ACM 这一路走来

ACM新生赛部分题解 2021级的ACM新生赛已经完结了,我就自己做出来的八道题整理一下题解,因为其他是真的不会。 阅读详情

今年ACM大概打完了,不知道明年的打不打的玩。先谢谢自己现在的女票,真的帮我做了好多233最近先好好陪陪她吧-0-今天下了飞机说带她去星爸爸一起码代码感觉很开心2333。

//不知道自己队友会不会看2333
我的代码一直有两个thanks to
第二个是给我现在女票的
第一个是个让我下决心打好ACM的人,不知道现在算打好了么应该还是挺菜的吧。这次打了个铜都感觉没什么好跟她说的。
想想自己从什么时候真的开始打ACM呢,大概真的是从那个晚上开始的吧。从梅赛德斯奔驰乘地铁到镇坪路,然后从镇坪路暴走几公里到了他寝室门口。在那里聊了很久很久,知道了她很多,在她面前哭了一次,下了个决心打ACM,要对得起自己。
然后就是每天熬夜,从一开始啥都不会,dfs模版题都一直写错,bfs像天书一样到现在打了个铜,自认为至少付出了。
跟队友上个寒假提前回来,天天就是住在实验室,买了睡袋(虽然现在被没收了,检讨还没写呢2333)
在实验室不是码代码就是上课了两三个礼拜,最后睡袋被没收只能住回寝室。
跟两个队友吵过很多次,嫌弃东东不刷题不打cf,嫌弃特斯拉就知道刷自己数学题不做acm题。结果到了场上感觉自己是最拖后腿的人。那么多数据结构一点思路都没有,就签了两个到。代码bug巨多,帮队友码思路都要debug好久,数组开小了debug了有一个小时浪费了好多时间,要是我早点debug出来说不定队友就有机会能改公式了。
好像再有一场啊,不甘心就拿了个铜,每次都觉得离银就差那么一点点,再跨半步,就能够到银了。

不知道有谁会看到这个鬼博客2333希望都能好好打吧。到了赛场上不会做题的无助感真的很绝望。最后跟队友坐在一起滚榜的时候心都要跳出来了。真的明白了喜极而泣是什么意思。封榜之前150+。看着后面的人一个个滚榜滚上去,最后铜牌停在3题290+罚时的位置。赶紧回想自己罚时多少。自己用手机找外榜看罚时的时候手指点手机屏幕都在抖。看到自己罚时比290少的时候真的快哭了。至少努力了这么久还算没白费。

互勉吧。

ACM中常用算法----字符串 ACM中常用算法—-字符串ACM中常用的字符串算法不多,主要有以下几种: Hash 字典树 KMP AC自动机 manacher 后缀数组 EX_KMP SAM(后缀自动机) 回文串自动机 下面来分别介绍一下:0. Hash字符串的hash是最简单也最常用的算法,通过某种hash函数将不同的字符串分别对应到不同的数字.进而配合其他数据结构或STL可以做到判重,统计,查询等操作. #### 字符串的h 阅读详情

相关推荐

ACM之路-算法路途

曾几何时,我还是个啥都不知道的毛头小子。曾几何时,我已成为了ACM竞赛队的一名成员。又曾几何时,我现在变成了ACM竞赛队的负责人。在我们这样的弱校,ACM队伍固然对于其他学校来说,不过就是一直旅游队吧,一支垫底队伍吧,我们没有自己的天资,我们没有良好的基础,我们没有优秀的领队,我们没有出众的大牛,甚至我们ACM竞赛队都是不主动招新的默默无闻的队伍,能唯一维持的我们ACM队伍的就是一个机房,一个老师,

欢迎来到bestcoder_judge的异次元博客 1508

第八届山东省acm省赛总结

打了个酱油,还是挺难过的,还好早就习惯了这种心态了,也打击不了我。 先说下滚榜,滚榜的时候还是挺激动的,毕竟封榜的时候就在榜单末尾了,随时都可能从榜上滚下来,结果也是意料之中的滚下来了。 比赛开始首先A掉I题,G题因为我在做I题的时候把提示的修改题目的信息关掉了,导致不知道题目修改数据了,wa了好几发,幸好tzc在pc2各页面乱翻的时候找到了修改题目的提示,不然恐怕要wa到比赛结束了。A完这两...

梦幻的蔷薇色 1267

基于MYD-YT153与AD7616的16通道高速ADC采集系统实战指南

在嵌入式系统与工业数据采集领域,模拟信号采集是连接物理世界与数字系统的关键技术。其核心原理是通过模数转换器(ADC)将连续的模拟电压信号转换为离散的数字码值,供处理器处理。这项技术的价值在于实现了对温度、压力、振动等关键物理量的精确感知与数字化,是工业自动化、设备监测、科学实验等场景的基石。本文聚焦于**多通道**、**高精度**采集这一常见需求,深入剖析如何利用全志T153处理器的LocalBus并行总线接口,高效驱动ADI的16位、16通道同步采样ADC芯片AD7616,构建一个稳定可靠的高速数据采集系

weixin_30335353的博客 443

ACM封榜滚榜技术记录(qduoj)

封榜 在计划时间,关闭management里的contest管理的Real Time Rank和Status,实现封榜。 滚榜 待更新…

Zyh's blog 2902

恶意代码实验3:Word宏病毒实验

只要下次打开这个word文档,就会执行以上代码,并将自身复制到Normal.dot(word文档的公共模板)和当前文档的ThisDocument中,同时改变函数名(模板中为Document_Close,当前文档为Document_Open),此时所有的word文档打开和关闭时,都将运行以上的病毒代码,可以加入适当的恶意代码,影响word的正常使用,本例中只是简单的跳出一个提示框。回答不正确三次,即可自动跳出病毒程序,但那时已经出现几十个文档。1、打开的宏编辑器如图所示,即可编写病毒代码。

qq_63949327的博客 6505

ADS交叉耦合振荡器VCO仿真

本文主要参考视频中如何使用进行ADS交叉耦合振荡器仿真和分析,由于视频中有诸多错误和视频清晰度较低,虽然视频博主及时改正,为了节省学习时间,可以直接参考本文。

qq_32589131的博客 5427

ACM竞赛策略及小注意事项

ACM 竞赛注意事项

m0_71417856的博客 2778

短视频团队架构&工作流程---2025.3.30

1、负责短视频日常内容分发上线,包括视频头图、标题、简介、推荐位及部分内容元数据的日常导入、审核、上线、下线,并提供各品类短视频的内容上线计划表。(20)运营:视频推送后,实时跟进视频数据,定期统计分析数据报表,根据数据表现 找到问题,并发送给各个小组的负责人,对下一期视频内容进行调整。(4)运营:收到成片,设计视频头图、标题、简介、推荐位等,分发到各个平台,统计分析视频的数据,对各个平台的视频进行管理、用户互动等。1、负责影视、戏剧、广告、专题片等的策划、组稿选题、材料收集、内容策划。

超越神明 2153

打了三年ACM,拿了几个金牌

作者:阿秀阿秀的求职笔记:https://interviewguide.cn你好,我是阿秀。前段时间一个学弟找我咨询计算机找实习,聊天中意外得知他是南阳理工大学的,我顿时就来了兴趣,在我的...

博客 8238

基于LUT表对鱼眼图像进行畸变校正

当然也可以进行图像的畸变校正操作,已知相机的焦距为fx/fy,光心为cx/cy,像素大小为p(单位mm/pixel)对于畸变校正结果图中像素点(u,v),其对应的原图中的像素坐标(u',v')的计算流程描述如下。1)假设无畸变相机成像模型的焦距和光心与原相机相同,计算得到无畸变相机成像模型中归一化平面坐标(X,Y,Z),其中X=(u-cx)/fx,Y=(v-cy)/fy,Z=1。这里x'/y'的单位为像素。

On my way 639

2025_NIPS_RAGRouter: Learning to Route Queries to Multiple Retrieval-Augmented Language Models

该研究聚焦检索增强生成(RAG)场景下的大语言模型(LLM)路由问题,提出了首个RAG感知的路由框架RAGRouter。核心解决现有路由方法依赖静态参数知识、忽略检索文档动态影响的缺陷,通过融合文档嵌入、RAG能力嵌入与对比学习,捕捉RAG引发的模型知识表征变化,为每个查询-文档对选择最优LLM。实验覆盖5个知识密集型任务、15个开源/闭源LLM,验证了RAGRouter在性能上超越最佳单LLM和非RAG感知路由方法,且通过阈值机制实现低延迟约束下的性能-效率平衡。

UnknownBody_2的博客 273

ACM入门知识-----ACM赛事介绍

国际大学生程序设计竞赛(英文全称:International Collegiate Programming Contest(简称ICPC))是由国际计算机协会(ACM)主办的。ACM国际大学生程序设计竞赛已经发展成为全球最具影响力的大学生程序设计竞赛。(以下简称ACM-ICPC)。 ACM-ICPC以团队的形式代表各学校参赛,每队由至多3名队员组成。每位队员必须...

斗code年华 6562

基于Python的Booking酒店数据爬虫实战:最新技术与完整代码解析

本文将详细介绍如何使用Python构建一个高效的Booking酒店数据爬虫,涵盖从基础爬取到高级反反爬技术的完整实现。我们将使用最新的Python爬虫技术栈,包括requests-html、Playwright、智能代理轮换等技术,并提供完整的可运行代码示例。文章将深入探讨爬虫的各个组成部分,包括数据提取、存储、反反爬策略以及性能优化等方面。关键词:Python爬虫、Booking数据采集、反反爬技术、Playwright、数据存储。

2201_76125261的博客 936

2015苏州大学ACM-ICPC集训队选拔赛(1) 1001 1002 1010

签到题 Time Limit : 3000/1000ms (Java/Other)Memory Limit : 65535/32768K (Java/Other) Total Submission(s) : 180Accepted Submission(s) : 92 Font:Times New Roman|Verdana|Georgia Font Siz...

203

【知识分享】高速印刷电路板(PCB)寄生参数计算指南

对于高速PCB设计而言,寄生参数一直是令人讨厌的问题,它们会悄悄潜入PCB并在电路中造成严重的破坏,具体来说,它们是渗透到高速电路中的隐藏杂散电容器和电感器,包括由封装引线和长走线形成的电感器、PCB焊盘对金属平面形成的电容器、走线之间形成的电容器等等。

一只豌豆象的博客 1781

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ACM这一路

ACM感想

Zsss的博客 1097

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

c语言 格式错误 acm,一路简单的ACM选拔题,咋就总是不对呢

一道简单的ACM选拔题,咋就总是不对呢?要求实现这样一个简单的输入和输出,我相信应该很容易看明白吧,但是我写这个代码在只输入一个的时候正常,如:输入LIUYan,输出的是LIUYAN但是在有几个输入时,不管输入是什么,输出都全是小写了,如:输入LIUYan,输出也是liuyan,请问下,这个是怎么回事啊?我代码哪里出问题了么?谢谢了!!#include#include#defineM100...

weixin_36425412的博客 183

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

我的大一ACM之路

我的大一ACM之路

htrdchh的博客 6536

一名普通学生的大一总结【不知我等是愚是狂,唯知一路向前奔驰】

时间过的真快呀,仿佛高考的百日誓师的场景还在昨天,军训时喊口号的声音还在我的耳边回荡,我的大一,一转眼就过去了,这一年,有泪水,有苦涩,但我坚信,这一路上,我所吃过的苦,所流过的泪,都将沉淀为我人生的铠甲,我是我,我不是任何人。...

QDQE232的博客 6519

ACM大牛

3xian之所在  最后一天,漫天飘起了雪花,假装欢送我离去。 这次WF之战不太顺利,早期的C题大概花了1秒钟构思,然而由于输出格式多了一个空格直到两个半小时才逃脱Wrong Answer的纠缠。还好lynncui在期间独挡一面过掉D。最终成绩不好,然而没有遗憾,从不遗憾。 相比之下,来自全球的队伍让我看到了很强大的实力,每一道题都有人过,包括SJTU欺骗性提交的H都被人干掉了。身为

nyist_飘谊 2489

告别ACM

    大一下半学期进入了学校的ACM队,那个学期,做了一个学期的周赛,从一开始的什么都不会,慢慢得融入到了这片天地里,也从每次的比赛中找到了刺激,从平时的训练中找到了踏实和快乐。大一结束的暑假,我留在了学校,参加学校ACM队的集训,暑假里做个人赛,通过了10场左右的比赛,我排到了第八名,然后就组队了,每个队伍通过团队赛来角逐去现场赛的名额。幸运的,我们队代表了学校参加了32届ACM/ICPC亚洲

yxysdcl的专栏 1082

ACM金牌到手!

大家好,我是小浩,今天的文章来自一位读者投稿,他分享了自己从双非院校一路成长的经历。他一直对编程竞赛有着浓厚的兴趣,这种兴趣所激发出来的学习乐趣,也改变了他的人生轨迹,让他能够最终能够成功...

WantFlyDaCheng的博客 2884

2012ACM杭州site总结

2012年11月3日-11月4日,我们队有幸参加了第37届ACM国际大学生程序设计竞赛亚洲区杭州站的现场赛。在这次观摩和比赛中,我们队夺得了铜奖,并且学到了其他同行的一些先进经验。 Truth在暑期培训时候组队和训练,由张辉,王千郡,陈文康我们三名队员组成。我们从一开使对ACM什么都不了解,到后来见识了ACM的博大精深,体会到ACM对解决问题的能力的提升。接触ACM之后,真有种相见恨晚的感觉。

XDU_Truth的专栏 1013

2013acm总结报告

把发给教练的总结报告放上来,做纪念。 好乱的总结 ---by王国真 写写一些心得体会,会有点乱,不知道满不满足总结报告的需求。话说,总结报告是用来干嘛的? 说说正式比赛。 打铁了。打差的原因是自己太弱。整个赛场的实力不是特别强,题目不是特别钻,在这种情况下还打铁,是的,太弱了。弱者,连“唉”的资格都没有! 在食堂吃饭的时候发自内心

侧耳倾听 1008
上一篇: 2014 icpc 西安现场赛 I - International Collegiate Routing Contest
下一篇: Codeforces911题解
OneDay_pyf
博客等级 码龄10年 6粉丝 35原创
评论 9
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