[Leetcode每日一题]479. 最大回文数乘积

Leetcode每日一题479. 最大回文数乘积 🐏🐏🐏写在前面题目📝思路📝 写在前面 📖本篇内容:Leetcode每日一题479. 最大回文数乘积 📑 文章专栏:leetcode每日一题《打卡日常》 ⭐算法仓库:小🐏的变强之路 阅读详情

题目描述:

给定一个整数 n ,返回 可表示为两个 n 位整数乘积的 最大回文整数 。因为答案可能非常大,所以返回它对 1337 取余 。

示例 1:
输入:n = 2
输出:987
解释:99 x 91 = 9009, 9009 % 1337 = 987

示例 2:
输入: n = 1
输出: 9

提示:
1 <= n <= 8

代码:

package dayLeetCode;

public class dayleetcode479 {
    public int largestPalindrome(int n) {
        if (n == 1){
            return 9;
        }
        // 两个n位数相乘,为2n位数,所以我们可以将这个回文数分成两半来处理,左右两半各是一个n位数
        // 题目要求是最大的,所以我们从左端最大来开始枚举,找到第一个符合的即是最大回文数

        // 这个地方一定要用long  用int的话会超限
        long maxNum = (long) (Math.pow(10, n) - 1);
        int ans = 0;
        // i代表该回文数的左端
        for (long i = maxNum; i >= 0 ; i--){
            long num = i;
            // 将这个数翻转一下,作为最终数字的右端,从而得到这个数
            for (long j = i; j > 0; j /= 10){
                num = num * 10 + j % 10;
            }

            //判断该数字是否是两个数的乘积
            for (long j = maxNum; j * j >= num; j--){
                if (num % j == 0){
                    ans = (int) (num % 1337);
                    break;
                }
            }
            if (ans != 0){
                break;
            }
        }
        return ans;
    }

    public static void main(String[] args) {
        dayleetcode479 obj = new dayleetcode479();
        System.out.println(obj.largestPalindrome(5));
    }
}

模电学习笔记(十二)——跨阻放大器 模电学习笔记(十二) 跨阻放大器 跨组运算放大器是将电流信号转换成为电压信号,电流到电压增益基于反馈电阻。 设计目标: 输入 输出 带宽 电源 0A 100uA 0V 7V 20kHz 15V -15V 1.计算R1的值(增益电阻器) 2.计算C1的值满足电路带宽 ... 阅读详情

相关推荐

论文理解【LLM-OR】——【OptMATH】A Scalable Bidirectional Data Synthesis Framework for Optimization Modeling

本文提出 LLM-OR 领域的双向数据合成框架 OptMATH,从已有 MF/PD 出发反向生成 NL,再使用 AutoFormulator 进行正向建模,通过最优值匹配 rejection sampling 确保语义一致性。实现了难度可控的语义一致数据合成

佚失的诗篇 498

最大回文数问题

输入任意内容一行字符串s(长度小于5000),求最大回文字母串。不考虑大小写和非字母符号,原样输出,如果有多个字母串,则输出最左边的一个,例如: 输入: CdasdU:3Madam,I'm Adam. 输出: :3Madam,I'm Adam. 代码如下: #include #include #include char s[5000]; int main() { in

Sharing_Li的专栏 1603

Qt 插件开发 plugin 超详细 有源码

Qt 插件化开发框架类似于前后端的微服务的场景,授权哪个微服务则前端可以使用哪个微服务,插件就行硬件插卡一样,可以被随时删除、插入和修改,所以结构很灵活,容易修改,方便软件的升级和维护;插件主要面向接口编程,无需访问.lib文件,热插拔、利于团队开发。即使在程序运行时.dll不存在,也可以正常启动,只是相应插件功能无法正常使用而已;动态库需要访问.lib文件,而且在程序运行时必须保证.lib存在,否则无法正常启动;

q610098308的专栏 6546

算法竞赛004之最大回文数

最长回文字串   输入一个字符串,求出其中最长的回文字串.子串的含义是:在原串中连续出现的字符串片段. 会问的含义是:正着看和倒着看相同,如abba和yyxyy. package practice; import java.util.Scanner; /** * @author jins * @date on 2019/1/15. */ public class Palindr...

qq_37962402的博客 1251

射频电路设计——射频器件基础

本文仅供自己复习使用,请勿转载! 射频电路制作方法 MCM工艺 CMOS工艺 趋肤效应、深度 频率越高趋肤效应越明显 高频器件 高频电阻 绕线的比贴片的多一个电感,是因为绕线的因为是线绕制的,只有有线就会有电感,所以绕线电阻等效模型会比贴片的多一个电感 多晶硅电阻模型 深线性区MOS电阻 高频电阻的频率响应 记忆的话就后面的频率特性有点像电容的 高频电容 作用 单层贴片式电容 多层贴片式电容 MIM电容 MOM电容 由于是并联的,所以总的电容值是单个的直接相加 PN结电容 M.

输出每日所学,供大家学习使用 7149

【抖音滑动验证码风控分析】

文章摘要:通过对比正常响应与验证码风控响应的头部信息,发现两者存在显著差异。正常响应返回JSON格式数据(Content-Type: application/json)并采用分块传输(Transfer-Encoding: chunked),而风控响应仅返回空文本(Content-Type: text/plain,Content-Length: 0),并通过X-Vc-Bdturing-Parameters等特殊头字段传递风控信息。这些差异主要体现在内容类型、数据传输方式和风控标识参数上,为风控识别提供了关键特

qq_44990881的博客 1102

LeetCode算法题 —— 回文数

每日一道算法题 —— 回文数题目思路第一种思路第二种思路代码 题目 回文数,即一个整数,将它各位上的数字从左到右反过来得到的数字依然等于原来的整数。如1221反过来还是1221,所以它是回文数。而-11反过来是11-,所以不是回文数。那么如何判断一个整数是不是回文数? 思路 第一种思路 将数字转换为字符串,然后反转字符串,再与之前的比较看是否相等。 第二种思路 将整数最高位的数字取出,和整数末位的...

weixin_43830606的博客 416

【CVPR 2025】清华:注意力状态空间模块,Mamba与注意力的超强组合,即插即用!

MambaIRv2提出了一种创新的图像恢复模型,通过引入注意力状态空间模块(ASSM)解决了Mamba模型因果建模限制问题。该模型结合语义引导邻域机制和注意力状态空间方程,实现了非因果建模,有效缓解了长距离衰减问题。实验表明,MambaIRv2在图像超分辨率、JPEG压缩伪影减少和图像去噪等任务中表现优异,参数更少但性能超越现有方法。

qq_43303160的博客 3039

数字里最大的回文数

例如数字184392的最大的回文数是183381,数字34854的最大的回文数是34843 我们可以发现规律:对于位数是奇数的数字来说,例如28563的最大的回文数必然符合28*82的格式,对于位数是偶数的数字来说,例如184392,必然是18**81 #include<bits/stdc++.h> using namespace std; int main( ) { string s,ans; cin>>s; if(s[0] == '...

m0_49473673的博客 2607

LVGL(lv_table)

LVGL中的lv_table是一个轻量级表格控件,用于显示行列式文本数据。它支持设置单元格内容/样式、行列调整、事件响应等基础功能,适用于参数配置、数据展示等场景。通过API可快速创建表格,设置行列数、填充数据,并自定义对齐方式与样式。但需注意默认无滚动条、行数限制等问题。该控件适合简单表格需求,复杂交互需结合自定义事件处理。

m0_49476241的博客 1262

Linux内核进程管理子系统有什么第五十一回 —— 进程主结构详解(47)

Linux内核进程管理子系统有什么第五十一回 —— 进程主结构详解(47)

phmatthaus的专栏 1385

T2.最大回文数(11.16)

文章目录题目解析(以暴力求解为例)回文数的判断代码 题目 最大回文数乘积 回文数即从正反两边读都是一样的数,两个二位数的乘积中最大的回文数为9009=91*99,寻找两个三位数乘积中最大的回文数。 解析(以暴力求解为例) 第一步:记录三位数乘积(即遍历范围为[100,999]) 第二步:判断是否为回文数,即数顺着读和逆着读大小是否一样 第三步:最大即可用变量max来存储(注意要初始化) 回文数的判断 在这里插入代码片 代码 在这里插入代码片 ...

qq_51517771的博客 1651

【蓝凌表单】JSP组件常用语法整理

【代码】【蓝凌表单】JSP组件常用语法整理。

烧硬盘 708

【leetcode每日一题】479. 最大回文数乘积|c++

最大回文数乘积题目来源题意思路代码注意 题目来源 点这里 题意 给定一个整数 n ,返回可表示为两个 n 位整数乘积的最大回文整数 。因为答案可能非常大,所以返回它对 1337 取余 。 思路 开始刷leetcode每日一题的Day3。 我是真的菜,看完这个题面感觉非常懵逼。2个n位数的乘积最高可达16位数,我就在想到底是用long long,还是用数组来存。 当然,我马上就跑去看了题解。(哈哈,菜鸟的觉悟) 题解说这道题用枚举。2个n位整数的乘积,最多有2n位。因为是回文数,所以只需要知道前面一半的数,就

m0_61667323的博客 933

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

【力扣每日一题】479. 最大回文数乘积

题目描述 给定一个整数 n ,返回 可表示为两个 n 位整数乘积的 最大回文整数 。因为答案可能非常大,所以返回它对 1337 取余 。 示例 1: 输入:n = 2 输出:987 解释:99 x 91 = 9009, 9009 % 1337 = 987 示例 2: 输入: n = 1 输出: 9 提示: 1 <= n <= 8 啊,是一个困难题,但看到n的取值范围,这题又变简单了~ 直接打表 class Solution { public int largestPalindr

a534563的博客 210

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")

LeetCode每日一题——479.最大回文数乘积

目录题目示例思路代码 题目 给定一个整数 n ,返回 可表示为两个 n 位整数乘积的 最大回文整数 。因为答案可能非常大,所以返回它对 1337 取余 。 示例 示例 1: 输入:n = 2 输出:987 解释:99 x 91 = 9009, 9009 % 1337 = 987 示例 2: 输入: n = 1 输出: 9 思路 由于数据量较大并且从乘数的角度不好考虑策略,可以从回文乘积这一角度考虑该题。 两个n位数相乘,位数位2n-1或者2n,由于题目要求最大值,这里我们都是用位数位2n的回文乘积,

hyk的博客 621

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

LeetCode 每日一题:479. 最大回文数乘积

479. 最大回文数乘积 方法一:枚举 这道题时间复杂度是真得玄学,理论上可能非常大。一开始不敢这样去写,后来发现很多的时候不需要算到极限的时间,同时观察nnn很小,真得怕超时时,可以本地算好直接打表。 说一下这个做法的思路,回文数一般只需要枚举一半,先枚举左半边,构造回文数之后,判断是否可以被除即可 时间复杂度:玄学复杂度 class Solution { public: typedef long long ll; int largestPalindrome(int n) { if

释然的成长之路 521

JS解力扣每日一题(四)——479. 最大回文数乘积(2022-4-16)

文章目录 题目 我的答案 补充知识点 BigInt 题目 最大回文数乘积 给定一个整数 n ,返回 可表示为两个 n 位整数乘积的 最大回文整数 。因为答案可能非常大,所以返回它对 1337 取余 。 示例1 输入:n = 2 输出:987 解释:99 x 91 = 9009, 9009 % 1337 = 987 示例2 输入: n = 1 输出: 9 我的答案 这道题吧 , 俺的思路就非常笨拙 n位数可以用 10的(n-1) --10的n次方-1 来表示 . 两个n位数相乘 , 就用两个for循环 把

rjlmylover_zyw的博客 723

LeetCode 479. 最大回文数乘积题解

479. 最大回文数乘积题解 题目来源:479. 最大回文数乘积 2022.04.16 每日一题

小明不要写Bug的博客 893

每日一题(2022-04-16)——最大回文数乘积

目录479. 最大回文数乘积题目描述:题解:超时:正解: 479. 最大回文数乘积 题目描述: 给定一个整数 n,返回 可表示为 两个n位整数 乘积 的 最大回文整数 。 因为答案可能非常大,所以返回它对 1337 取余 。 例子1: 输入:n = 2 输出:987 解释:99 x 91 = 9009, 9009 % 1337 = 987 例子2: 输入: n = 1 输出: 9 题解: 超时: func largestPalindrome1(n int) int { // eg: n=2 mi

脑袋装水的博客 407

LeetCode每日打卡: 479. 最大回文数乘积

最大回文数乘积

m0_46198325的博客 222

Java&C++题解与拓展——leetcode479.最大回文数乘积【暴力破解么的新知识】

leetcode479.最大回文数乘积解题思路,用Java和C++两种语言分别编写,并对所使用类和方法进行学习记录。

菜鸡成长之路 753

最大回文数乘积(2022-4-16)每日一练

479. 最大回文数乘积(2022-4-16) 给定一个整数 n ,返回 可表示为两个 n 位整数乘积的 最大回文整数 。因为答案可能非常大,所以返回它对 1337 取余 。 示例 1: 输入:n = 2 输出:987 解释:99 x 91 = 9009, 9009 % 1337 = 987 示例 2: 输入: n = 1 输出: 9 提示: 1 <= n <= 8 解题思路 不知道哪里困难了,就正常找回文,然后判断能否被整除;当然更快的方法是直接暴力返回八个测试用例😏 var la

qq_44382590的博客 314

20220416每日一题

问题描述 479. 最大回文数乘积 给定一个整数 n ,返回可表示为两个n位整数乘积的最大回文整数。因为答案可能非常大,所以返回它对1337取余。 示例 1: 输入:n = 2 输出:987 解释:99 x 91 = 9009, 9009 % 1337 = 987 示例 2: 输入: n = 1 输出: 9 提示: 来源:力扣(LeetCode) 链接:https://leetcode-cn.com/problems/largest-palindrome-produ...

m0_47148147的博客 136

LeetCode 385. 迷你语法分析器 / 479. 最大回文数乘积 / 819. 最常见的单词

385. 迷你语法分析器 2022.4.15 每日一题 题目描述 给定一个字符串 s 表示一个整数嵌套列表,实现一个解析它的语法分析器并返回解析的结果 NestedInteger 。 列表中的每个元素只可能是整数或整数嵌套列表 示例 1: 输入:s = “324”, 输出:324 解释:你应该返回一个 NestedInteger 对象,其中只包含整数值 324。 示例 2: 输入:s = “[123,[456,[789]]]”, 输出:[123,[456,[789]]] 解释:返回一个 NestedI

windyjcy的博客 354

LeetCode 每日一题 2022/4/11-2022/4/17

记录了初步解题思路 以及本地实现代码;并不一定为最优 也希望大家能一起探讨 一起进步 目录4/11 357. 统计各位数字都不同的数字个数4/12 806. 写字符串需要的行数4/134/144/154/164/17 4/11 357. 统计各位数字都不同的数字个数 f(n) n=0 时 0<=x<1 只有0一种 f(0)=1 n=1 时 0<=x<10 在0位的基础上可以接1~9 9种 加上f(0) f(1)=f(0)+9 n=2 时 0<=x<10 在1位的基础

AlphaTao的博客 360
上一篇: [Leetcode每日一题]385. 迷你语法分析器
下一篇: [Leetcode每日一题] 328. 奇偶链表
Puppet__
博客等级 码龄10年 319粉丝 328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