Word 下取消高亮度显示

双层OLED触控屏如何重塑商务本交互体验 OLED屏幕作为现代笔记本的核心显示技术,其亮度、色准与响应速度直接影响办公效率;而双层串联OLED通过电学结构创新,在峰值亮度(1400尼特)、散热控制与寿命平衡上实现突破,解决了传统OLED强光发白、触控延迟、长期静态显示易老化等痛点。结合高精度Windows触控协议与深度定制手势系统,它将输入与输出统一为自然的指尖操作闭环,显著提升PPT演示、PDF批注、跨时区协作等高频商务场景的信息处理效率。本文聚焦双层OLED与触控协同的技术原理与真实办公流适配,解析其如何成为新一代生产力设备的交互主脑。 阅读详情

以下VBA代码会高亮度显示“Microsoft Word”

Sub HighLight()
Dim rang As Range
Dim fnd As Find

Set rang = ActiveDocument.Range
Set fnd = rang.Find
fnd.Text = "Microsoft Word"
fnd.MatchWholeWord = True
fnd.HitHighlight ("Microsoft Word")

Set fnd = Nothing
Set rang = Nothing
End Sub

如果要取消对“Word”的高亮度显示你可能会这样写:

Sub CleanHighLight1()
Dim rang As Range
Dim fnd As Find

Set rang = ActiveDocument.Range
Set fnd = rang.Find
fnd.Text = "Word"
fnd.MatchWholeWord = True
fnd.HitHighlight ("Word")
fnd.ClearHitHighlight

Set fnd = Nothing
Set rang = Nothing
End Sub

结果你会发现你所有的高亮度显示都会不见了。这是因为第二个程序中的Find和第一个程序中的Find作用范围是一样的。所以当你取消高亮的时候所有的高亮显示都回被取消。真确的写法应该是这样的:

Sub CleanHighLight2()
Dim rang As Range
Dim fnd As Find
Dim subr As Range

Set rang = ActiveDocument.Range
Set fnd = rang.Find
While fnd.Execute("Word")
rang.Select
With rang.Find
.Text = "Word"
.ClearHitHighlight
End With
Wend

Set fnd = Nothing
Set rang = Nothing
End Sub



网页端精细抠章与PDF印章提取:从原理到实践的全栈指南 图像处理中的颜色分离与Alpha通道技术是数字图像编辑的基础。其核心原理在于通过色彩空间转换(如从RGB到HSV)和阈值分割,精准识别并分离特定颜色区域,进而生成透明度信息。这项技术的工程价值在于能够自动化完成原本依赖专业软件的复杂操作,极大提升办公与文档处理效率。在实践层面,它广泛应用于电子签名提取、文档电子化、自动化报告生成等场景,尤其对于需要从扫描件或PDF中提取红色印章并生成透明背景PNG图片的需求,提供了一种轻量化、高精度的解决方案。本文以OpenCV和在线工具为例,深入解析了如何利用颜色分离算法 阅读详情

相关推荐

【SoloPi】SoloPi使用2-功能使用,录制回放

Soloπ是什么 Soloπ是一个无线化、非侵入式的Android自动化工具,公测版拥有录制回放、性能测试、一机多控三项主要功能,能为测试开发人员节省宝贵时间。 录制回放功能 Soloπ拥有录制操作的能力,用户只需要通过Soloπ执行用例步骤,Soloπ就能够将用户的操作记录下来,并且支持在各个设备上进行回放,这一切都能够在手机上独立完成。 ...

q_Catherine的博客 5829

word如何去除表格中高亮部分(表格属性-边框和底纹)

在处理文档的时候,发现文档中的高亮部分难以去掉 我尝试网上的各种解决方法: 方法一:Ctrl+Alt+H,但并不能解决问题: 方法二:用“开始”菜单栏下的ab 得到如下结果: 貌似还是不能解决 最后,还是要用表格属性的方式去解决这个问题,解决步骤如下: 第一,选择要取消的高亮部分,点击鼠标右键,选择表格属性 第二步,点击右下角的“边框和底纹”,选择“底纹”的填充颜色为“无颜色”,之后点击确定,问题就解决啦 ...

weixin_50040016的博客 1万+

宝塔面板+pbootCMS建站全流程:从服务器选购到上线优化(附常见问题排查)

本文提供了一份详尽的宝塔面板与pbootCMS建站实战指南。内容涵盖从云服务器选购、宝塔面板部署与安全加固,到pbootCMS安装、权限配置、数据库连接等核心步骤。同时深入讲解了PHP环境优化、Nginx伪静态设置、缓存开启等性能与SEO优化技巧,并附有常见问题排查与后期维护建议,帮助用户高效、稳健地完成专业网站构建。

e4f5g6h的博客 661

详述Excel如何制作下拉列表

如果想将Excel单元格中输入的内容限制在几个选项之一,可以用Excel中的数据有效性功能制作一个下拉列表, 还可以设置让Excel在发现用户输入了非限制选项的内容时自动弹出提示, 下面以Excel2007为例介绍如何操作: ●先选择以个单元格 ●选择单元格范围后点击打开Excel的“数据”选项卡。 ●点击数据选项卡中“数据有效性”按钮中的“数据有效性”选项。 ●弹出数据有效性对话框后,应打开“设置”—— “允许”——“任何值”●来源输入要选择的信息使用英文下的逗号 , 分割 ...

史凯力 358

Coursera | 离散数学概论(北大)| quiz答案

Coursera离散数学概论quiz答案Week1:数理逻辑:基本概念Week2:数理逻辑:命题逻辑及形式系统Week3:数理逻辑:谓词逻辑及形式系统Week4:集合论:集合代数   先放下Coursera上找的离散数学部分相关课程:   btw.线上学习拿证书还有很多,MOOC、edm等都可。   博主选了北京大学离散数学概论Discrete Mathematics Generality。Mooc上貌似也有,但是上课时间貌似不如Coursera灵活,Coursera时间自己调度,规定时间上完即可。目前课

小鱼干的博客 4127

DDR内存接口深度解析:从寻址机制到FPGA时序约束实战

在高速数字系统设计中,内存接口是决定系统性能与稳定性的关键。DDR(双倍数据速率)技术通过在时钟的上升沿和下降沿传输数据,实现了带宽的倍增,广泛应用于消费电子、通信设备和工控主板等领域。其核心原理在于利用三维存储阵列(Bank、Row、Column)的分级寻址机制,通过先进行行激活、再进行列访问的固定时序,实现高速数据吞吐。理解这一寻址顺序是进行精准时序分析的基础。在工程实践中,FPGA作为内存控制器,需通过严谨的时序约束(如set_input_delay)来确保信号在高速传输下的建立与保持时间要求,从而将

weixin_29192211的博客 197

VBA小白的福音 如何在EXCEL中实现连续编号自动更新打印?

VBA小白的福音 如何在EXCEL中实现连续编号自动更新打印? 用下列方法,无论你需要输入连续编号的单元格是否改变,均不需要改变代码。 第一步:将下列代码拷贝到宏中(方法请问度娘,搜代码的人应该会的)。 Sub 连续编号() [编号].NumberFormatLocal = “@” Dim i As Integer Dim b As Integer Dim a As Integer a = InputBox(“打印份数”, “请输入打印份数”, 1) b = InputBox(“开始编号”, “请输入开始编

lis66450的博客 7590

Go基础:Go语言详细介绍,环境搭建,及第一个程序详解

Go语言是Google开发的开源编程语言,具有高效、简洁、并发性强等特点。文章从Go语言的诞生背景、核心特性及应用领域展开介绍,并详细说明了Windows、Linux和macOS下的环境搭建步骤,包括安装、环境变量配置及测试方法。最后通过“Hello, World!”程序解析Go语言基本语法,并演示了编译发布和跨平台编译功能。全文涵盖了Go语言从入门到实践的完整流程,适合初学者快速上手。

数据知道的博客 6800

Word-取消编号前的黑色点

取消编号前面的小黑块 ,步骤如下: 效果如下:

LzzMandy的博客 9533

手把手教你安装 OpenClaw 小龙虾(MAC安装教程),一次成功不踩坑

本文详细介绍了在Mac上安装OpenClaw的完整流程。主要内容包括:1)准备工作(磁盘空间、网络环境、终端工具);2)安装Homebrew包管理器及常见问题解决;3)安装Node.js 22+版本(环境核心);4)Git安装与验证;5)OpenClaw项目克隆、依赖安装及运行配置;6)大模型配置方法(以MiniMax为例)。文章提供了详细的命令行操作步骤和常见错误解决方案,特别强调了网络环境要求和Apple Silicon芯片的原生支持注意事项。最后展示了验证配置成功的方法和资源获取渠道。

Chengbei11的博客 6341

3D 韩系风格漫剧人设 | GPT-Image2 人设生成【附完整提示词】

宁姚同款清冷剑系美人,极致小巧鹅蛋脸,下颌线紧致纤细流畅,下巴小巧精致收窄,小脸衬得五官格外舒展,韩式水光肌,面部精细水光高光,鼻梁高光、鼻尖高光、面中苹果肌高光、唇珠高光,红棕色长卷发偏分大波浪,垂在一侧肩前,发量蓬松。发量丰厚蓬松有体积感,不贴头皮,几缕碎发自然垂落脸侧修饰脸型,长度过胸及背,发丝柔顺丝滑卷度自然,发尾自然垂落,身穿香槟色缎面挂脖长裙,挂脖设计无袖露肩露背,上半身围裹式荡领胸口垂褶,腰部堆褶收腰,修身直筒包臀裙长度到脚踝,缎面光泽感强垂坠感好,极简剪裁。纯白色背景,3D漫剧写实厚涂风。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 139

建立书签链接的html语言,在某文本上建立超级链接的方法是

ppt如何超链接到word文档中某一具体位置ppt如何超链接到word文档中某一具体位置 WORD文档很长,想超连接到具体材料/工具:office2010Word文档中插入的表格内容怎么添加超链接?如果你有网页制作方面的电脑基础 ,那对于Word文档中如何插入超链接也比较好理解,跟网页制作一样,Word文档中也可以插入超链接, Word超链接能实现文档内部或网络的导航. 如在比较长文档中就可以通过...

weixin_42098104的博客 803

性能优化-高通cDSP(QDSP6)架构详解

高通cDSP开发的商业价值30秒快速认识高通cDSP开发的商业价值【高通cDSP旨在处理一些简单但需要大量计算的场景,如图像处理、科学计算、AI训练、计算机视觉等。这些场景使用CPU来运算会极大的降低CPU的吞吐量,因此利用现代寄存器较宽的特性设计出了适配数据并行的DSP芯片,cDSP就是典型的代表。利用cDSP+CPU既可以满足一般的使用场景,也可以完成现代图像和视频数据的处理。

发狂的小花的博客 5945

16福师硬盘是计算机的,福师16春《计算机应用基础》在线作业一

《福师16春《计算机应用基础》在线作业一》由会员分享,可在线阅读,更多相关《福师16春《计算机应用基础》在线作业一(12页珍藏版)》请在人人文库网上搜索。1、福师16春计算机应用基础在线作业一一、单选题(共40道试题,共80分。)V 1.观看所有的幻灯片,应选择( )工作视图。是 A. 幻灯片视图B. 大纲视图C. 幻灯片浏览视图D. 幻灯片放映视图满分:2分2.为了在磁盘中快速查找所有的“doc...

weixin_36212959的博客 215

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

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")

【C语言】输出带颜色的打印

一、Linux下控制台文字上色的方法 Linux下控制台颜色是通过添加专用数字来选择的。这些数字夹在 "\e["和 "m"之间。如果指定一个以上的数字,则用分号将它们分开。 举几个例子: (1)第一个数字(31)为前景颜色(红色);第二个数字为(42)背景颜色(绿色) echo -e "\e[31;42m" (2)使用"\e[0m"序列将颜色重新设置为正常值 echo -e "\e[0m" 或 echo -e "\033[0m" (3)颜色对应关系如下所示: \e[30m – \e[37m 设置前

叮咚的博客 4820

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

linux私房菜学习笔记—vim编辑器

使用 /word 配合 n 及 N 是非常有帮助的!可以让你重复的找到一些你搜寻的关键词! :n1,n2s/word1/word2/g n1 与 n2 为数字。在第 n1 与 n2 行之间寻找 word1 这个字符串,并将该字符串取代为 word2 !举例来说,在 100 到 200 行之间搜寻 vbird 并取代为 VBIRD 则: 『:100,200s/vbird/VBIRD/g

发粪涂墙的小毛驴的博客 375

硬盘是计算机的 奥鹏,奥鹏计算机应用基础一教学内容.docx

文档介绍:一、单选题(共40道试题,共80分。)V观看所有的幻灯片,应选择()工作视图。是幻灯片视图大纲视图幻灯片浏览视图幻灯片放映视图满分:2分为了在磁盘中快速查找所有的 •“doc”文件,最快且准确的查找方式是()按名称按日期按大小按类型满分:2分硬盘是计算机的()。中央处理器内存贮器外存储器控制器满分:2分完整的微机系统包括:主机与外部设备主机与输入输岀设备运算器,控制器和存储器硬件系统和软...

weixin_31499265的博客 196

wps高亮怎么取消_WPS的这些功能,竟然如此好用

在这之前,我是从来不用 WPS 的。不是不支持国产,而是微软 Office 用习惯了。你们懂的,习惯养成了很难改变。但是,本着好奇,去下载安装了 WPS 2019,试用后便一发不可收拾。接下来跟我一起领略下 WPS 的独特魅力吧~01关爱眼睛,从护眼模式开始WPS 中提供了一种护眼模式,可以瞬间将单元格背景色调整为护眼绿,缓解眼睛疲劳。这一贴心功能,不要说妹子了,连我这个赤脚大汉也被俘虏了。02聚...

weixin_39528000的博客 3522

如何在线打开word文档并高亮显示指定关键字

<br /><br /> 本文通过一个实用例子完整演示如何在线打开word文档并高亮显示指定的关键文字。<br />1. 项目目的<br />     目前,Office文件的在线处理越来越深入人心,越来越多的办公系统中的Word文档都采用了SOAOffice中间件来在线打开保存,同时也产生了一些更好、更高级的需求,本文所讨论的正是这样的一个需求:<br />打开文档的时候,高亮显示指定的关键字。<br />搜索结果高亮显示关键字。<br />2. 思路<br />写一个查找函数,可以在查找结束的时候,高亮

coco99的专栏 3267

WPS PDF文档如何取消高亮

转载请留言,违者必究 分析:高亮为注释的一种 解决方法:右击,选择“删除注释”即可

吴成伟的博客 3万+

Word Highlight设置详解

weixin_34295316的博客 2805

VBA 解析Color的RGB值

在VBA中颜色是以OleColor的形式存在的,如果想要RGB的值需要经过一定的装换。代码如下: Sub ColorAlert(Color As Variant) Dim R%, G%, B% R = Color Mod 256 G = Color \ 256 Mod 256 B = Color \ 256 \ 256 Mod 256

红泥屋 8037
上一篇: 代码操纵Outlook 2010日历显示第二时区
下一篇: 当宏打开Word文档时DocumentOpen事件不触发的问题分析
勾吴江南
博客等级 码龄15年 39粉丝 170原创
评论 1
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