考研数学 - 初数基础整理10

11个思维导图知识点整理帮你决胜考研(基础课和计算机专业课)| 寻找C站宝藏 本文给大家推荐一下我在考研期间整理的各个学科的思维导图笔记,几乎涵盖了相关学科的所有知识点和相应的做题技巧,相信肯定会对你的考研有所帮助! 基础课资源包括考研高等数学/线性代数的整理,同时将中值定理单独整理出来了.考研政治整理了那四门课目的内容,其中一门因为政治敏感无法作为文章发出,但是导图资源中是包含其内容的. 计算机专业课资源中包括(我考的是东南大学的软件工程906) 初试的数据结构和C++以及这两科的历年真题整理,复试内容包括计算机网络思维导图整理,软件工程和数据库没... 阅读详情

解析几何复习

第一部分



第二部分



第三部分



第四部分



【考研数学一】高等数学做题框架(初步) 【考研数学一】高等数学做题框架 前言 写一下高等数学的做题思路,算是补充《【做题策略】考研数学一初步分析》的一部分细节。 算是快速写一下,立一个靶子,然后后期慢慢修饰勾勒。 分值安排: 2020大纲 2021大纲 高数 4*(4+4)+10 *5 5*(6+4)+10 *4 线代 4*(2+1)+11 *2 5*(2+1)+ 15 *1 概数 4*(2+1)+11 *2 5*(2+1)+ 15 *1 往年考研数学一的高等数学部分客观题八个,大题五个,今年的客观题增加两个选择 阅读详情

相关推荐

考研数学一——概率论真题——自我总结题型整理(总分393)

平时习惯整理自己的学习体系,以下是一个记录。 其实,每个人都应该训练,看到某一类题目,应该有哪些思路。因为考试时,实际上只能想出最基本的思路。将每道题的思路确定下来,这样可以**强化训练解题模块化思维**。 (看时间和心情,后续大概率会更新高数/线性代数/概率论/英语完型(本人英一84分)/英语新题型/英语作文)或者可以留言邮箱想看啥(尽力分享,用爱发电)。 如需有问题,可以私发邮件到**layraliu@foxmail.com**,看到尽我所能回复。

layra_liu的博客 4124

考研数学 - 初数基础整理01

什么是条件充分性判断 两个数学命题 A、 B, 若由条件 A 成立, 就可以推出结论 B 成立 ( 即 A B 是真命题),则 A 是 B 的充分条件, 即 A 具备了使 B 成立的充分性。 若由 A 不能推出 B, 则称 A 不是 B的充分条件, 即 A 不具备使 B 成立的充分性。 简单的说就是 若 A => B 成立, 那么A是B的充分条件。(小范围=>大范围) 常用解题方法:

Wang的专栏 4078

考研[*高数*]学习笔记汇总(全)

A:其他资源B:考试题型分值范围一:高等数学补充知识点:4.冲刺笔记5.数学8小时填空方法速成这里走神了,感觉有点快,练完题自己从新做(必须搞懂)二:线性代数补充:3.冲刺笔记4.三:概率论。

刘鑫磊 6276

考研数学二笔记整理

考研数学二笔记整理笔记小小的心得复习计划心态 笔记 小小的心得 复习计划 我讲一下我自己的经历,我是二战生,有一定的基础,所以我是在6.23开始全身心投入数学复习的。 教材: 《2020张宇高等数学18讲》 《2020张宇线性代数9讲》 《张宇题源探析经典1000题》 《张宇考研数学真题大全解》 《李林考研数学系列考前冲刺6套卷》 《李林考研数学系列终极预测4套卷》 时间线: 6.23~7.13 高数基础阶段;看汤家凤高数基础班视频,看《高数18讲》

Nikkidoog的博客 2万+

考研数学需要死记硬背的全部数学公式

高教考研整理了考研数学中不需要理解而直接应用的全部公式如下, 除此以外,其它涉及到的公式都需要依赖于理解和日常的题目训练来达到熟练的状态,如果达不到,只能 说明你的理解或者题目的训练量存在问题,请重新检视复习安排!

有限元缺陷:剪切锁死

有限元缺陷:剪切锁死

wsxww11的博客 5191

【考研数学二】高等数学重点知识点整理

2.4.6 重点6若f(x)的导数是有界,函数f(x)是否有界。不一定:举反例:f(x)的导数为y=1,则f(x)=x无界。若f(x)的导数在有限区间有界,函数f(x)一定有界。(拉格朗日证明)注意下列情况也存在极值:存在极值的两种情况:罗尔定理的使用一般的分子的次数大于分母为0一般的分子的次数不大于分母无穷或不存在利用不同路线去求极限下面的都为0;设 f(x,y)f(x,y)是定义在平面区域 D 上的函数,二重积分记作:,其中 dA表示面积元素。

强哥的微博 8717

使用广播星历进行 GPS 卫星位置的计算

目录1.计算卫星运动的平均角速度 n2.计算观测瞬间卫星的近地点角3.计算偏近点角4.计算真近点角 f5.计算升交角距 6.计算摄动改正项7.进行摄动改正 8.计算卫星在轨道面坐标系中的位置9.计算观测瞬间升交点的经度 L10.计算卫星在瞬时地球坐标系中的位置11.计算卫星在协议地球坐标系中的位置使用广播星历进行GPS卫星位置的计算的详细步骤如下:关于在广播星历中各参数的分布情况可以参考下图:首先根据广播星历中给出的参数 计算参考时刻(TOE) 的平均角速度 式中,GM为万有引力常数 G 与地球总质量

qq_43381998的博客 5570

【考研数学】张宇基础 30 讲和 18 讲的区别是什么?推荐做嘛?

在备考过程中,我们要根据自己的实际情况,合理选择和使用这两本资料,制定科学的备考计划,坚持不懈地努力学习。18 讲的题目难度明显提升,更注重对知识点的综合运用和拓展,需要我们在有一定基础的前提下进行深入学习。例如,可以参考一些其他名师的高等数学辅导资料,或者做一些历年真题中的高等数学部分,拓宽自己的解题思路和视野。定期进行模拟考试,模拟真实的考试环境和时间限制,提高自己的应试能力和心理素质。18 讲的学习需要有一定的基础,因此在使用之前,要确保自己已经对高等数学的基础知识有了较好的掌握。

zhanger0807的博客 4019

python轮胎缺陷检测_基于深度学习的轮胎缺陷无损检测与分类技术研究

基于深度学习的轮胎缺陷无损检测与分类技术研究【摘要】:随着汽车行业快速发展及汽车保有量的持续增长,大大增加了对轮胎的需求,而轮胎质量在很大程度上决定了轮胎的使用寿命,也是在行驶过程中对人们生命财产安全的保障,同时对轮胎进行在线质量检测也便于轮胎生产企业及时发现生产线中存在的不合格产品,以此来调整机械设备甚至轮胎的生产工艺,避免造成生产材料的浪费。因此,检测轮胎质量是轮胎生产过程中必不可缺少的一部分...

weixin_39689428的博客 1428

Sharding Sphere JDBC使用Mybatis的saveBatch无法返回主键的问题

Sharding Sphere JDBC使用Mybatis的saveBatch无法返回主键的问题

HHCS231的博客 1840

2021考研数学一123分经验分享

##序言 本人21考研南昌大学信息工程学院计算机科学与技术(学硕)初试346分,排名第五,其中数学一123,计算机专业基础综合(408)112,虽然本人也有些许遗憾,但是在意料之中,自我感觉是满意的成绩。 那么今天话不多说,已经接近三月中旬,相信22的学弟学妹们急需数学复习的规划, 那么,今天我就以博客文章的方式分享我的数学一复习经验 郑重声明:本人只做分享,不参与任何考研机构活动,并且经验还请各位参考,具体需要根据自身来做调整。 ##关于硬货 所谓硬货,就是明确推荐的书目,以及必做练习题,当然我也会给出

qq_41480495的博客 3132

Web3:Ubuntu系统 使用Docker-compose方式部署blockscout浏览器&配置版本-v5.2.3-beta+charts图表

详细介绍了在Ubuntu 23.04系统上部署Blockscout浏览器的步骤,以及过程中遇到的问题进行一一解决。

鄙人kunzhi96,感恩遇见! 2万+

25考研数学备考计划

25考研数学备考计划,全年时间安排,老师推荐,书籍推荐,视频网课等

weixin_55922953的博客 2787

R语言中的混淆矩阵(Confusion Matrix)是一种常用的评估多分类模型性能的工具

除了准确率,混淆矩阵还提供了其他有用的指标,如灵敏度(Sensitivity)、特异度(Specificity)、精确度(Precision)和召回率(Recall)。混淆矩阵通过比较模型预测结果与实际标签的一致性,帮助我们了解模型的分类准确性和错误类型。此外,混淆矩阵还提供了各种错误类型的统计信息,如假阳性(False Positive)和假阴性(False Negative)等。通过混淆矩阵,我们可以了解模型的整体性能和错误类型,从而对模型进行评估和改进。最后,为了更好地理解混淆矩阵的结果,可以使用。

HackSquad的博客 972

087、DAMO-YOLO Efficient-RepGFPN:重参数化加皇后融合加黄金分割的创新 Neck

DAMO-YOLO的Efficient-RepGFPN创新性Neck结构摘要: 该结构通过三重创新提升目标检测性能: 重参数化卷积:训练时多分支(3x3卷积+1x1卷积+BN分支)提升特征表达能力,推理时合并为单路3x3卷积保证效率; 皇后融合机制:采用可学习权重对不同尺度特征进行自适应加权融合,而非简单相加,通过Softmax归一化权重实现特征选择; 黄金分割连接:优化特征金字塔层间连接方式,按比例分配相邻层特征权重(如P3:P5≈0.618:0.382),减少冗余连接噪声。 实验表明,该结构有效解决了传

ai技术增长的博客 102

2020考研数学-数一考试大纲原文(21可做参考)

2020考研数学-数一考试大纲(21可做参考) 考试科目:高等数学(同济)线性代数(同济)概率论与数理统计(浙大) 考试形式和试卷结构 一、试卷满分及考试时间 试卷满分为150分,考试时间为180分钟 二、答题方式 答题方式为闭卷、笔试 三、试卷内容结构 高等教学约56% 线性代数约22% 概率论与数理统计约22% 四、试卷题型结构 单选题8小题,每小题4分,共32分 填空题6小题,每小题4分,共24分 解答题(包括证明题)9小题,共94分 高等数学 一、函数、极限、连续 考试内容 函数的概念及表示法函数的

weixin_47312141的博客 2517

【一看就会】Autoware.universe的“规划”部分源码梳理【0】——Planning综述(持续更新中)

单独开一篇planning综述,作为整个规划系列的开篇。本篇综述会持续更新,希望能帮助大家更好的整体理解规划部分。这个部分会持续更新。

weixin_48386130的博客 1967

22考研,考研数学该如何准备和规划?

很多22考研的同学都已经加入了备考大军,大家都知道,数学是考研科目中最容易拉分的科目,数学准备好了,表示考研就成功了一大半。然而很多今年决定考研的小白,不知道如何下手。所以今天就和大家谈...

计算机与软件考研 593

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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")

考研数学一复习规划

数学不讲究不求甚解,先打好基础,然后就是用难题来刷新自己的上界,不能遇到难题就说太难了不会考而去逃避,要有迎难而上的精神。超越卷题目很新,我做完很受启发,共创要简单一点,但也很不错了。张宇八套很有难度,很有挑战性,计算量大,可以当习题练,考(上交的学长)的话分数在120+(11月开始刷模拟题),10月开始的那个考了140+。每天早上我都会做一套模拟题,雷打不动,主要是考虑到数学非常依赖长久积累的手感以及强大的考场应变能力,所以时间上3小时要掐准,模拟的时候也尽量别上厕所,去跟正式考试接轨。

徐心兰 1864

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

考研分享之数学篇

考研(计算机专业)分享——数学篇 最近在整理东西翻到前年考研时的一些笔记,想着放着也是放着可以拿来分享下,虽然比不上大神们的物料,但万一就有用了呢!哈哈哈主要也是想给一些还不知道怎么着手的宝宝们一些参考,以及给已经复习了的小伙伴们点建议。 众所周知,近年来越来越多的学生想要进入研究生的大门,刚结束的这一届已经有340多万考生了,可想而知之后只会越来越多,所以如果选择要考的小伙伴们就不要犹豫了,要趁...

weixin_40809025的博客 511

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

考研数学 | 《基础过关 660》怎么合理运用?

总之,合理运用《基础过关 660》需要我们有计划、有步骤地进行复习,注重错题分析和知识点总结,不断提升自己的数学能力。相信通过认真使用这本习题集,你一定能在考研数学中取得优异的成绩。考研数学的复习过程中,《基础过关 660》是一本备受推崇的习题集。它以其高质量的题目和对基础概念的深入考查而闻名,合理运用它对于提升数学能力至关重要。

zhanger0807的博客 1290

考研数学|《660》和《880》都是好题,但是真的别乱刷

对于那些还在用传统习题册练习的同学们,一定要警惕边刷题边看答案的诱惑。努力自控,尝试先独立复习知识点,再尝试解题。简单地记忆答案会给人一种虚假的掌握感。然而,一旦题目发生变化,可能就会束手无策。知能行训练的优势在于,当你选择错误时,系统不会立即揭晓答案,而是会引导你回顾相关的知识点,并给你提供类似题目练习。我觉得这个训练方式相当好,它使得我们在下一次遇到类似题目时能掌握正确的解题方法。经过攻克高难度题目的训练,以及对知识点的系统强化和查漏补缺,你会获得决定性的解题技能,从而轻松战胜历年的真题。

EvenNotMe的博客 1万+

考研数学伽马函数

伽玛函数作为阶乘的延拓,是定义在复数范围内的方程,通常写成(图1)。 图1 当方程的变量是正整数时,方程的值就是正整数的阶乘。在考研数学中,我们经常会利用伽马函数解一些常见的积分,尤其是在概率的题目中应用广泛。比如我们知道积分(图2)。 图2 但是如果遇到了(图3-4),这就比较复杂了。 图3 图4 幸好我们有伽马函数这一神器,遇到上述积分简直是小菜一碟。在考场上,当你的对手还在拼命做变量代换、计算的焦头烂额的时候,你闲庭信步地口头背了一下公式,嗯,这个是(图5),嗯,这个是(

lhwjgs123456789的博客 1万+

2025年考研数学题型、题量预测和真题(送35页考研数学大纲详解)

按照2024年的考研数学大纲去备考,是科学、高效的方法。我们来分析一下2025年的考研数学安排。

xiegangfou的博客 7288

考研数学一二三区别 什么专业考研不考数学

考研数学一二三区别 什么专业考研不考数学 考研考数学的专业有一二三种不同的试卷,有些专业不考数学,就不用 担心难度问题了。下文小编给大家整理了考研数学一二三的区别和难度,供 参考!    考研数学一二三有什幺区别数学分为三类,最大的区别在于知识面的要求 上:数学一最广,数学三其次,数学二最低。这个差异体现在细节上,就成 了数学一、二、三在考试内容和适用专业上的不同之处。  数学一:针对对数学要求较...

C/C++/Linux/MySQL 1702
上一篇: 考研数学 - 初数基础整理09
下一篇: 考研数学 - 初数基础整理11
Wang's Blog
博客等级 码龄12年 7439粉丝 2422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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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