SoC上的内存

ROM、RAM、IROM、IRAM、DRAM、SRAM、Flash 1 ROM 、RAM、IROM、IRAMROM:read only memory 只读存储器ROM是指程序运行的过程中不能直接通过数据总线、地址总线进行数据的写操作,必须借助于相关的控制器接口来进行数据的写操作。RAM:ramdom access memory 随机访问存储器IROM:internal rom 内部ROM,指的是集成到SoC内部的ROMIRAM:internal ram 内部RAM, 阅读详情

SoC有基于应用程序的内存。这些存储器是用于计算的半导体存储器块。半导体存储器通常是指在单个硅片上制造的金属氧化物半导体存储器单元。内存类型包括:

易失性存储器:断电后会丢失数据的存储器。它们需要恒定的电源来保存信息。易失性存储器更快、更便宜,这也是被大众所接受的原因。

RAM是一种易失性存储器。最常用的RAM是SRAM和DRAM。SRAM由1、3或6个晶体管组成的存储单元组成。相反DRAM只有一个MOSFET和一个根据FET状态进行充放电的电容。然而DRAM容易受到电容泄漏电流的影响。DRAM的一个显著优点是它比SRAM便宜。如果一个SoC有一个缓存层次结构,SRAM被用于缓存,DRAM被用于主存储器。这是因为与主存相比,高速缓存需要更快的内存类型。

也有专为非易失性函数设计的RAM类型。例如FRAM和MRAM,它以磁性状态存储数据,PRAM(参数随机存取存储器),它在Macintosh计算机中用于存储系统设置,包括显示和时区设置。还有RRAM(电阻随机存取存储器),它有一个叫做记忆电阻的组件。记忆电阻是一种电阻,其电压随所施加的电压而变化。

非易失性记忆:即使在没有电源的情况下也能保留信息的记忆。ROM(只读存储器)是一种非易失性存储器。ROM的类型包括EPROM(可擦可编程只读存储器),它是一组浮动栅晶体管。紫外线可擦可编程只读存储器(紫外线可擦可编程只读存储器),用紫外光擦除并重新编程数据,EEPROM(电可擦可编程只读存储器)和闪存。

选择的内存类型取决于设计规范和应用程序。
在这里插入图片描述

【数字IC验证快速入门】2、通过一个SoC项目实例,了解SoC的架构,初探数字系统设计流程 SoC是基于通用处理器这样的思路进行设计的,与PC设计思路一样。即通用处理器是由 CORE + MEM 两部分组成,修改软件来实现不同的功能,电脑还是同一个电脑,硬件组成还都是一样的。SoC架构图四大组成部分:SoC总的架构图如下:对于核来讲,现在主流的核有三类:架构图,左上角为SoC系统的核,此处使用的是ARM 公司的Cortex-M3/M4内核。同时,I-Code表示指令代码,D-Code表示数据代码。JTAG用来调试芯片,下载调试程序使用。架构图,中间部分为SoC系统的存储,此处包含PFlash和SR 阅读详情

相关推荐

SoC嵌入式软件架构设计之二:没有MMU的CPU实现虚拟内存管理的设计方法

多个应用程序在同时竞争使用同一块物理内存,其必然会导致某个时刻只存在程序的某个片段在执行,也即是所有程序代码和数据分时复用物理内存空间—这就是内存管理单元(MMU)工作核心作用所在。 本文要谈的是控制器领域SoC的内存管理单元的软、硬件设计,其重要的理念同样是代码和数据分时复用物理内存空间,在保障系统功能和性能的基础上最大限度地节省物理内存的目的。

嵌入式企鹅圈 8274

EEPROM芯片(24c02)使用详解(I2C通信时序分析、操作源码分析、原理图分析)

(1)在嵌入式开发中,EEPROM的实际场景比闪存flash少很多。EEPROM芯片容量小,flash容量大,并且flash价格便宜;(2)EEPROM的读写速度一般比flash慢;(3)EEPROM大多是I2C接口,占用的引脚比flash少;(4)EEPROM比flash掉电保存数据的时间更久,总体来说就是更稳定;《嵌入式开发——EEPROM和FLASH的区别和优劣势》;引脚名称引脚作用SCLI2C的时钟线SDAI2C的数据线E0、E1、E2决定从地址WE。

weixin_42031299的博客 1万+

手把手教你学GPU SOC--基本概念:SoC的内存修复技术

SoC的内存修复技术是一项关键技术,它不仅提高了芯片的成品率,减少了浪费,还增强了系统的整体可靠性和性能。通过合理的设计冗余结构和有效的修复流程,可以使芯片在面对制造缺陷时依然能够达到预期的功能和性能标准。这对于推动半导体工业的发展具有重要意义。通过上述步骤,我们可以有效地修复内存中的缺陷,提高芯片的成品率和可靠性。冗余设计:在设计阶段加入冗余资源,为后续的修复提供基础。BIST电路:利用内置自测试电路自动检测内存缺陷。地址重映射:通过更新地址映射表,将访问重定向到冗余资源。熔丝编程(可选)

MHD0815的博客 883

I2C总线(三)裸机驱动程序

S5PV210的I2C控制器有三个主要的寄存器,分别是I2CCON、I2CSTAT、I2CDS。 SOC内部内置了硬件控制器来控制通讯时序,写软件时只需要向控制器中写入配置值即可,控制器会产生适当的时序在通信线上和对方通信。 1. 结构框图 (1)时钟部分,时钟来源是PCLK_PSYS,经过内部分频最终得到I2C控制器的CLK,通信中这个CLK会通过SCL线传给从设备。 (2)I2C总线...

跬步千里,窥叶知秋 1388

手把手教你学 GPU SoC 芯片(6.3)--GPU soc内存优化的内存带宽优化

通过上述方法和技术,可以显著优化GPU SoC的内存带宽,提高性能和能效。具体选择哪种方法取决于具体的应用场景和需求。

MHD0815的博客 1148

SoC内存测试优化方法

随着SoC中嵌入式内存占比超过60%,高效内存测试至关重要。本文提出一种基于MBIST的优化方法论,通过权衡测试时间与面积开销,结合串行/并行MBIST和逻辑内存关联技术,在不增加测试时间的前提下显著降低MBIST面积。实际案例显示平均面积减少17%,最高达52%。

b9c0d的博客 936

SOC系统内存储体系(FLASH、SRAM、DRAM等)

片内存储器: 1、寄存器:处理器内部的reg通常由十几个到几十个,读取速度最快,用来缓存程序运行时频繁使用的数据(局部变量,函数参数等)。 2、Cache:缓存由SRAM构成,速度仅次于寄存器,对指令和数据进行缓存,降低存储器与片外存储的交换频率。Cache通常分1、2、3级缓存。 3、ROM:用来存放SOC系统的启动程序(bootloader等),启动程序从外存(Flash等)读取系统程序和应用程序,送到主存。 片外存储器: 1、片外主存(DRAM):用于存放当前正在运行的系统程序、应用程序、数据、堆栈.

weixin_43274923的博客 7254

SoC memory RTL 仿真初始化工具(源码)

当SoC系统中,挂载多个DDR颗粒时,讲大的数据流如何初始化到memory model中,是个问题,本工具可以根据,cloum,row,bank 的地址将一个二进制的数据文件,分割成多个DDR颗粒初始化文件,使用readmemh进行分别初始化, 也可以用来转换二进制文件,到xilinx的COE文件中,只需要稍加修改就可以了 使用VC6.0开发

SOC--内存控制器

SOC(System on Chip)中的内存控制器是一种硬件设备,用于管理 SOC 内部的内存资源。内存控制器通常包括以下几个主要功能:地址映射:内存控制器负责将物理地址映射到逻辑地址,以便 CPU 可以访问内存中的数据。地址映射通常由一系列寄存器来实现,这些寄存器可以配置为不同的模式,以适应不同的内存结构和访问需求。时序控制:内存控制器负责控制内存的操作时序,包括刷新周期、行地址切换时间、列地址切换时间等。这些时序参数通常在 SOC 的配置文件中预先定义好。

MHD0815的博客 1261

一文读懂医疗大模型测评基准

面对市场上浩若星海的大模型,医院管理者如何采购适合自身场景的解决方案?如何选取好的模型作为基础进行课题研究?都是医院需要特别重视的问题。评测基准则benchmark是这些问题的重要解法,国内北京、上海、浙江已然开展了相关的标准化工作。

dz102的博客 1848

从零开始:手把手教你规划与部署华为FusionCompute虚拟化平台(含网络规划避坑指南)

本文详细介绍了华为FusionCompute虚拟化平台的规划与部署流程,特别针对网络规划中的常见问题提供了避坑指南。从硬件软件清单检查、网络平面配置到VRM部署方案选择,帮助用户高效完成部署并优化性能,适用于云计算环境中的虚拟化平台搭建。

weixin_28693447的博客 244

原理 — SoC 内存控制器

想要理解内存系统,就必须理解 SoC 中的内存控制器 .....

瘾君子 1238

智能工厂评估模型研究

摘要:通过对国内外现有智能制造评估模型的研究,结合重庆制造业行业领跑者与落后者之间差距大的现状,以实现全要素全连接的数字化工厂为出发点,融合工业互联网标识,构建实践可行的智能工厂评估模型推动中小型企业参与智能制造转型,缓和两极分化问题。本评估模型包含工厂体系架构的3个层级,提供用于推动智能制造转型的参考,包括设计、生产、管理的全过程评估。关键词:智能制造评估模型;智能制造转型;全连接工厂;工业互联网标识0 引言受行业需求与技术创新的影响,全球制造业在历经了工业1.0机械化、工业2.0电气化和工业3.0自动

罗伯特技术屋 679

乐鑫 SoC 内存映射入门

通过阅读这份技术博客,并结合乐鑫 SoC《技术规格书》和《技术参考手册》,相信您可以更好地理解乐鑫 SoC 的内部结构。

乐鑫 Espressif 767

2、硬件工程师笔试面试汇总(2025版本)

本文摘要:文章系统梳理了硬件工程师笔试面试中的电子元器件知识要点,涵盖电阻、电容、电感、二极管、三极管、MOS管等器件的工作原理、选型要点和应用场景。详细解析了UART、I2C、SPI等通信协议的特点及实现方式,并探讨了电源管理、信号处理、PCB设计等核心问题。针对常见电路如放大电路、滤波电路、逻辑电路等提供了深入分析,同时介绍了示波器使用、单片机系统设计等实用技能。文章还包含器件封装、电平转换、时序分析等工程实践内容,并附有相关真题解析和仿真实验指导,为硬件工程师提供全面的技术参考。

XU157303764的博客 9013

PDBfixer:蛋白质结构修复工具

本文介绍蛋白质数据银行(PDB)文件常见问题及修复工具PDBFixer的使用方法。PDB文件常存在缺失原子、残基等问题,PDBFixer可通过GUI、命令行或Python API实现自动化修复。文章详细说明安装方法、命令行参数、Python脚本修复流程及非标准残基替换表,并与Modeller、ColabFold和Rosetta Remodel等其他修复工具进行对比分析,提供了各工具的特点、适用场景和典型计算时间比较,帮助用户根据具体需求选择合适的修复工具。

Protein Designer的博客 613

SoC嵌入式软件架构设计之一:系统内存需求评估

内存是SoC(System on Chip,片上系统)集成设计的重要模块,是SoC中成本比重较大的部分。内存管理的软硬件设计是SoC软件架构设计的重要一环,架构设计师必须要在成本和效率中取得平衡,做到在节省内存的同时保证整个系统的性能。系统内存需求评估是对嵌入式软件架构师的最基本要求,同时也是其最重要的技能之一。一般在SoC项目立项的时候,架构师就要完成系统内存需求评估。

嵌入式企鹅圈 8090

黑猫带你学eMMC协议第12篇:生产状态感知(PSA)

1 概述 1.1 什么是PSA Production State Awareness (PSA) 生产状态感知 e•MMC设备可以利用其是否在生产环境中的信息,从而在现场运作时进行不同的操作。 例如,在设备低温焊接(soldering)前,将数据写入emmc,可能导致数据出错,而正在焊接期间写入数据,出错的概率可能会更大。在低温焊接之前,emmc设备可以使用一种特定的内部操作去加载内容,这样就能减少数据出错的概率,而在低温焊接后进行常规的操作就行了。 1.2 psa如何进行工作? PSA存在于emmc5.0

黑猫奥利奥的博客 4264

linux soc 程序崩溃,SOC、FLCK和内存之间的关系,以3900X+X570为例(更新PCIE4.0)

本帖最后由 twfox 于 2019-9-28 16:31 编辑ZEN2发售到现在,SOC电压谈的都比较少,记得在1700X和2700X时代,SOC电压一般都设置在1.15v,特别是1700X时代,SOC如果设置低于1.15v可能3200都费劲,毕竟首发的时候大家内存都在2933卡了蛮久;由于2700X相对1700X几乎没有提升的内存频率,对SOC大家基本没什么概念,AUTO或者习惯1.15v足矣...

weixin_42364040的博客 1135

【报错解决】OpenClaw 报错 `openclaw: command not found`:全局命令未加入系统 PATH 的深度排查与修复指南

在国产AI工具链开发中,OpenClaw作为关键命令行工具常出现command not found报错。本文深度分析该问题的根源——Linux环境变量PATH未包含用户级安装目录(~/.local/bin)。通过四种解决方案(临时PATH修改、永久配置、软链接、虚拟环境处理)和排错Checklist,揭示"命令存在却找不到"的本质是路径配置问题,特别适用于Docker/国产Linux/非root环境。文中强调理解Linux工具链机制对国产AI开发的重要性,并指出这是开发者掌握环境

博客 5385

【Burp入门第三十三篇】BurpSuite+Proxifier安装配置,实现微信小程序抓包

本文介绍Burp+Proxifier安装配置,实现微信小程序抓包

等风来 5876

车规SoC的内存安全:ECC、MPU、内存隔离,如何守住功能安全的边界?

ECC、MPU/PMP、内存隔离这三个机制,分别从硬件可靠性、软件访问控制、多主体隔离三个维度,共同构建了车规芯片的内存安全体系。没有ECC,随机位翻转可能以极小的概率悄然改变控制逻辑;没有MPU,一个QM模块的软件bug可能污染ASIL-D模块的数据;没有内存隔离,集成度更高的SoC反而可能引入更多安全隐患。这三者不是可选配置,而是车规SoC必须具备的基础安全设施。理解它们的工作机制和局限,是做好汽车电子系统设计的必要前提。

2601_95076426的博客 351

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")

Xilinx ZYNQ SOC入门基础之使用SDK自带程序测试内存及DRAM实验

引言:上一篇文章我们介绍了ZYNQ SOC设计流程及Hello Word实验,本节我们在上一节实验的基础上继续使用Xilinx SDK自带的测试例程测试内存和DRAM,以验证SOC芯片及SDRAM是否可以正常工作,实验内容包括: ZYNQ SOC片上内存测试 DDR3 DRAM测试 1.实验系统框图 本实验系统框图如图1所示。 图1、实验系统框图 2.硬件平台设计 本节硬件平台与上...

FPGA_Designer 1万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: EEPROM和FLASH在大多数应用场合中无法替代SRAM
下一篇: SRAM VS DRAM
NETSOL
博客等级 码龄6年 35粉丝 154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