Dual-stream multiple instance learning networks for tumor detection in Whole Slide Image——论文笔记

关于多示例学习的资料网上比较少,但是在医学图像方面还是有人在应用的。主要是因为一般比较大,几个G都是十分常见的,这么大图片是无法直接训练,一般都会进行切图,所以天然契合多示例学习bag和instance的概念。最近看了一篇论文刚好关于这方面的,所以做下笔记。 github地址:https://github.com/binli123/dsmil-wsi paper:https://arxiv.org/abs/2011.08939 背景知识 在多示例学习(MIL)中,一组训练样本被视为包含多个instance的

weixin_41693877的博客 4170

phpstudy自定义安装mysql8.3并启动

下载压缩包文件然后按下面的图片一步一步操作选择版本,选择第一个压缩包文件,下载下载完成后,解压到phpstudy环境目录下

互联网碎碎念 2804

命令 安装_使用PowerShell安装Windows10更新,只需一条命令

尽管更新会在Windows10上自动发生,甚至可以通过“Windows更新”手动下载,但是如果你必须管理多个系统,你正在尝试修补新的安装,或者想要创建自定义脚本来自动化安装过程,你还可以使用命令行在PowerShell上使用PSWindowsUpdate查询和安装缺少的修补程序。PSWindowsUpdate是Michal Gajda开发的一个社区模块,可以通过PowerShell库获得,它包括一...

weixin_42116794的博客 4600

手把手教你用LDR9201芯片DIY高性能Type-C耳机转接头(附电路图)

本文详细介绍了基于LDR9201芯片DIY高性能Type-C耳机转接头的完整实战教程。从芯片选型、电路设计、元器件采购到焊接调试,手把手指导如何打造一个免驱兼容、支持高解析度音频且可通过EEPROM深度定制功能的专属转接头。重点解析了LDR9201作为高度集成的USB音频控制器SoC的优势,并提供了核心电路图与配置指南,适合电子爱好者和硬件开发者实践。

jump7的博客 359

Debloat-Windows-10终极更新优化指南:如何通过脚本彻底掌控Windows更新机制

Debloat-Windows-10是一套专为Windows 10系统设计的优化脚本集合,能够帮助用户通过自动化脚本禁用或移除不必要的系统功能和应用,其中`optimize-windows-update.ps1`脚本可有效改进Windows更新机制,让系统更新更符合用户需求。 ## 为什么需要优化Windows更新? 默认情况下,Windows 10的自动更新机制常常在不合适的时间强制更新,不

gitblog_00923的博客 882

TYPE-C PD协议实战:如何用LDR6028芯片实现边充电边OTG(附完整电路设计)

本文详细解析了如何利用LDR6028芯片实现TYPE-C接口在PD协议下的边充电边OTG功能。通过剖析PD协议双角色协商的核心挑战,提供了完整的硬件电路设计要点,包括Type-C接口配置、电源路径管理及系统框架,并附有调试实战指南,助力开发者构建稳定可靠的一线多用解决方案。

c6d7e8f9g的博客 1131

别再死记硬背Modbus报文了!用Python+Modbus Poll手把手教你调试工业设备

本文详细介绍了如何利用Python和Modbus Poll工具高效调试工业设备通信。通过实战案例和代码示例,帮助读者快速掌握Modbus通信协议的核心配置、数据监控技巧及Python自动化脚本编写,解决工业设备调试中的常见问题,提升工作效率。

weixin_42520780的博客 345

5个简单步骤:用Debloat-Windows-10脚本彻底优化你的Windows 10系统 [特殊字符]

Debloat-Windows-10是一套专门为Windows 10系统设计的自动化优化脚本集合,能够帮助用户快速禁用不必要的系统功能、移除预装应用、优化隐私设置,让系统运行更流畅、更安全。这套脚本特别适合想要精简Windows 10系统、提升性能的用户。 ## 🎯 为什么你的Windows 10需要"减肥"? Windows 10默认安装了大量你可能永远用不到的功能和应用,这些"系统脂肪"

gitblog_00363的博客 841

AHRS互补滤波(Mahony)算法及开源代码

AHRS(Attitude and heading ref AHRS(Attitude and heading reference system,也就是航姿参考系统。在互补滤波算法中传感器主要采用了IMU(陀螺仪、加速度计)和磁力计。 AHRS的基本思想是,在载体没有平移运动的情况下,通过加速度感知重力分量,可以计算出载体的俯仰(Pitch)和横滚(Pitch);磁力计可以感知磁北方向,因此可以计算载体的磁北航向;而陀螺仪测量输出载体的旋转角速度,通过积分可以计算得到横滚、俯仰、航向增量,但由于陀螺输出值含

weixin_42918498的博客 3万+

window10使用powershell脚本进行切换电脑壁纸

使用 PowerShell 编写的简单脚本,可以定时切换 Windows 10 桌面壁纸。让你的桌面更具生机,展示你喜欢的多张图片。

baiyang1943的博客 2050

用业务语义织就企业数据之网:SAP Datasphere 的定位、架构与落地场景全解析

SAP Datasphere作为SAP业务数据云的核心组件,通过语义层整合企业内外部数据,支持实时分析与AI应用。其核心功能包括数据集成、语义建模、虚拟化与仓库能力,通过Spaces实现资源隔离,Data Builder和Business Builder分别面向技术和业务建模。该平台与SAP HANA Cloud、SAC等深度集成,支持财务统一分析、供应链可视化等典型场景,并可通过BW bridge实现传统BW资产云化迁移。Datasphere强调开放互联,能与Databricks等生态伙伴协同,为企业提供

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1366

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

彻底禁用win10自动更新功能及其powershell代码

以下禁用步骤实际上是微软提供的方法,亲测有效: 一,禁用windows Update的更新,参考步骤如下: 1.在windows logo右键输入:gpedit.msc打开本地组策略 2,路径:计算机配置-管理模板-Windows组件-Windows更新 策略名称:指定internal Microsoft更新服务日志 设置:Enabled (只需要配置错误的URL,例如“..”) 3,路径:计算机配置-管理模板-Windows组件-Windows更新 策略名称:删除使......

EbowTang的练习场 7739

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")

终极精简指南:如何用PowerShell脚本将Windows 11系统瘦身50%

你是否厌倦了Windows 11那臃肿的体积和缓慢的启动速度?每次系统更新后,那些你从未使用的预装应用和后台服务都在悄悄吞噬宝贵的磁盘空间和系统资源。今天,我将为你揭示一个革命性的解决方案——tiny11builder,这是一个完全基于PowerShell的自动化脚本工具,能够将Windows 11系统镜像精简50%,让你的电脑重获新生。 ## 为什么需要精简Windows 11系统? 现代操

gitblog_00245的博客 861

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

怎样通过powershell命令关闭win10的自动更新

请注意,禁用自动更新可能会导致系统安全性和稳定性方面的问题。建议仅在特定情况下使用此方法,并在必要时启用自动更新以确保系统的安全和更新。如果服务状态显示为“已停止”,则表示自动更新已成功关闭。这将禁用Windows更新服务。这将停止Windows更新服务。

zqzgng的博客 1734

使用教程:全面优化Windows服务器更新服务(WSUS)的PowerShell脚本

使用教程:全面优化Windows服务器更新服务(WSUS)的PowerShell脚本 1. 项目介绍 Optimize-WsusServer 是一个全面的Windows Server Update Services (WSUS)清理、优化、维护和配置的开源PowerShell脚本。这个项目基于MIT许可证进行分发,旨在帮助系统管理员深度清洁WSUS服务器,移除不必要的更新,提高数据库响应速度,以及...

gitblog_00121的博客 960

【Claude Code】Windows环境下ClaudeCode自定义路径安装及更新PowerShell脚本

本文介绍了一个自定义的ClaudeCode安装更新脚本,解决了官方安装程序无法指定路径的问题。该脚本具有以下特点:支持版本检查更新、强制覆盖安装、指定目录安装、指定版本号安装、自动重试机制、环境变量自动配置、文件校验和备份功能。使用方法简单,可通过参数灵活控制安装行为,如"update-cc -i C:\ClaudeCode"可指定安装目录。脚本采用PowerShell编写,包含完善的错误处理和日志功能,确保安装过程安全可靠。

jk4568的博客 5125
上一篇: [4月9日的脚本] 如何删除Windows 8中的“Windows.old”文件夹
下一篇: [4月11日的脚本] 为IE设置设置选项卡进程增长 (VBScript)
MSScriptSample
博客等级 码龄14年 8粉丝 167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