My_SQL day2

《炬丰科技-半导体工艺》用于半导体的RCA清洁技术 书籍:《炬丰科技-半导体工艺》 文章:用于半导体的RCA清洁技术 编号:JFKJ-21-1073 引言 RCA清洗技术是用于清洗硅晶圆等的技术,由于其高可靠性,30多年来一直被用于半导体和平板显示器(FPD)领域的清洗。其基础是以除去颗粒为目的的氨水-过氧化氢溶液组成的SC―1洗涤和以除去金属杂质为目的的盐酸-过氧化氢溶液组成的SC―2洗涤相结合的洗涤技术。SC-1洗涤的机理说明如下。首先,用过氧化氢氧化硅晶片的表面,用作为碱的氨蚀刻氧化硅,并通过剥离去除各种颗粒。此外,如图1所示,在pH 10.5附近的S 阅读详情

知识点一:mysq查询方法

        排序

        限制

        去重

        模糊查询

        范围查询

        聚合函数

        分组

知识点二:连接查询

        1.内连接

        2.外连接

知识点一:mysql查询方法

is null            is not null

create table t1(id int,name varchar(10));
insert into ti(id)  values(1),(2);
insert into t1 values(3,"jianqi");

select * from t1 where name is not null;
+------+--------+
| id   | name   |
+------+--------+
|    3 | jianqi |
+------+--------+

select * from t1 where name is null;
+------+------+
| id   | name |
+------+------+
|    1 | NULL |
|    2 | NULL |
+------+------+

and or not

#and
select  *from Student where 18<=Sage and Sage<=19;  #既符合左边又符合右边

#or
select  *from Student where 18<=Sage or Sage<=19;   #两边有一个等式成立

#not
mysql> select  *from Student where not Sage<=19;    #排除

排序

#正序
select * from Student order by Sage;
#倒序
select * from Student order by Sage desc;

限制

select * from Student limit 2;

#从第三行开始显示两条数据
select * from Student limit 2;

去重

                字段       表名
select distinct Sage from Student;

模糊查询

select * from Student where Sname like "王%";   #任意多个
select * from Student where Sname like "刘_";   #匹配单个字符

范围查询

select * from Student where Sage in (18,20);
#18-----19
select * from Student where Sage between 18 and 19;

聚合函数

#求和
select sum(Sage) from Student;

#统计数量
select count(*) from Student;

#求平均
select avg(Sage) from Student;

#连接字符串
select group_concat(Sname) from Student;

#最小Sage
select min(Sage) from Student;

#最大Sage
select max(Sage) from Student;

分组

#group by
select subject_number from grades group by subject_number;
以什么分组  就要用什么来显示

select subject_number,count(*) from grades group by subject_number;

#having  可以筛选
select student_number,count(*) from grades group by student_number,grade having grade>=80;

子查询

select distinct Sage from (select Sage from Student order by Sage)as stu_age;

内连接

#两张表里面相同的名字
select * from t1 join t2 on t1.name=t2.name;

外连接

#左外连接
select * from t1 left join t2 on t1.name=t2.name;

+------+--------+------+--------+
| id   | name   | id   | name   |
+------+--------+------+--------+
|    1 | NULL   | NULL | NULL   |
|    2 | NULL   | NULL | NULL   |
|    3 | jianqi |    6 | jianqi |
+------+--------+------+--------+

#右外连接
select * from t1 right join t2 on t1.name=t2.name;
+------+--------+------+--------+
| id   | name   | id   | name   |
+------+--------+------+--------+
| NULL | NULL   |    4 | fufu   |
| NULL | NULL   |    5 | beibei |
|    3 | jianqi |    6 | jianqi |
+------+--------+------+--------+

视图

什么是视图:视图(VIEW)也被称作虚表,即虚拟的表,是一组数据的逻辑表示,其本质是对应于一条SELECT语句,结果集被赋予一个名字,即视图名字。
视图本身并不包含任何数据,它只包含映射到基表的一个查询语句,当基表数据发生变化,视图数据也随之变化。

好处:提高重用性;对数据库进行重构(不会影响数据运行);提高安全性(给不同用户提供视图表格);让数据更加清晰(想要什么样的数据就建什么样的表格)

缺点:表依赖关系(根据数据库中的基础表创建了视图,每当改变有关相联表的时候,都会改变视图;性能(从数据库的视图查询数据可能会很慢)

create view view_tb_paixu as select * from Student order by Sage;

从“点云”到“图像”:华为896线激光雷达的技术飞跃与行业影响浅析 华为发布全球首款896线双光路激光雷达,实现车载感知从"3D点云"到"3D成像"的跨越。该产品采用创新双光路架构,集成广角和长焦单元,单帧点云量达128线产品的7倍,可在55米外识别小狗摇尾巴等细节。实测数据显示,其能识别120米外14厘米低矮障碍物,夜间低反射率目标识别距离提升190%。尽管速腾聚创随后发布更高线数产品,但华为强调实用性和量产可行性,成本仅增加1-2万元。这一突破标志着激光雷达进入大规模应用阶段,将加速高阶智驾功能普及,强化华为在智能汽车领域的技术底 阅读详情

相关推荐

关于MII、RMII、GMII、RGMII、PHY、网络变压器、RJ45的硬件总结

文章目录前言一、网络传输结构及原理1.以太网的工作原理2.TCP/IP协议3.数据链路层(MAC)二、介质独立接口MII,RMII,GMII,RGMII1.MII(Media Independent interface)2.RMII(Reduced Media Independent Interface)3.GMII(Gigabit Medium Independent)4.RGMII(Reduced Gigabit Media Independent Interface)三、物理层芯片(PHY)二、使用步

weixin_44415816的博客 3万+

mysql 实现top查询

msyql实现top查询

dream_follower的博客 1634

Delphi开发者必备:CEF4Delphi跨平台浏览器嵌入实战指南(含Lazarus适配)

本文详细介绍了Delphi开发者如何利用CEF4Delphi实现跨平台浏览器嵌入,包括环境配置、Lazarus适配、ARM架构优化及Firemonkey集成等实战技巧。通过Chromium引擎的强大功能,开发者可以轻松为传统桌面应用添加现代浏览器特性,提升多平台开发效率。

weixin_29233333的博客 227

mysql查询取前五百条数据,Java JDBC一次显示前500条记录,提交,显示下500条记录等...

So I want to be able to display 500 records at a time, commit and print that it has been displayed records 1 to 500 records have been committed. And than do the next 500 records and commit again until...

weixin_29213827的博客 1352

UniDexGrasp++算法实战:无需预生成姿态的灵巧抓取测试指南

本文详细解析了UniDexGrasp++算法在灵巧抓取测试中的实战应用,该算法无需预生成姿态即可实现高效抓取,特别适合处理形状不规则的物体。文章涵盖了环境配置、数据集优化、训练流程及实际测试中的调参技巧,帮助开发者快速掌握这一ICCV 2023提出的先进算法。

weixin_29045585的博客 279

GOM引擎单机传奇架设全攻略——从DBC2000配置到登录器生成

本文详细解析了使用GOM引擎架设单机传奇的完整流程,从DBC2000的安装配置、服务端部署、引擎控制器设置,到登录器生成与客户端补丁放置。文章重点解决了单机架设中的常见问题,如数据库路径配置、IP地址设置及Key.lic文件处理,旨在帮助玩家快速搭建稳定的个人游戏环境,体验GM乐趣。

weixin_28318011的博客 632

mysql查询前几条记录

SELECT * FROM table LIMIT 5; select * from issu_info limit 0,6 Limit 0,6 这里是对的,显示前6条 select * from...

weixin_34029949的博客 1398

计量经济学tempdisagg的python库:年度时序变月度

计量经济学tempdisagg的python库:年度时序变月度

素质云笔记 1529

mysql 抽取前五条记录

select * from info where 1=1 and pid = 2 order by id desc limit 0,5

snn1410的专栏 4995

论文复现《基于最大李雅普诺夫指数的电力系统暂态电压稳定评估方案》

电力系统暂态电压稳定评估方案 摘要 本研究提出了一种基于最大李雅普诺夫指数的电力系统暂态电压稳定评估方法。通过分析相空间中相邻轨迹的收敛或发散特性,该方法能够提前判别系统稳定性。论文首先阐述了暂态电压稳定机理,详细介绍了最大李雅普诺夫指数的计算方法。针对IEEE-39节点系统,建立了仿真模型并获取不同故障场景下的数据。研究开发了完整的评估程序,包括数据预处理、相空间重构、指数计算等模块,并通过与时域仿真结果的对比验证了方法的准确性。实验结果表明,该方法能够快速有效地评估电力系统的暂态电压稳定性,为系统安全运

max500600的博客 187

信捷PLC XD5系列运动控制(10轴)编程应用篇

项目PLC采用XD5-60T10-E,36DI 24DO 晶体管输出,支持10路脉冲输出功能。TMR指令定时器时基可以自己设定,这点比其他品牌PLC方便。ZRN指令我们需要上升沿指令触发。 5、变址寻址 该说不说这个变址寻址是真的强,比西门子指针、三菱的变址寄存器Z 、V都要更加灵活。 7、特殊寄存器:时钟 8、如何建立PLC通讯...............

RXXW_Dor的博客 1万+

mysql查前几条数据类型_mysql查询各种类型的前n条数据

原文链接:http://www.likezhou.com/find/11681.html查询各种类型的前n条数据的的sql写法,有好几种:假设要查询每种分类点击量前三的数据,type为类型字段,clickNum为点击数。第一种:select*fromtable AS awhere(select COUNT(*) from tableAS b whereb.type= a.typeANDb.cli...

weixin_35748716的博客 1284

第 9 篇:TMC2240 速度调节实战|STEP 信号生成 + 平滑调速算法(无抖动)

摘要:本文详细介绍了TMC2240电机调速方案,重点解决调速时电机抖动、丢步等问题。核心原理是通过STEP信号频率控制转速,结合平滑加减速算法避免电流冲击。文章从速度与STEP频率的数学关系入手,提供了定时器生成固定频率STEP信号的实现代码,并给出不同转速下的频率参数表。针对42步进电机+256微步细分场景,详细讲解了定时器初始化、中断处理及固定转速设置方法,帮助开发者实现稳定调速。全文包含可直接复用的代码片段,适合嵌入式开发者快速实现电机平滑调速功能。

BackCatK Chen的博客 1035

My SQL day02

1.SQL 1.1 SQL 介绍 SQL,它的全称叫Structured Query Language,结构化的查询语言。之所以出现这个东西,是为了统一/屏蔽不同数据库厂商生产的数据库产品之间的差异。 1.2 简单DDL 比如更改表名 alter table 表名 rename 新表名; 如 alter table teacher rename t_teacher; 更改字段名 alter table 表名 change 列名 新列名 数据类型; 更改表的列名 和 数据类型 当然数据类型.

java_yangXL的博客 550

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

My SQL函数

SQL数据库的常用函数包括字符串函数、数值函数、日期时间函数、转换函数和正则表达式函数,以及一些聚合函数。 1.字符串函数 字符串函数主要用于对字符串数据的处理。 函数 含义 ASCII(string) 返回给定ASCII字符string的十进制值 CHAR(string) 返回给定整数integer所对应的ASCII字符 COUNT(st...

G090909的博客 973

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。

My SQL(基础篇day1)

先使用use 数据库名 后,才可以进行表操作 double(M,D) M:数的数位,如100.0:是4。D:小数的数位,如100.0:是1。 ​​​​​​​ 1 23 ​​​​​​​

2302_79891212的博客 948

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

day01 MY SQL 基本操作

1. MY SQL 基本操作 1.1 TCL--用户创建和授权 MySQL中是以数据库做区分,但是用户可以操作数据库,权限最大的用户是root,在安装MySQL的时候我们已经设置了root的密码 但是真正开发中,不会让我们使用root用户,权限太大,会为我们单独创建用户,这个用户只能操作某个数据库 创建用户:CREATE USER 'username'@'host' IDENTIFIED BY 'password'; 需要切换到mysql数据库下,操作user表 username:用户名;host

java_yangXL的博客 538

My SQL-day02-数据库sql的基本语法

sql语句 数据库的基本概念 1. 数据库的英文单词: DataBase 简称 : DB 2. 什么数据库? * 用于存储和管理数据的仓库。 3. 数据库的特点: 1. 持久化存储数据的。其实数据库就是一个文件系统 2. 方便存储和管理数据 3. 使用了统一的方式操作数据库 -- SQL 4. 常见的数据库软件 * 参见《MySQL基础.pdf》 MySQL数据库软件 1. 安装 * 参见《MySQL基础.pdf》 2. 卸载 1. 去mysql的安装目录找到my.ini文件 *

xingxing_LM的博客 228

my sql day1

关于启动、登录、退出 启动MySQL net strat mysql 关闭mysql net stop mysql 登录mysql mysql -u root -p 退出 exit; 关于数据库查询、新建、指定 数据库查询 show databaes; 创建数据库 create database test2020; 指定数据库 use test2020; 关于数据库表的新建...

weixin_44097337的博客 204

My_SQL day1

今天学习的内容有mysql基本结构,MySQL账户操作,MySQL库操作,MySQL表操作,MySQL表数据操作。

WuMingf_的博客 601

CISCN2019 华北赛区 Day2 Web1

CISCN2019 华北赛区 Day2 Web1 前言 最近太懒一直没有怎么学习,今天把《轮到你了》结局看了也极为失望,作为黑岛的舔狗我决定好好刷题提高自己,不然都没有实力去当舔???? (当好舔????真不容易) 打开大佬的博客发现好多新的题和环境…好吧,一道一道来吧 感谢大佬提供的环境:https://github.com/glzjin/CISCN_2019_northern_China_day2_we...

kid的博客 1997

My_SQL day3

知识点:约束1.dafault 默认约束2.not null 非空约束3.unique key 唯一约束4.primary key 主键约束5.anto_increment 自增长约束6.foreign key 外键约束知识点:表关系1.一对一2.一对多3.多对多。

WuMingf_的博客 617

My-sql批量更新或者插入的SQL

My-sql批量更新或者插入的SQL,高效, MyBatis中的配置sample 如下: INSERT INTO db_log.test1 ( a,b,c) values ( #{it.a},#{it.b},#{it.c} ) on dupl...

qfjiang的专栏 209

My Batis Day2

mybatis-config.xml为核心配置文件,是必不可少的,主要的配置信息也是在这里面写的。要记住:虽然可以配置多个环境 但是每个SqlSessionFactory实例只能选择一种环境。MyBatis的配置文件包含了会深深影响MyBatis行为和属性信息。Mybatis默认的事务管理器就是:JDBC 连接池:POOLED。书写顺序必须要严格按照上面的顺序,否则会报这个错误。MyBatis可以配置成适应多种环境。学会使用配置多套运行环境。

KeuByXu的博客 94

My Batis Day3

在使用MyBatis框架进行数据库操作时,我们经常需要根据不同的条件生成不同的SQL语句。这就是动态SQL的概念。MyBatis提供了一种灵活的方式来处理动态SQL,使得我们能够根据实际需求来构建和执行不同的SQL语句。

KeuByXu的博客 113

My SQL 函数-----日期函数 day() 、month()、year()

My SQL 函数-----日期函数 day() 、month()、year() select day(createtime) from life_unite_product     --取时间字段的天值 select month(createtime) from life_unite_product   --取时间字段的月值 select year(createtime) from l

NineCrazy的博客 1375
上一篇: My_SQL day1
下一篇: My_SQL day3
WuMingf_
博客等级 码龄4年 209粉丝 25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