弯路

那些年学编程走过的弯路 秋招中我走过的那些弯路 阅读详情
初始的目标:
为了做某件事,需要模拟真实的网络,需要一个软件来实现以下功能:节点从网络上接收数据,在节点内部经过处理,主要是进行延迟、抖动和drop,然后发给特定的网络地址,当然对包的处理是可配置的。

经过:
首先,决定自己实现,当时刚刚接触,又是自己一个人在搞,没有仔细调研有没有现成可利用,但是已经觉得用open source的工程改造了。于是评估了2个open source的小工程,看哪个容易改造。谁知发现了ns。

然后,学ns,一段时间后,急于开始实验,也没有发现ns的Emulation组件,于是自己动手开始写,等到基本的应用逻辑部分写完后,开始向ns内整合。这时候需要了解ns的框架和实现机制了,发现了原来ns有emulation组件,狂郁闷。不过这时自己有了一些收获,尤其发现自己现在开发过度依赖多线程模型了,不好。

最后,利用emulation来实现最初的目标。

这只是实验平台的搭建,就走了这么多弯路,而且这当中还有很多其他的事要做。

弯路,是好是坏?弯路就是探索?
BlueROV加舵机控制以及走过的弯路 BlueROV加舵机控制以及走过的弯路 因实验需求,需要在BlueROV上加上一个一自由度的机械臂,由一个水下舵机控制,水下舵机需要通过PWM控制,PWM输出由手柄控制。 思路也很简单:手柄——pixhawk——舵机 就是弯路走了好久。。。。。 一、手柄资源不足? BlueROV在下水实验后发现,现有的按键基本都已经使用。只有上面还有两个按键没有使用,并且不具有保持功能 后面发现,手柄上有一个按键可以设置为shift按键,按住shift键,在按住别的按键可以切换按键的第二功能 二、PWM控制程序需要自己写? 阅读详情

相关推荐

图像调整亮度饱和度 c语言,【C#/WPF】调节图像的HSL(色相、饱和度、明亮度)...

先说概念:HSL是一种描述颜色的方式(其他颜色描述方式还有大家熟悉的RGB值)。HSL三个字母分别表示图像的Hue色相、Saturation饱和度、Lightness明亮度。需求:制作一个面板,包含三个滑动条,拖动滑动条可以修改目标图片的HSL值。即模仿PS中类似的功能,如下图:方案一:遍历所有像素点,修改每个点的HSL值。前台界面:一个Image控件显示目标图片,一个Button按钮点击一下降低...

weixin_39935777的博客 1157

怎么避免一些不必要的弯路

(1)弯路走多了就可以避免不必要的弯路! (2)在走弯路之前先多思考思考!!!

h_tinkinginjava的博客 287

从0开始写Vue项目-环境和项目搭建

什么是VueVue.js - 渐进式 JavaScript 框架 | Vue.js (vuejs.org)2.介绍与描述动态构建用户界面的渐进式JavaScript框架作者:尤雨溪3.Vue的特点遵循MVVM模式编码简洁,体积小,运行效率高,适合移动/PC端开发它本身只关注UI,可以引入其它第三方库开发项目4.与其他JS框架的关联借鉴 Angular 的模板和数据绑定技术借鉴 React 的组件化和虚拟DOM技术5.Vue周边库vue-cli:vue脚手架axios。

不愧是暮言的博客 1485

我所走过的弯路

电影,讲述一段故事,给人一段回味,这就足够了。 电影不复杂,不需要追根究底。我们的生活,也是由若干简单的模式所重复演化而成。这些模式若符合我们的心性和期望,我们就快乐,反之则烦躁,烦躁蓄积到一定程度就会引发崩溃。生活就是这么简单。 改善自己生活其中的模式,你就能获得快乐。          无名特质: 无名特质是我们感受到自身,感受到欢喜自由的时刻; 它存在于地球上的所有生灵中,使我们自然、

瀞心:软件人生 1854

以太网_RGMII接口与GMII接口的转化_03

RGMII接口转GMII接口!

weixin_42499230的博客 380

【CAN总线测试】——使用VH6501 进行Busoff快慢恢复测试

即在IDBase中填标准帧11位二进制ID,如果不满11位,高位补零,凑齐11位,并将下方CurrTriggerField设置干扰前一位AckSlot位,Triggeroffset设置为0。首先确认环境支持VN6501,6501硬件连接成功后,工程的小闪电是正常黄色状态,若是灰色证明缺少License,或者软件安装环境不正确。填写干扰报文ID、干扰位置 注意这里的干扰位置是实际干扰的前一位,TriggerOffset表示偏移量,可以干扰某个字节的具体位.找到并打开Panel后,开启工程,并且配置面板。

LOVE135149的博客 5635

走弯路,才是人生的常态

黄河滔滔,历经九曲方能一泻入海;雅鲁藏布大峡谷的勘探队伍,一路披荆斩棘,曲折回环,才完成心中的梦想。每个人漫长的人生旅程,不可能是一条平滑的直线,弯路才是人生别无选择的主旋律。      我们一生有过多少为了持守真理而留下的创伤,反而成就了可歌可泣的故事,有那些奇迹,才证明这一生没有白活。人生风景线,仅仅只有长命是不够的,还需要广度和深度才算靓丽。      佛学院的一名禅师在上课时把一幅

黄沙百战穿金甲,不破楼兰终不还。 1169

利用Gretna软件计算脑网络的全局属性和局部属性指标

使用Gretna,你可以计算脑网络的全局属性指标(如网络特征、小世界性和模块度),以及局部属性指标(如节点度和聚类系数)。通过Gretna,你可以计算脑网络的稀疏度,并进一步探索网络的特征和特性。Gretna是一款基于MATLAB平台的脑网络分析工具,它提供了丰富的函数和工具箱,用于计算和分析脑网络的结构和功能。在脑网络中,较高的稀疏度可能意味着神经系统的高效性和信息处理能力,因为较少的连接可以降低信息传递的成本。连接矩阵是一个N*N的矩阵,其中N表示节点的数量,矩阵的每个元素表示节点之间的连接强度。

code_program481的博客 1810

非走不可的弯路

非走不可的弯路        在青春的路口,曾经有那么一条小路若隐若现,召唤着我。                         母亲拦住我:“那条路走不得”。        我不信。       “我就是从那条路走过来的,你还有什么不信?”       “既然你能从那条路走过来,我为什么不能?”       “我不想让你走弯路。”       “但是我喜欢,而且我不怕。”     

dahaidao的专栏 1047

【项目实战】使用Python - Mediapipe、OpenCV进行手部面部检测(Python源码)

本文介绍了使用MediaPipe和OpenCV库进行实时面部和手部关键点检测的方法。通过MediaPipe的Holistic模型,可以获取468个面部特征点及每只手21个特征点。文章详细说明了环境配置、模型初始化参数设置,并提供了完整的代码实现,包括视频流处理、关键点绘制和FPS计算等功能。这套方案可应用于手语识别、疲劳检测等计算机视觉场景,为开发者提供了一套高效的开箱即用解决方案。

梦想起飞的地方 484

树莓派 RP2350B 开发环境搭建

本文介绍了树莓派RP2350B开发环境的搭建过程。

张一西的博客 288

不得不走的弯路

在青春的路口,曾经有那么一条小路若隐若现,召唤着我。 母亲拦住我:"那条路走不得." 我不信. "我就是从那条路走过来的,你还有什么不信?" "既然你能从那条路上走过来,我为什么不能?" "我不想让你走弯路." 但是我喜欢,而且我不怕 母亲心疼地看我好久,然后叹口气:"好吧,你这个倔强的孩子,那条路很难走,一路小心." 上路后,我发现母亲没有骗我,那的确是条弯路,我碰壁,摔跟头,有...

无名小卒 214

STM32 IIC温湿度传感器(STH45)实验

精度 ΔRH = ±1.0 %RH, ΔT = ±0.1 °C• 平均电流:0.4 μA,空闲电流:80 nA• I2C FM、CRC 校验和、乘法。I2C 地址。• 专利保护选项 [1]、PTFE 膜和可拆卸保护盖• 工作范围:0 …100 %相对湿度,−40…125 摄氏度• 在冷凝环境中功能齐全• 动力加热器,真正的NIST可追溯性• JEDEC JESD47 认证 • 符合 ISO 17025 : 2017 的传感器专用校准证书,3 点温度校准。

baidu_34971492的博客 3075

新手如何避开机器学习过程中的弯路

一位转型AI的朋友最近抱怨,“走过的最远的路,就是机器学习过程中的弯路”,然后开始各种blablabla,从论文的坑,到模型的坑,再到培训的坑...一路吐槽。 尤其是论文,他骂道:“最讨厌的就是那种,高高在上、假装清高、站着说话不腰疼、戳不到痛点的论文。比如那一堆只能在理论中刷存在感,实际落地中只能‘呵呵哒’的论文,根本就是浪费时间。” 的确,对于现在刚刚入行的机器学习新人来说,不怕吃苦,但最...

优快云高校俱乐部官方博客 564

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")

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。

你走过最长的路,就是机器学习过程中的弯路

营长的一位转型AI的朋友,最近对营长抱怨,“走过的最远的路,就是机器学习过程中的弯路”,然后开始各种blablabla,从论文的坑,到模型的坑,再到培训的坑...一路吐槽。尤其是论文,他骂道:“最讨厌的就是那种,高高在上、假装清高、站着说话不腰疼、戳不到痛点的论文。比如那一堆只能在理论中刷存在感,实际落地中只能‘呵呵哒’的论文,根本就是浪费时间。”的确,对于现在刚刚入行的机器学习新人来说,不怕吃苦...

Lunaqi的博客 1536

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

尊重经验的人,才能少走弯路

学历代表过去,只有学习力才能代表将来,尊重经验的人,才能少走弯路 有一个博士分到一家研究所,成为学历最高的一个人。 有一天他到单位后面的小池塘去钓鱼,正好正副所长在他的一左一右,也在钓鱼。 他只是微微点了点头,这两个本科生,有啥好聊的呢? 不一会儿,正所长放下钓竿,伸伸懒腰,蹭蹭蹭从水面上如飞地走到对面上厕所。 博士眼睛睁得都快掉下来了。水上飘?不会吧?这可是一个池塘啊。 正所长上

dtm19931001的专栏 743

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

学Python再学C++是走弯路?

学完Python再学C++并不是“走弯路”,而是为学生构建了更广阔的编程技能体系。Python让初学者轻松上手,而C++则带领学生深入计算机的核心,掌握高效的编程技巧。两者在编程世界中各有优势,相辅相成。因此,无论是先学Python还是后学C++,只要学生目标明确、兴趣浓厚,都是一条值得探索的学习路径。最重要的是,孩子在学习编程的过程中能够不断积累思维能力和技术实力,为未来的职业发展奠定坚实基础。

邓校长的编程课堂专栏 5117

少走弯路的10个忠告

少走弯路的10个忠告 刚刚走上社会的年轻人,充满了蓄势待发的豪情、青春的朝气、前卫的思想,梦想着丰富的待遇和轰轰烈烈的事业。可是,社会毕竟是一所包罗万象、喧嚣复杂的大学校,这里没有寒暑假,拒绝虚假和肤浅,更拒绝空想和庸碌,难以预告何时开课何时放学。   如何在涉世之初少走弯路,有一个好的开端,开始一番成功的事业?以下是一些先行者积累的10条有益的涉世忠告。好好地遵循、把握这些忠告和...

weixin_30917213的博客 208

成都python培训比较好的机构-成都Python培训班哪个好,怎样才能不走弯路学习

原标题:成都Python培训班哪个好,怎样才能不走弯路学习python入门有多难?自学弯路有多少?只有当自己开始学习了才能体会到其中的艰难,达妹遇见过很多来咨询的学员,他们一开始都打算自学python,但最后都因为学不会,学得太慢而放弃自学,改投达内学习。其实主要是学习中走了很多弯路,而今天达妹就来给大家分享一下,自学python时经常走过的弯路,希望各位都能够了解,避免踩坑! 1.不要看到别人的...

weixin_37988176的博客 302

多总结多成长,少走弯路..

多总结多成长,少走弯路..

浙水之南 505

盘点机器学习过程中的弯路,带你避坑!

授权自AI科技大本营(ID:rgznai100)本文长度为6900字,建议阅读6分钟本文为你解析机器学习路上的弯路,希望能够帮你避坑,更好的学习。一位转型AI的朋友,最近对我抱怨,“走过的最远的路,就是机器学习过程中的弯路”,然后开始各种blablabla,从论文的坑,到模型的坑,再到培训的坑...一路吐槽。尤其是论文,他骂道:“最讨厌的就是那种,高高在上、假装清高、站着说话不腰疼、戳不到痛点的论

深度学习世界 1587

玹疯:这些年我走过的弯路

简介:从澳洲回国,开启阿里旅程,钉钉高级前端技术专家玹疯与你分享他成长路上的故事。作者 | 玹疯大家好,我是钉钉的前端玹疯。取得是射雕英雄传里黄药师弟子陈玄风的谐音。西安人,05年去澳洲读书,毕业于悉尼大学软件工程专业。在澳大利亚生活学习工作了12年,参加过创业公司,咨询师,世界500强,自主创业,于17年回国加入阿里巴巴,在钉钉做前端开发相关的工作。当我拿到这个 Topic 的时候,第一感觉是实在不好意思去分享成长之路,因为自己的成长并不成功,甚至说走了许多弯路。但是转念一想,去分享下这些弯路,未尝不是一

阿里云开发者 4773

【人生感悟】少走弯路的十个忠告

【人生感悟】少走弯路的十个忠告   一、买个闹钟,以便按时叫醒你。贪睡和不守时,都将成为你工作和事业上的绊脚石,任何时候都一样。不仅要学会准时,更要学会提前。就如你坐车去某地,沿途的风景很美,你忍不住下车看一看,后来虽然你还是赶到了某地,却不是准时到达。“闹钟”只是一种简单的标志和提示,真正灵活、实用的时间,掌握在每个人的心中。   二、如果你不喜欢现在的工作,要么辞职不干,要么就闭嘴不言

杨义贤心灵驿站 1138

非走不可的弯路 [转]

在青春的路口,曾经有那么一条小路若隐若现,召唤着我。     母亲拦住我:“那条路走不得。”我不信。“我就是从那条路走过来的”,“既然你能从那条路上走过来,我为什么不能?”“我不想让你走弯路。”“但是我喜欢,而且我不怕。”母亲心疼地看我好久,然后叹口气:“好吧,你这个倔强的孩子,那条路很难走,一路小心。”     上路后,我发现母亲没有骗我,那的确是条弯路,我碰壁,摔跟头,有时碰得头破血流,但我不

MengBoy的专栏 1512
上一篇: 移植到UNICODE
下一篇: Editplus的键自定义:for emacs
MarsProbe
博客等级 码龄19年 1粉丝 13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