本地安装llama-3大模型,无需联网即可跟AI大模型聊天

群晖NAS本地搭建Llama 2大模型打造个人专属AI聊天机器人 在数字化时代,拥有自己的个人智能助手已经不再是科幻小说中的情节了!想象一下,在你的家庭网络中部署一个强大的大语言模型,随时随地与你互动、提供帮助和娱乐——这听起来是不是超级酷?今天,我们就来聊聊如何在群晖NAS上本地搭建这样一个基于Llama 2的聊天机器人,并且通过内网穿透技术实现远程访问。 阅读详情

Llama 3 模型简介

Llama 3是Meta AI开源的第三代Llama系列模型,其新的 8B 和 70B 参数 Llama 3 模型在Llama 2的基础上,实现了更大性能的提升。由于预训练和训练后的技术改进,其Llama 3模型是当今 8B 和 70B 参数规模的最佳模型。Llama 3模型的改进大大降低了错误拒绝率,改善了一致性,并增加了模型响应的多样性。Llama 3模型在推理、代码生成和指令跟踪等功能也得到了极大的改善。而未来更大的4000亿参数大模型还在继续训练中。其Llama 3大模型可以直接在Meta AI官网直接使用,且支持无需注册登陆即可使用,简直是开箱即用。

Llama 3

虽然Llama 3是可以在Meta AI官网使用,但是很多小伙伴无法上官网使用,因此本地安装Llama 3模型也许是一个不错的选择。

ollama的安装

ollama软件

ollama是一个开源的第三方大语言模型使用插件,下载ollama后,可以很方便的使用Llama3,Phi-3等大语言开源模型。首先到ollama的官网,或者GitHub链接下载ollama进行安装,其ollama支持window版本,Mac版本,以及Linux版本,根据自己的电脑操作系统下载对应的安装包即可。

ollama最新支持的大模型

ollama安装完成后,并没有一个可视化的界面,其服务运行在后台,可以直接在cmd终端窗口中输入ollama run llama3来加载其llama-3模型。首次运行时,ollama会自动检测电脑上是否下载了llama-3模型,若没有相关模型,会自动下载。

ollama run llama3: 运行8B参数的模型,其模型约4.7G  
ollama run llama3:70b 运行70B的模型,其模型约40G

这里小编下载了4.7G的模型,然后在终端里面输入ollama run llama3即可。然后就可以跟llama-3模型愉快的聊天了。

运行ollama

测试了一下,其速度还是很快的(16G M2),其对中文理解的能力也是可以的。

中文对话

Lobe Chat的安装

由于ollama只是一个后台服务,并没有一个可视化的界面,虽然可以在终端窗口中使用,但是有一个漂亮的UI界面会增加体验效果,前期我们也介绍过Lobe Chat的安装,可以在本地安装lobe chat界面

lobe chat

Lobe Chat 是一个开源聊天机器人平台,旨在让开发者轻松构建和部署自定义聊天机器人。Lobe Chat安装完成后,可以使用Lobe Chat来使用AI语言大模型,当然,Lobe Chat不仅支持llama系列模型,还支持一系列其他的大语言模型,可以设置每个模型的API接口以及下载本地模型来使用。

稍微给模型一点难度的问题,其反应速度就明显下降了,这里跟自己的电脑配置有很大的关系,毕竟大模型运行在本地,且还是8B的模型,若是70B的模型,可想而知需要很大的内存以及显卡配置,由于自己的电脑只有16G,并没有本地体验70B的模型,这个可以自行尝试。

llama3

相比lobe chat 的UI界面,小编还是喜欢直接在CMD终端窗口中使用,且lobe chat总感觉有字数限制。且在终端中,其代码格式也是有缩进的,跟UI界面输出的效果一致,并不会影响使用。

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

从零使用Ollama+Chatbox搭建DeepSeek本地大模型指南一(可视化界面免费) 从零使用Ollama+chatBox搭建DeepSeek本地大模型 阅读详情

相关推荐

将点云坐标转换成世界坐标的demo

将点云坐标转换成世界坐标的demo

howard789的博客 2206

Llama3大模型原理代码精讲与部署微调评估实战

本课程了有关Transformer和大语言模型(LLM)的关键前置知识, 包括注意力机制、多头注意力、编码器-解码器结构等Transformer原理, 以及LLM的文本生成和LLM微调技术原理。在此基础上, 重点介绍了Llama 3模型的进化历程、技术原理和代码实现。其中涉及RMSNorm归一化、SwiGLU激活函数、RoPE位置编码、GQA注意力和KVCache等关键技术。通过代码解析, 深入剖析了Llama 3的架构设计和代码实现。在实践部分, 课程还介绍了如何在阿里云使用Ollama和vLLM部署Llama 3模型, 以及使用llama_factory工具进行基于LoRA和QLoRA的llama3 8B大模型微调。项目实战环节则提供了从准备数据集到训练、推理、评估的全流程指导, 聚焦中文增强和医疗问答两大应用方向。这是一门内容全面、理论实践并重的大模型课程。不仅系统讲解了LLM和Llama 3的技术原理, 还通过代码解析和实战项目深度剖析了相关技术在工程落地中的关键环节, 有助于学员全面掌握大模型相关知识和动手实战能力。-------------------------------------------------------------------------------具体课程内容如下:前置知识1:Transformer原理与代码精讲- 注意力机制:了解注意力机制如何使模型能够捕捉输入序列中不同位置之间的相关性。- 自注意力:解释自注意力如何允许序列的每个元素都与序列中的其他元素进行交互。- 多头注意力:探讨多头注意力如何通过并行处理多个注意力层来增强模型的能力。- 位置编码:学习位置编码如何为模型提供序列中单词的位置信息。- 编码器和解码器:深入分析Transformer的编码器和解码器结构,以及它们在模型中的作用。- 层归一化(LayerNorm)和前馈网络(FFN):介绍这两种技术如何帮助稳定和增强模型的训练过程。- 代码精讲:讲解Transformer模型的PyTorch代码实现细节等。 前置知识2:大模型(LLM)文本生成- LLM的推理方式- LLM的文本生成模式: 主要有Completion模式和Chat模式两种- LLM的文本生成策略: 包括贪婪搜索、束搜索、随机采样、温度采样、Top-k采样和Top-p采样等- LLM中的Token与分词器- llama3的文本生成过程- LLM文本生成的预填充和解码阶段- LLM文本生成中的Q、K、V机制 前置知识3:大模型微调原理- LLM的开发流程可分为预训练、有监督微调、奖励建模和强化学习四个阶段- 从基座模型到对话模型的转变。- 针对特定领域的SFT微调- 微调的技术方法包括全参微调、冻结微调、LoRA、QLoRA- LoRA技术原理和有效性- QLoRA技术原理 Llama3进化史和生态 Llama3原理精讲- Llama3模型架构- RMSNorm归一化技术- SwiGLU激活函数- RoPE旋转位置编码- GQA分组查询注意力- KVCache Llama3代码解析- 各文件功能- completion和chat应用脚本代码解析- generation.py代码解析- model.py代码解析- tokenizer.py代码解析- RMSNorm代码解析- SwiGLU代码解析- GQA代码解析- RoPE代码解析- KVCache代码解析 Llama3部署- Ollama部署llama3-阿里云免费GPU算力领取及实例创建、ollama安装、llama3推理- VLLM部署llama3 Llama3项目实战1-llama_factory微调llama3中文增强大模型- llama_factory介绍- llama_factory安装及llama3模型下载- LoRA微调训练llama3 8B Instruct模型- llama3中文增强大模型推理- llama3中文增强大模型评估(MMLU, CEVAL, CMMLU)- LoRA文件合并 Llama3项目实战2-llama_factory微调llama3医疗问答大模型(LoRA)- 准备医疗问答大模型数据集- LoRA微调训练llama3 8B Instruct模型- llama3医疗问答大模型推理 Llama3项目实战3-llama_factory微调llama3医疗问答大模型(QLoRA)- QLoRA微调训练llama3 8B Instruct模型- llama3医疗问答大模型推理-----------------------------------------------------------------------------------购课后可加入课程学习QQ群:364717673

EtherCAT从站协议栈---- sampleappl.c 文件解析

这个源文件实际上包含该项目的入口函数main函数。 那么如何找到入口函数呢? 可以进入debug的simulator模式,选中run to main(), 当执行完启动文件startup_cm3.s后就进入了main函数(注意在main函数之前还进入了SystemInit函数), 如下图所示: 这个main函数主要架构如下: int main(void) { HW_Init(); /*PDI(过程数据接口)初始化,这里用的是MCI接.

Jiawei_Z的博客 3068

Ubuntu、Windows 使用Ollama 本地部署deepseek,并在线访问可视化界面

我是Ubuntu系统,NVIDIA 3070 8G显存 16G运行内存,全用cpu也行,运行内存要大一些。第一次进入会让你注册,注册一个即可。点击models即可进入模型列表,比如我们选择deepseek-r1。这里除了deepseek,其他模型也都是在ollama官网下载的。即可安装,安装失败的话就创建个虚拟环境,再pip装。在设置里,这样选择,记得修改你的ip,端口不用改。可以选择不同的模型,我选择了 8b的模型。下载前期比较快,后面会慢,耐心等即可。进入后会有你的模型列表,选择对应的。

小白不白 2256

PCB Layout总结

PCB Layout作为硬件设计中的一个环节,也是很重要的一个环节;在硬件电路设计合理的情况下,他其实是影响性能的一个绝对重要的指标。现在很多的PCB Layout工程师都是按照硬件工程师或者PI SI工程师给出的约束规则来完成布局布线的,这些也就是俗称的 “拉线工”。他们重复而机械的完成一块块PCB设计,一段时间设计后,他们中的一些或许已经有了这样的一些经验:哪些要做等长,哪些要走粗、哪些要平...

xydlxd118的博客 2583

【AI实践】Dify调用本地和在线模型服务

Ollama可以本地部署模型,如何集成私有数据、如何外部应用程序对接,因此需要有一个应用开发框架。ip地址需要换成自己电脑的IP地址;模型名称需要和Ollama模型名称保持一致;docker是虚拟环境的主机,Ollama部署在本地主机,无法通过本机访问。找到Ollama,配置本地Ollama已经验证的模型,如phi3。在docker页面里面,也可以看到running。docker已经安装完成的情况下。,打开dify,注册登录后。在工作区选择调用即可。

AI_Gump的博客 4855

【本地AI大模型部署+可视化界面图文教程】Ollama+Qwen3

本地AI大模型部署详细图文教程:Ollama 是一款大模型容器管理框架,旨在帮助用户快速在本地部署和运行大模型。它具备以下核心优势:1.硬件自适应:无需手动配置,可自动检测电脑硬件,优先调用GPU(若支持)或使用CPU运行模型,降低操作门槛。2.跨平台兼容:支持 Windows(仅 Win10 及以上系统)、macOS 和 Linux 系统。特别注意,对于Windows 系统,仅支持Windows 10 或更高版本(需 64 位系统)。

等风来 5699

Grafana图像渲染插件安装全攻略:解决依赖缺失问题(附完整命令清单)

本文详细介绍了在CentOS/RHEL环境下安装Grafana图像渲染插件`grafana-image-renderer`的全过程,包括解决常见的依赖缺失问题。通过提供完整的命令清单和疑难问题排查指南,帮助用户高效部署和优化插件性能,确保图像渲染功能稳定运行。

weixin_30399821的博客 86

【LLM大模型】Llama3本地运行:无需编程,只需鼠标点点点

最近几天AI圈又沸腾起来了,原因是 Meta(原Facebook)开源了 Llama 3 8B与70B两款不同规模的模型。据 Meta 透露,这个模型可是用了 24576 个 GPU 训练出来的。

Y525698136的博客 1209

ZedBoard+Vivado(二)——PS + PL实现流水灯

硬件:Zedboard 软件:Vivado2018.2 + Win10 本文参考了http://blog.chinaaet.com/cuter521/p/35978的设计 1 设计 功能:PS + PL流水灯 语言:C 流程:创建工程->IP Integrator->综合、实现、生成Bitstream->SDK 2 流程 2.1 创建工程 跟上一篇步骤完全相同,这里不用添加源文...

q416524389的博客 3695

黑猫带你学eMMC协议第14篇:eMMC FFU详解(Field Firmware Update)

1 前言 1.1 声明 本文依据eMMC JEDEC5.1及个人工作经验整理而成,如有错误请留言。 本文结合eMMC JEDEC5.1协议手册查看效果更佳。 1.2 内容提要 1、ffu相关寄存器有哪些? 2、如何设置ffu? 3、什么是ffu?是否能够更新旧版本的固件到emmc? 4、ffu配置流程图。 2 什么是FFU 主机下载新的固件到eMMC,下载成功后eMMC将固件安装到设备。 3 相关寄存器/命令 SUPPORTED_MODES [493] FFU_FEATURES [492] 该

黑猫奥利奥的博客 4658

【LLMs+小羊驼】23.03.Vicuna: 类似GPT4的开源聊天机器人( 90%* ChatGPT Quality)

Vicuna(音标 vɪˈkjuːnə ,小羊驼、骆马)是基于LLaMA的指令**微调**模型(类似GPT的文本生成模型)与LLaMA: 是基础大语言模型,用大量质量一般的互联网文本数据训练,与GPT3 、PaLM类似Vicuna 用ShareGPT网站的用户分享的7w条ChatGPT对话记录,对 LLaMA进行监督质量微调训练(Supervised Finturning),性能超越了LLaMa和Stanford Alpaca,达到了与ChatGPT相似的水平。将单词切分为。

进一寸有一寸的欢喜 2021

光学系统仿真软件:OSLO_(13).衍射光学元件设计v1

目标函数是设计DOE的关键步骤之一。目标函数可以是一个具体的光强分布,也可以是一个特定的波前形状。在仿真软件中,目标函数通常用数学表达式或数据文件来定义。假设我们需要设计一个二元相位掩模,使其在特定位置生成三个焦点。我们可以定义一个目标函数来描述这三个焦点的光强分布。# 定义目标函数"""定义一个多焦点目标函数:param x: 横坐标:param y: 纵坐标:param z1: 第一个焦点的深度:param z2: 第二个焦点的深度:param z3: 第三个焦点的深度。

kkchenjj的博客 1003

超简单,不用GPU,3步教你轻松在笔记本上部署聊天大模型 LLaMA

后来有人为了在传统 CPU 电脑上运行大模型,就开发了比较牛的框架,我们今天要用的,就是其中的一个明星产品:llama.cpp。大模型我们都不陌生了,但是以 chatGPT 为代表的大模型是闭源的,他们的源代码不开放,我们只能用他们的商业化产品。从上面的命令中我们可以看出,下载的是 llama-2-7b 模型,也就是有着 70 亿参数的那个模型。但是参数量大,就会对计算机的算力有更高的要求,因此很多大模型,基本部署都是要求在 GPU 上进行。

通俗易懂的 AI 技术 3917

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

LLM大模型入门(一)—— LLaMa/Alpaca/Vicuna

LLaMa模型是Meta开源的大模型,模型参数从7B到65B不等,LLaMa-7B在大多数基准测试上超过了GPT3-173B,而LLaMa-65B和Chinchilla-70B、PaLM-540B相比也极具竞争力。

瓦罗兰特顶级C位的博客 1150

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

大模型入门(一)—— LLaMa/Alpaca/Vicuna

LLaMa模型是Meta开源的大模型,模型参数从7B到65B不等,LLaMa-7B在大多数基准测试上超过了GPT3-173B,而LLaMa-65B和Chinchilla-70B、PaLM-540B相比也极具竞争力。相比于ChatGPT或者GPT4来说,LLaMa可能效果上还有差距,但相比Closed AI,至少LLaMa论文和模型都开源出来了,目前hugging face已集成了LLaMa的代码实现和开源模型。学术界和工业界都可以在此基础上进行学习和研究。

2301_81888214的博客 2150

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

一键部署Llama2大模型到本地,无需联网,无需GPU,支持图片内容识别

本期小编带大家手把手部署一个本地私有化大模型,对话界面和ChatGPT几乎一致,支持多种开源模型,聊天/写代码/图片内容识别等。部署过程简单,一般配置电脑即可运行,也不需要GPU的支持。

瓦罗兰特顶级C位的博客 1141

Llama3本地运行:无需编程,只需鼠标点点点

最近几天AI圈又沸腾起来了,原因是 Meta(原Facebook)开源了 Llama 3 8B与70B两款不同规模的模型。据 Meta 透露,这个模型可是用了 24576 个 GPU 训练出来的。重点是开源,真的鲨风了!那作为普通人,我们可以在自己电脑用 Llama 3 吗?这肯定是可以的,而且还不需要你懂编程,只要用鼠标点来点去就能在本地跑起来,断网情况下都能用。

2401_84204207的博客 1271

Llama3.2 震撼发布,教你轻松本地电脑部署Llama3.2,搭建免费本地大模型助手

是 Meta(Facebook 的母公司)发布的一系列最先进的开源大语言模型。Ollama 是一个开源的大模型管理工具,它提供了丰富的功能,包括模型的训练、部署、监控等。通过Ollama,你可以轻松地管理本地的大模型,提高模型的训练速度和部署效率。此外,Ollama还支持多种机器学习框架,如TensorFlow、PyTorch等,使得你可以根据自己的需求选择合适的框架进行模型的训练。官网下载地址:https://ollama.com/download。

m0_59235699的博客 1852

教你轻松本地电脑部署最新Llama3.1,搭建免费本地大模型助手

在开始之前,我们要先搞懂两个概念和。看似写法差不多,但意思相差很大。是 Meta(Facebook 的母公司)发布的一系列最先进的开源大语言模型。Llama 3.1 系列包括 8B(80 亿参数)、70B(700 亿参数)和 405B(4050 亿参数)模型。其中,405B 是 Meta 迄今为止最大的模型,也是首个“前沿级”的开源模型。是一个开源的大模型管理工具,它提供了丰富的功能,包括模型的训练、部署、监控等。通过Ollama,你可以轻松地管理本地的大模型,提高模型的训练速度和部署效率。

m0_59164520的博客 2020

三步轻松上手:无需GPU,在笔记本电脑上快速部署LLaMA聊天大模型

今天带大家在自己的电脑(笔记本)上部署一个类似于 chatGPT 的 AI 聊天大模型。部署完之后,你就拥有了一个私人 AI 聊天机器人,无需联网,随时进行实时对话。大模型我们都不陌生了,但是以 chatGPT 为代表的大模型是闭源的,他们的源代码不开放,我们只能用他们的商业化产品。好在 Meta(也就是原来的 FaceBook) 开源了他们家的大模型 LLaMa。之所以叫“大”模型,是因为它的参数量巨大。

m0_65555479的博客 1307

AI训练AI:20分钟快速微调羊驼大模型全流程解析

只需,描述你想要大模型去做什么。就有一系列AI自己当“模型训练师”,帮你完成的所有工作。比如让70亿参数羊驼大模型学会优化GPT-4提示词,整个过程只要20分钟。秘诀就是网友分享的一个可以帮咱的AI工具:它能帮你搞定数据收集、写代码等一系列操作,你要做的就是你要什么,然后坐等即可。可能是的大模型微调方法了(手动狗头)。并且成本也不高,羊驼这个例子花费就不超15美元(合100来块人民币)。好消息,小哥已将它直接开源(GitHub1k标星),你也可以试试。

2401_84204207的博客 1181

保姆级教程:Linux和Windows下本地化部署Vicuna模型

这是一篇详尽的Vicuna模型部署指南,它拥有强大的性能,可以与ChatGPT媲美,而且免费提供,甚至还支持微调。本文将带你一步步掌握在Windows和Linux系统下的部署过程,提供了全套必需的安装包及转化好的本地模型。下载即用。通过本文,你将能够自行启动并运行Vicuna模型,从而利用其强大的功能提升你的工作效率。详细的部署文档,让你清晰掌握每一个步骤。

无敌小怪兽_Zz的博客 4354
上一篇: 250行代码从头搭建Llama 3,GitHub一天4.6k星!Karpathy大赞
下一篇: 一文彻底整明白,基于Ollama工具的LLM大语言模型Web可视化对话机器人部署指南
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835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