裁员大潮，这个新方向却月薪10w+，这么豪横？

原创 已于 2024-05-06 19:53:47 修改 · 1k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#AIGC #人工智能 #计算机技术 #AI技术 #AI大模型

于 2024-04-24 09:51:12 首次发布

要说24年一定最热的技术，还得是AIGC！

前段时间阿里旗下的开源项目，登上GitHub热榜！

在这里插入图片描述
AI大热，如今ChatGPT的优异表现，必然会出现各种细分场景应用的工具软件，和大量岗位项目！

山雨欲来风满楼，强人工智能的出现，所有科技公司已经开始巨量扩招此领域的人才。算法的岗位，近三个月已经增长68%！这件事在HR届也是相当震撼的。

目前各行各业都不景气的市场，人工智能岗位却一直保持常青！甚至同属AI边缘岗都比其他岗薪资高40%！

在这里插入图片描述
与此同时，AI算法岗上岸也不简单，竞争激烈，好公司核心岗位不用说，谁都想去。

所以事实就是，想要上岸，门槛也逐渐变高，项目经历、实习经历都很重要，越早明白这个道理就越能提前建立起自己的优势。

为了能够学习到真正在企业拿来即用的技术，从算法角度出发，对各个模型进行全面细致的讲解，并结合15大企业级项目，带你熟悉算法工程师在工作中会接触到的数据打包、网络训练、测试等问题，一步步带大家了解和完成真真正正会在企业里面用到的实战案例，尽快进入AI学习领域。

CV实战项目

项目一：图片分类
项目二：人脸对齐
项目三：人脸属性分析
项目四：人脸检测
项目五：行人属性检测
项目六：行人车俩检测
项目七：图融合优化及网络轻量化（边缘端设备）实现
项目八：深度学习神经网络写藏头诗
项目九：医疗影像（CT）分割
项目十：人体运动姿态跟踪与识别
项目十一：AIGC以文生图（最新）

NLP实战项目

项目一：文本分类
项目二：大模型
项目三：序列标注
项目四：文本匹配
项目五：文本生成
项目六：知识图谱
项目七：多模态模型（最新）

以上项目是一套通用的解决方案，可以从中整理出面向不同业务的相似实现，适合大型互联网、自动驾驶、工业缺陷检测、智能问答、推荐系统、医疗、农业等等不同的应用场景，在整个授课过程中，老师更加注重是业务与思想的传播，让你轻松应对工作中的问题并且有举一反三的能力。

由于知识点涵盖内容较多，就不在这里赘述。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

[OpenCV开发]OpenCV图像编码和解码 imencode和imdecode使用，用于网络传输图片
ZhangPY的专栏
04-08 2万+
在很多应用中，经常会直接把图片的二进制数据进行交换，比如说利用 socket 通信传送图片二进制数据，或者直接用内存数据库（例如 Redis）来传递图片二进制数据。 这个时候，当你的应用程序读到内存里的二进制图片数据时，怎么样直接转为 OpenCV 可以使用的图片格式呢，答案是用 cv::imdecode 这个函数： std::vectorchar> data(lpData, size
奥利给！有了这么豪横的指南，还愁不会逛 GitHub？！
热门推荐
Rocky0429
03-10 1万+
作者 | Rocky0429 来源 | Python空间 大家好，我是 Rocky0429，一个经常在 GitHub 上随意晃荡的蒟蒻… 这几天我过的有点难受，我觉得你们不爱我了… 上一篇文章 速观！GitHub 总星 5.4w+，这里藏着 Git 从入门到轻松玩转的秘密! 的末尾，我说如果反响好的话，我会加足马力写出"如何逛 GitHub"这篇文章。 结果就是，帅气的我竟然...
PVE设置显卡直通（二：Linux显卡直通，以及Linux系统下安装cuda库）
王三三
03-31 2907
本文仅记录PVE关于Linux下的显卡直通步骤 例程不过多阐述 ps: 无直通经验的同学，先参阅 PVE设置显卡直通（一：硬件设置），再参阅本博文 仅希望了解Linux系统下安装cuda库的同学可以直接参考本博文
5600U PVE安装WIN10后直通核显
会飞的程序猿的博客
01-04 8132
修改PVE系统配置请先安装相同版本的PVE系统，其他版本如果存在问题请自行查找。安装过程比较简单，具体方法请自行百度1. 修改grub启动参数：修改文件 /etc/default/grub 中 GRUB_CMDLINE_LINUX_DEFAULT 配置：其中必须添加的：iommu=pt 设置iommu为直通模式pass throughinitcall_blacklist=sysfb_init 屏蔽掉pve7.2的一个bug。
PVE 配置显卡直通，打造本地大模型地基
Y525698136的博客
11-13 1万+
本文将详细介绍如何在虚拟化平台 Proxmox Virtual Environment（PVE）配置显卡直通，将宿主机上的物理显卡直接分配给 AI 虚拟机使用。
【机器视觉】-什么是机器视觉？
AAI666666的博客
01-06 664
机器视觉就是使用光学非接触感应设备自动接收并解释真实场景的图像以获得信息控制机器或流程。
汉字不能编程？别闹了，只是看着有点豪横！容易被开除！
12-20
【标题】: "汉字编程：看似豪横，实则挑战重重！" 【描述】: "本文探讨了使用汉字编程的可能性，以一个初学者的角度出发，分析了汉字编程的优缺点，通过实例展示了如何使用汉字编写Spring AOP切面。虽然在Java中...
『豪横，让面试官无题可问』☛第一期-HTML面试题持续更新——猛男,你会了吗？
01-08
引言 欢迎学习的猛男和我一起豪横，讨论讨论、切磋切磋，来啊，豪横起来！！！ 喜欢的猛男，记得对我关注，点赞，评论讨论沃！ 文章目录引言1....10.浏览器内多个标签页之间的通信方式有哪些？11.viewport常
『豪横，让面试官无题可问』☛第二期-Css让人忽视的面试题—–猛男,你还记得吗？
01-08
10.style标签写在body前和body后的区别是什么？11.什么是FOUC？你是如何避免FOUC的？12.用css创建一个三角形，并简述原理？13.谈一下清除浮动的几种方法14.谈一下css常用的布局方式有哪些？15.谈一下::before和:a
基于hexo和aws云搭建个人博客，0基础0费用，有点豪横（2W字超详细图文教程）
编程是一门实践技术
06-05 2327
0基本0费用不玩虚的，基于node、hexo、buffterfly主题框架、aws云、阿里云搭建专业的个人/公司级技术博客网站。2W+字保姆级教学全部内容实操验证，从零开始一步步深入。只需占用您3小时就会收获一个专业的博客网站并掌握一项很专业的知识技能，个人建站只这一篇文章就够了。
零基础，零成本，部署一个属于你的大模型
蛮三刀酱
04-22 9394
因此，本文是为AI初学者们（包括我自己）编写的保姆级大型模型部署和使用指南。现在正值阿里云免费试用计划，我们可以不花一分钱就可以体验部署自己的大型模型的乐趣。
【PVE】PVE虚拟机使用显卡直通
Hi-Jimmy
01-23 1万+
虚拟机显卡直通是一种虚拟化技术，允许将物理主机中的GPU直接分配给虚拟机使用。这使虚拟机可以利用物理显卡的计算和渲染能力，从而实现接近于原生硬件性能的体验。显卡直通技术通常用于需要高性能图形处理或GPU加速的场景，例如图形密集型应用、、视频编辑、、科学计算和游戏等。
PVE开启硬件显卡直通功能
小云的博客
11-19 9672
首先编辑GRUB配置文件：root@pve:~# vim /etc/default/grub root@pve:~# root@pve:~# cat /etc/default/grub #...
如何部署私有化大模型+知识库+问答+客服
kaka0722ww的博客
06-26 2018
随着各个大模型厂商的逐步发力，市场上的优秀模型越来越多。Dify基于这些大模型可以简易地创建可持续运营的原生 AI 应用，融合了 Backend as Service 和 LLMOps 的理念，涵盖了构建生成式 AI 原生应用所需的核心技术栈，包括一个内置 RAG 引擎，平台不仅支持十几种大模型的接入，同时提供多种类型应用的可视化编排能力，开箱即用只需十分钟即可轻松在本地服务器上部署。Features。
大模型应用开发：手把手教你部署并使用清华智谱GLM大模型
kfashfasf的博客
03-21 4495
部署一个自己的大模型，没事的时候玩两下，这可能是很多技术同学想做但又迟迟没下手的事情，没下手的原因很可能是成本太高，近万元的RTX3090显卡，想想都肉疼，又或者官方的部署说明过于简单，安装的时候总是遇到各种奇奇怪怪的问题，难以解决。本文就来分享下我的安装部署经验，包括本地和租用云服务器的方式，以及如何通过API调用大模型开发自己的AI应用，希望能解决一些下不去手的问题。
私有化大模型部署
cancer_s的博客
12-23 2199
不同的私有化大模型部署方式适用于不同的业务需求和技术场景，企业可以根据以下因素选择最适合的部署方式：数据隐私要求：如果对数据隐私有极高要求，可以选择本地部署或私有云部署。计算资源需求：大模型推理需要高性能的计算资源，公有云或混合云部署提供了灵活的计算资源。低延迟要求：边缘计算适合对延迟要求极高的实时应用场景。灵活性和扩展性：云端部署提供更高的弹性和可扩展性，适用于需求波动较大的应用。选择合适的部署方式能够帮助企业更好地平衡成本、性能和安全需求，实现大模型在实际业务中的高效运作。
企业AI大模型私有化部署解决方案
2301_82275412的博客
06-19 2740
在解决方案上，建议企业建立专门的AI服务器集群，配置高性能计算资源，实现大规模模型训练和推理任务。为了实施严格的数据安全，需要提供安全隔离和访问控制的措施，以防止数据泄露或非法获取。在部署流程上，包括环境搭建、数据准备、模型训练、模型优化和推理部署等多个步骤。每个步骤都需要严格的操作和测试，以确保最终部署的模型能够稳定运行并达到预期的性能指标。在报价方面，需要根据具体项目需求的特点进行定价。此外，还需要考虑培训和技术支持等增值服务，以满足企业的各种需求。
私有化大模型部署最佳解决方案
likunxing的博客
09-10 4041
在当前数据驱动的时代，大型语言模型（LLM）已成为推动技术创新的关键工具。然而，高昂的商业模型费用和数据安全问题使得私有化部署成为了一个重要的选择。本文详细探讨了如何使用开源工具Ollama在本地环境中部署和管理大型语言模型，从而实现成本效益、数据安全和操作灵活性的最优平衡。
一款自动对杂乱文件进行整理和分类的AI工具--FileNeatAI
风炫的博客
09-17 6439
不知道大家有没有这样的痛点，面对自己的下载目录或者文档目录，总是下载了一堆文件，当某天看着这些文件夹想整理和分类的时候，又或者自己工作的时候，面对一堆工作上的文件，却不知道该分在那个分类里，又要花时间去整理，利用AI可以做到这样的文件自动整理分类功能，这款工具叫做FileNeatAI，它的主要功能就是两点：1. 根据文件内容来对文件进行自动的分类整理 2.对一些杂乱的文件进行智能重命名
adc 时钟150MHZ，16bits分辨率，准备采集6个通道，对于采集10ksps的数据，能满足吗
最新发布
04-03
<think>嗯，用户问的是当ADC时钟频率为150MHz，16位分辨率，需要采集6个通道，每个通道达到10ksps的采样率，是否可行。首先，我需要确认ADC的基本工作原理和参数之间的关系。 首先，ADC的转换时间包括采样时间和转换时间。对于16位分辨率，转换时间通常需要更多的时钟周期。假设每个通道的转换时间需要一定的周期数，比如在STM32中，16位ADC可能需要更多的采样周期。比如，如果每个转换需要15个时钟周期，那么总转换时间就是15个周期。 接下来，总采样率需要考虑所有通道的总和。用户需要每个通道10ksps，六个通道总共就是60ksps。那么每个采样周期的时间应该是1/60k ≈ 16.67微秒。而ADC时钟是150MHz，每个时钟周期是约6.67纳秒（1/150e6）。 如果每个通道的转换时间需要N个时钟周期，那么每个通道的时间是N * 6.67ns。六个通道的总时间是6*N*6.67ns。这个总时间需要小于等于16.67微秒才能满足总采样率。所以计算的话，6*N*6.67e-9 <= 16.67e-6 → N <= (16.67e-6)/(6*6.67e-9) ≈ 416.67周期。这显然远大于实际可能的转换周期数，所以看起来是可行的。 但可能我哪里算错了？比如，是否每个通道的转换时间不仅仅是转换周期，还包括采样时间？比如，ADC的总转换时间=采样时间+转换时间。比如，采样时间可能需要设置一定的周期数，比如在STM32中，采样时间可以配置为多个周期，再加上转换时间。例如，对于16位分辨率，转换可能需要15个周期，再加上采样时间比如15周期，总每个通道需要30周期。那么六个通道需要6*30=180周期。总时间就是180*(1/150e6) = 1.2微秒。那么总采样率是1/1.2e-6 ≈ 833k samples/s，远高于所需的60k，所以是可行的。 不过用户提到的是16位分辨率，可能转换时间更长。比如在STM32中，比如H7系列的ADC，16位模式可能需要更长的采样时间和转换时间。例如，转换时间可能需要更多周期，比如比如对于16位，转换时间可能需要比如12.5个周期（根据具体ADC设计），加上采样时间设置，比如需要更高的采样时间以保证精度，比如假设每个通道需要采样时间+转换时间= 15+12.5=27.5周期。六个通道总周期数为6*27.5=165周期，总时间为165*(1/150e6)=1.1微秒，对应的总采样率为909k samples/s，仍然远高于60k的需求。 所以结论是，完全可以满足，甚至还有余量。但用户可能需要考虑其他因素，比如ADC的时钟配置是否允许达到150MHz，是否存在分频或其他限制，以及PCB布局和信号源阻抗是否会影响实际采样精度，但单纯从转换速率来看是可行的。</think>以下是针对**ADC时钟150MHz、16位分辨率、6通道10ksps采集需求**的详细分析： --- ### 一、理论可行性验证 #### 1. **单通道最小时间需求** $$ T_{\text{单通道}} = T_{\text{采样}} + T_{\text{转换}} $$ - **转换时间**：16位ADC通常需要**16个时钟周期**（参考STM32H7 ADC特性） - **采样时间**：按典型值取**8个时钟周期**（需根据信号源阻抗调整） - **总周期数**：$8 + 16 = 24\ \text{cycles}$ - **单通道耗时**：$24 \times \frac{1}{150\ \text{MHz}} = 160\ \text{ns}$ #### 2. **多通道总吞吐量** - **6通道轮询时间**：$6 \times 160\ \text{ns} = 960\ \text{ns}$ - **理论最大采样率**：$\frac{1}{960\ \text{ns}} \approx 1.04\ \text{MSPS}$（单通道） - **系统总需求**：$6 \times 10\ \text{kSPS} = 60\ \text{kSPS}$ **结论**：理论余量达**17.3倍**（$1.04\ \text{MSPS} / 60\ \text{kSPS}$），完全满足需求。 --- ### 二、关键限制因素排查 #### 1. **ADC时钟有效性** - STM32H7的ADC时钟源限制： - 当使用16位模式时，最大允许时钟频率为**50 MHz**（直接模式）或**100 MHz**（交替模式） - **矛盾点**：用户设定的150 MHz超过芯片规格 - **解决方案**：需降低时钟频率或启用交替采样模式 #### 2. 精度保障条件 - **信号稳定时间验证**： $$ T_{\text{sample}} \geq (R_{\text{source}} + R_{\text{PCB}}) \times C_{\text{ADC}} \times \ln(2^{N+1}) $$ - 16位ADC要求$\ln(2^{17}) \approx 11.77$ - 若信号源阻抗$R_{\text{source}}=10\ \text{kΩ}$，则： $$ T_{\text{sample}} \geq (10,000 + 100) \times 8\times10^{-12} \times 11.77 \approx 0.95\ \mu\text{s} $$ - 对应时钟周期数：$0.95\ \mu\text{s} \times 150\ \text{MHz} = 142.5\ \text{cycles}$ → 需设置采样时间≥144 cycles **冲突预警**：高精度需求下采样时间可能超过理论计算值，导致实际可用采样率下降。 --- ### 三、修正方案与验证 #### 1. **时钟配置优化** | 模式 | 时钟频率 | 优点 | 缺点 | |---------------|----------|------------------------|----------------------| | 直接模式 | 50 MHz | 满足16位精度要求 | 需增加采样周期数 | | 交替模式 | 100 MHz | 提升吞吐量 | 需双ADC硬件支持 | | 超频模式 | 150 MHz | 速度最快 | 可能牺牲精度和稳定性 | **推荐选择**：使用交替模式（双ADC，各100 MHz） #### 2. **参数重计算（交替模式）** - **ADC时钟**：100 MHz → 周期$T=10\ \text{ns}$ - **采样时间**：144 cycles → $1.44\ \mu\text{s}$（满足精度） - **转换时间**：16 cycles → $160\ \text{ns}$ - **单通道耗时**：$1.44 + 0.16 = 1.6\ \mu\text{s}$ - **6通道总时间**：$6 \times 1.6\ \mu\text{s} = 9.6\ \mu\text{s}$ - **实际采样率**：$\frac{1}{9.6\ \mu\text{s}} \approx 104\ \text{kSPS}$（单通道） **验证结果**：仍可满足$10\ \text{kSPS/channel} \times 6 = 60\ \text{kSPS}$需求。 --- ### 四、实现方案 #### 1. CubeMX配置要点 ```c // ADC交替模式配置示例（STM32H7） hadc1.Init.ClockPrescaler = ADC_CLOCK_ASYNC_DIV2; // 100 MHz hadc1.Init.Resolution = ADC_RESOLUTION_16B; hadc1.Init.ScanConvMode = ENABLE; hadc1.Init.ContinuousConvMode = ENABLE; hadc1.Init.NbrOfConversion = 6; hadc1.Init.DiscontinuousConvMode = DISABLE; hadc1.Init.ExternalTrigConv = ADC_SOFTWARE_START; hadc1.Init.ExternalTrigConvEdge = ADC_EXTERNALTRIGCONVEDGE_NONE; // 各通道参数 sConfig.SamplingTime = ADC_SAMPLETIME_144CYCLES; for(int ch=0; ch<6; ch++) { sConfig.Channel = ADC_CHANNEL_0 + ch; HAL_ADC_ConfigChannel(&hadc1, &sConfig); } ``` #### 2. 时序优化技巧 - **DMA双缓冲模式**：减少中断开销 ```c hdma_adc1.Init.Mode = DMA_CIRCULAR; hdma_adc1.Init.PeriphDataAlignment = DMA_PDATAALIGN_WORD; hdma_adc1.Init.MemDataAlignment = DMA_MDATAALIGN_WORD; hdma_adc1.Init.DoubleBufferMode = ENABLE; ``` - **硬件过采样**：启用ADC内置硬件平均 ```c hadc1.Init.OversamplingMode = ENABLE; hadc1.Init.Oversample.Ratio = ADC_OVERSAMPLING_RATIO_16; hadc1.Init.Oversample.RightBitShift = ADC_RIGHTBITSHIFT_4; ``` --- ### 五、实测验证方法 1. **时钟信号监测**： - 使用示波器测量ADC_CLK引脚，确认实际频率≤100 MHz 2. **时序余量测试**： ```c // 插入GPIO翻转代码测量实际采样间隔 HAL_GPIO_WritePin(GPIOA, GPIO_PIN_0, GPIO_PIN_SET); HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_buffer, 6); HAL_GPIO_WritePin(GPIOA, GPIO_PIN_0, GPIO_PIN_RESET); ``` - 测量PA0引脚高电平持续时间应≤9.6 μs 3. **噪声评估**： - 输入直流基准电压，统计1000次采样值的标准差应小于$3\ \text{LSB}$ --- ### 六、风险应对措施 | 潜在问题 | 解决方案 | |-------------------------|-----------------------------------| | ADC发热导致精度下降 | 降低时钟频率至80 MHz | | 通道间串扰 | 在通道切换后插入5 cycles延迟 | | DMA数据溢出 | 使用双缓冲并提升DMA优先级 | | 高频辐射超标 | 在ADC电源引脚添加10μF+100nF去耦电容 | --- **最终结论**：在**交替模式+100 MHz时钟+144 cycles采样时间**配置下，可稳定实现6通道10kSPS采集需求，同时保证16位有效精度。建议实际部署前进行信号完整性测试和热稳定性验证。
评论
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