数据结构之哈希

【数据结构与算法】哈希算法的原理和应用详解! 在程序员的实际开发中,哈希算法常常能用得到,本文以哈希算法的原理和应用为核心,和大家详细讲解一下哈希算法的概念、常见算法以及原理、在信息安全的应用等等。 一、概念 哈希表就是一种以 键-值(key-indexed) 存储数据的结构,我们只要输入待查找的值即key,即可查找到其对应的值。哈希的思路很简单,如果所有的键都是整数,那么就可以使用一个简单的无序数组来实现:将键作为索引,值即为其对应的值,这样就可以快速访问任意键的值。这是对于简单的键的情况,我们将其扩展到可以处理更加复杂的类型的键.. 阅读详情

数据结构之哈希

  1. 散列方法:利用散列函数进行散列。
  2. 常见的散列函数:(1)取余法:H( Key ) = Key % M
    (2)平方取中法:H( Key ) = Key2 的中间部分,其长度取决于表的大小。
    (3)乘法杂凑函数:H( Key ) =  M * (( * Key ) % 1 )
  3. 如何解决经过hash后两数的hash值是同一个的问题:
    解决方法:(1)线性探测:将hash值相同的两个值存在相邻的表的位置里。
    e.g:H(k) = k % 11,
    这种方法的不足之处:会造成堆积(找值缓慢),且最关键的问题是如果删除恰好占了对应的hash值得第一个值的对应位置的上过一个hash值被删除的位置的话,将找不到下一个值
    (2)二次探测法:hash(k)=d 如果位置被占,则会探测对应的d-1(d+1),(d-2^2) (d+2^2)…的位置
    (3)再hash: 如果hash(k)=d的位置被占,则会在计算一个hash值c然后探测d+C,d+2c,d+3c等位置。
    还可以应用的方法:将两个hash值相同的值存在一个链表里。
Redis第九讲 Redis之Hash数据结构Dict字典哈希算法与hash存储过程 Redis第九讲 Redis之Hash数据结构Dict字典哈希算法Redis第九讲 Redis之Hash数据结构Dict字典哈希算法Redis第九讲 Redis之Hash数据结构Dict字典哈希算法 阅读详情

相关推荐

探究数据结构与算法领域哈希算法的设计要点

本文旨在系统性地探讨哈希算法的设计要点,包括基本原理、实现方法、性能优化和应用场景。我们将覆盖从基础数据结构到高级分布式系统的哈希应用。文章首先介绍哈希的基本概念,然后深入探讨哈希函数设计、冲突解决策略,接着分析高级哈希技术,最后讨论实际应用和未来趋势。哈希函数:将任意大小的数据映射到固定大小值的函数哈希表:使用哈希函数组织数据的数据结构哈希冲突:不同输入产生相同哈希值的情况负载因子:哈希表中已存储元素数量与总容量的比值哈希算法作为计算机科学的基础技术,仍在不断发展和演进。机器学习增强的哈希。

AI 算法实战派 998

HashSet、hashNext、hashCode三者的联系

hashNext:在迭代器中经常用到:判断后面还有没有元素。 Iterator<String> itr = hs.iterator() ;         while(itr.hasNext()){      } HashSet集合:Set集合的子类,不存储重复的元素,同时也不像TreeSet一样添加元素的同时对元素进行排序。 hashCode方法:hashCode方法经常和e...

努力努力再努力 2288

哈希算法在数据结构与算法中的应用现状

哈希算法在数据结构与算法领域具有至关重要的地位。本文章的目的在于全面且深入地探究哈希算法在当前数据结构与算法中的应用现状。具体范围涵盖哈希算法的基本概念、核心原理、相关数学模型,以及其在实际项目中的应用案例和在不同领域的具体应用场景。同时,会对与哈希算法相关的学习资源、开发工具和研究成果进行推荐,帮助读者更全面地了解和掌握哈希算法。本文将按照以下结构进行阐述:首先介绍哈希算法的背景知识,包括目的、预期读者和文档结构。

AI 算法实战派 1023

乘法散列法

按照算法导论的说法,就是利用下公式就行了。 h(k)=floor(m*(kA%1)); 据研究发现 A 取(sqrt(5)-1)/2最好。  所以代码实现就相当简单了: int hash_fun(int key) { return (2<<4)*(key*A-floor(key*A)); } 在这里只是学习罢了!...

weixin_34354173的博客 683

哈希算法:数据结构与算法的核心技术之一

哈希算法是现代计算机科学中不可或缺的核心技术,它通过将任意长度的输入数据映射为固定长度的输出值,实现了高效的数据存储和检索。本文旨在全面深入地介绍哈希算法的理论基础、实现技术和实际应用,帮助读者掌握这一关键技术的本质和应用方法。本文将从哈希算法的基本概念开始,逐步深入到实现细节和高级应用。我们将首先介绍哈希表这一基础数据结构,然后探讨哈希函数的设计原则,接着分析解决哈希冲突的各种方法。随后,我们将通过Python代码示例展示实际实现,并讨论哈希算法在密码学等领域的应用。

AI 算法实战派 1333

【自动驾驶学习笔记——Prescan和Simulink 学习笔记和问题记录(1)】

主要记录一些Prescan/Simulink 联合仿真出现的问题。

ly1336545868的博客 1465

杂凑函数

一般杂凑函数的概念 (一)基本概念 杂凑函数又称为Hash函数,报文摘要函数等。其目 的是将任意长度的报文m压缩成指定长度的数据H(m)。 H(m)又称为M的指纹。 基本要求:实现压缩;容易计算 (二)杂凑函数应满足的条件 (1) H能够应用到任何大小的数据块上; (2) H能够生成大小固定的输出; (3)对任意给定的x,H(x)的计算相对简单,使得硬件 和软件的实现可行; (4) 对于任意的y,要发现满足H(x)=y的x是计算上不 行的; (5) 对于任意给定的x1, 要找到满足H(x2)=H(x),

weixin_44932880的博客 5003

从零开始学DAG:用dagitty软件快速构建因果图的5个步骤

本文为初学者提供了使用dagitty软件快速构建因果图的5个实用步骤。通过一个公共卫生研究实例,详细演示了如何从定义核心变量开始,逐步引入混杂、中介和碰撞变量,最终利用dagitty的自动分析功能识别最小充分调整集,从而科学指导研究设计与统计分析,有效提升因果推断的严谨性。

ii567的博客 800

数据结构-第五章 散列

第五章:散列

SpriCoder的博客 1598

AlphaFold2算法详解

正文:https://www.nature.com/articles/s41586-021-03819-2 补充文件:https://static-content.springer.com/esm/art%3A10.1038%2Fs41586-021-03819-2/MediaObjects/41586_2021_3819_MOESM1_ESM.pdfhttps://static-content.springer.com/esm/art%3A10.1038%2Fs41586-021-03819-2/Med

Daisy4的博客 1万+

【学长笔记】点亮 STM32F411CEU6 板载 LED —— 入门级教程

本文提供了STM32F411CEU6开发板(Black Pill)点亮LED的完整教程。详细介绍了硬件信息(板载LED连接PC13,低电平有效)、CubeMX配置步骤(GPIO输出模式)、Keil5工程设置及完整代码实现(包含GPIO初始化和系统时钟配置)。教程还涵盖ST-Link下载器连接方法、程序下载步骤(需配合BOOT0按键操作)以及验证程序运行的方法。该教程特别适合STM32初学者,通过简单的LED闪烁示例快速入门STM32开发。

apple_53308981的博客 1328

哈希表创建以及哈希表迭代hasNext()与next()方法理解

认识哈希表: 哈希表既是一种查找方法,又是一种存贮方法。我们通常再查找过程中希望能够不经过任何比较,一次便能得到所查记录。不过这是理想状态下。 哈希表:即散列存储结构。 散列法存储的基本思想:建立关键码字与其存储位置的对应关系,或者说,由关键码的值决定数据的存储地址。 优点:查找速度极快(O(1)),查找效率与元素个数n无关! 例1:若将学生信息按如下方式存入计算机,如: 将2001011810201的所有信息存入V[01]单元; 将2001011810202的所有信息存入V[02]单元; …… 将2001

qq_41914142的博客 1839

8.5华为OD机试真题 新系统 - 最长不连续子串 (Java/Py/C/C++/Js/Go)

8.5华为OD机试真题 新系统 - 最长不连续子串 (Java/Py/C/C++/Js/Go)

算法大师! 631

Redis数据结构-Hash哈希

ziplist(压缩列表):当哈希类型元素个数小于hash-max-ziplist-entries配置(默认为512个),同时所有值小于hash-max-ziplist-value配置(默认为64个字节)时,Redis会使用ziplist作为哈希的内部实现,ziplist使用更紧凑的结构实现多个元素的连续存储,所以在节省内存方面比hashtable更加优秀,但是读写元素比较慢。几乎所有的主流编程语言都提供了哈希(Hash)类型,它们的叫法可能是哈希,字典,关联数组,映射。优点:简单,直观,灵活。

2301_76928097的博客 1696

17、激光切割焦点位置和入射角对切割质量的影响研究

本研究通过响应面方法(RSM)结合Box-Behnken设计,系统分析了激光功率、切割速度和气体压力对SS 304不锈钢激光切割质量的影响,重点探讨了三种不同喷嘴在不同聚焦条件下的切缝比和条纹深度变化规律。实验结果表明,激光功率、切割速度和气体压力对切割质量具有显著影响,且不同喷嘴因焦点位置差异表现出不同的响应趋势。通过回归建模与优化,确定了最小激光功率、适中切割速度和最大气体压力为最优参数组合,可实现最小切缝比和较优条纹深度。研究为实际激光切割工艺提供了科学的参数选择依据和操作流程建议,有效提升了切割精度

mm9012的博客 127

YOLOv10 的损失函数解析

YOLOv10 在 YOLO 系列的演进中进一步优化了任务解耦与动态平衡策略,通过 ​多模态损失融合、自适应样本分配 和 ​轻量化设计,显著提升了检测精度与推理效率。

浩瀚之水的专栏 1380

计算与数据结构篇 - 哈希算法 (Hash)

计算与数据结构篇 - 哈希算法 (Hash) 哈希算法的定义和原理非常简单,基本上一句话就可以概括了。将任意长度的二进制值串映射为固定长度的二进制值串,这个映射的规则就是哈希算法,而通过原始数据映射之后得到的二进制值串就是哈希值。 构成哈希算法的条件: 从哈希值不能反向推导出原始数据(所以哈希算法也叫单向哈希算法) 对输入数据非常敏感,哪怕原始数据只修改了一个 Bit,最后得到的哈希值也大...

stark张宇 1万+

ThingsBoard教程(七):模拟设备遥测

前言 各位读者好,截止目前,ThingsBoard系列文章已经做了六篇,分别是 ThingsBoard教程(一):ThingBoard介绍及安装 ThingsBoard教程(二):租户,租户配置,部件组模块的使用 ThingsBoard教程(三):系统设置模块的使用 ThingsBoard教程(四):规则链简介与操作 ThingsBoard教程(五):客户,资产管理 ThingsBoard教程(六):设备管理 上一篇我们讲解了如何使用设备管理来对设备进行增删改查,和设备配置的一些基本概念,本篇文章就带大

知无涯 4586

数据结构哈希(hash)

数据结构哈希(hash)的超详细介绍,感兴趣的宝子千万不要错过!!!

wer24_25的博客 1397

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")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

哈希Hash数据结构

哈希表(Hash Table)是一种数据结构,用于实现键值对的存储和快速检索。它通过将键映射到数组的索引位置来实现高效的查找操作。哈希表通常由一个数组和一个哈希函数组成,哈希函数用于将键映射到数组索引位置。哈希函数:哈希函数是哈希表的核心,它接受一个键作为输入,并输出该键对应的哈希值。好的哈希函数应该能够将键均匀地映射到数组的不同位置,减少哈希冲突的发生。数组:哈希表的底层数据结构通常是一个数组,每个数组元素称为“桶”或“槽”,用于存储键值对。

刘皇叔说Java的博客 1404

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Redis 哈希Hash底层数据结构

但是,由于每个操作都需要重新分配ziplist所使用的内存,因此实际的复杂性与ziplist所使用的内存量有关。<uint32_t zlbytes>: 一个无符号整数,用于保存ziplist占用的字节数,包括zlbytes字段本身的四个字节。Redis数据库就像是一个哈希表,首先对key进行哈希运算得到哈希值再取模得到一个下标,每个元素是一个节点,节点之间形成链表。不同的数据类型的实现方式是不一样的,可以通过object encoding命令查看底层真正的数据存储结构。linkedlist是一个双向链表。

mf97532的博客 969

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。

数据结构随笔 hash,哈希

哈希算法(散列函数) 散列函数可以把数据进行压缩,使得数据量变小,将数据的格式(长度)固定下来。 (能将复杂的数据转换成 固定格式的数据) 哈希值 通过哈希算法得到的任意长度的二进制值映射为较短的固定长度的二进制值 PS:类似于y=f(x),其中发f()为哈希算法,y为哈希值 哈希冲突 我们想要的哈希,是为了实现一对一的关系,才能保证唯一性,但是在有的情况下,两个不同的数经过哈希变换之...

qj4865的博客 501

数据结构之哈希算法

1:什么是哈希算法? 将一个任意长度的二进制串映射为固定长度的二进制串的算法,我们叫做是哈希算法,其中固定长度的二进制串结果叫做哈希值。 比如md5算法就是一种哈希算法,md5算法将任意长度的二进制串映射为长度128bit的二进制串。 2:一个合格的哈希算法需要满足哪些条件? 1:哈希冲突概率极低 2:差别很小的原始串哈希的结果差别也要很大 3:哈希计算速度快(如md5算法加密4000个字左右的汉字只需要1ms左右) 4:无法反向从哈希值推到出原始值 3:哈希算法都有哪些应用? A:加密(密码存储)

wang0907的博客 3702

算法与数据结构面试宝典——哈希算法万字全面解析

当产生哈希冲突时,无论是开放寻址还是链地址法,。如果哈希冲突过于频繁,哈希表的性能则会急剧劣化。如下图所示,对于链地址哈希表,理想情况下键值对平均分布在各个桶中,达到最佳查询效率;最差情况下所有键值对都被存储到同一个桶中,时间复杂度退化至On。。观察以上公式,当哈希表容量capacity固定时,hash(),进而决定了键值对在哈希表中的分布情况。这意味着,为了减小哈希冲突的发生概率,我们应当将注意力集中在哈希算法hash()的设计上。

白话机器学习 1247

数据结构与Python算法——哈希算法

在使用哈希算法时,第一步是用哈希函数将关键字转化为数组的一个索引。理想情况下,不同的关键字都能转化为不同的哈希值。当然,这只是理想情况,所以我们需要面对两个或多个关键字都映射到相同的哈希值的情况。因此,哈希算法的第二步就是一个处理冲突的过程。解决哈希冲突的方法有很多种,如开放定址法、链地址法、二次再散列法、线性探测再散列等方法。

shame_Joker的博客 1758

数据结构与算法——(Hash)哈希表与哈希算法

哈希算法(Hash Algorithm)是一种将任意长度的输入(称为预映射或消息)转换成固定长度输出(称为哈希值或散列值)的函数。哈希值通常是一个较短的、固定长度的数字串,它几乎唯一地对应于原始数据。

Lemon 1301
上一篇: 关于二进制整数的加减法以及其他运算
下一篇: 环
锋魂
博客等级 码龄7年 9粉丝 18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