自己写Stack 实现栈结构

糖尿病预测(深度学习pytorch实现-最新) 本次做的项目是糖尿病的预测,也是来自kaggle上面的一个小项目。根据一个人的怀孕次数、血糖、血压、皮肤厚度、胰岛素指标、身体质量指数、糖尿病谱系指数、年龄等身体参数来预测一个人是否患有糖尿病。 阅读详情

前言:

栈的应用:

1. 可计算数学后缀表达式
2. 把正常中缀表达式转换为后缀表达式
3. 计算检测编译程序{}等括号符号是否正确,是否存在语法错误
4. 递归中需要实用栈存储方法信息,计算机中函数调用是通过栈(stack)这种数据结构实现,在递归中调用一层函数,栈就会加一层栈帧,每当函数返回,栈就会减少一层栈帧。

正文:

  1. java中使用数组实现栈

    package com.anteoy.dataStructuresAndAlgorithm.javav2;
    
        import java.util.ArrayList;
    
        /**
         * Created by zhoudazhuang on 17-3-1.
         * Description:
         */
        public class ListGo {
    
            public static void main(String[] args) {
                ArrayList arrayList = new ArrayList();
                arrayList.add(1);
                arrayList.add(2);
                arrayList.add(3);
    
                //进栈
                arrayList.add(arrayList.size(),2);
    
                //出栈
                arrayList.remove(arrayList.size()-1);
    
                System.out.println(arrayList);
            }
        }
  2. java中LinkedList实现栈

package com.anteoy.dataStructuresAndAlgorithm.javav2.my;

    import java.util.LinkedList;

    /**
    * Created by zhoudazhuang on 17-3-2.
    * Description:
    */
    public class StackByLinkedList {

    public static void main(String[] args) {
        useLinkedListAsLIFO();
    }
    /**
     * 将LinkedList当作 LIFO(后进先出)的堆栈
     */
    private static void useLinkedListAsLIFO() {
        // 新建一个LinkedList
        LinkedList stack = new LinkedList();

        // 将1,2,3,4添加到堆栈中
        stack.push("1");
        stack.push("2");
        stack.push("3");
        stack.push("4");
        // 打印“栈”
        System.out.println(stack);

        // 删除“栈顶元素”
        System.out.println("stack.pop():"+stack.pop());

        // 取出“栈顶元素”
        System.out.println("stack.peek():"+stack.peek());

        // 打印“栈”
        System.out.println("stack:"+stack);
    }
    }

后记:

  1. 尾递归和递归 局部变量栈在递归引用中,不能算尾递归
  2. 参考文献:数据结构与算法分析
SAR学习笔记后续-phased工具箱介绍 摘要:相控阵雷达介绍,基于仿真对MATLAB中phased工具箱进行了详细介绍 阅读详情

相关推荐

疫情数据分析的“核武器”!JHU CSSE COVID-19数据集超深度解析与实战指南(附代码)

在面对这场没有硝烟的战争时,除了医护人员在前线与病毒搏斗,还有一群默默的英雄——数据科学家和分析师,他们利用手中的“数据武器”,昼夜不停地监测、分析、预测疫情走势,为政府决策、资源调配、公众科普提供了至关重要的支撑。同时,由于某些国家(如美国、加拿大、澳大利亚、中国等)的数据细化到省/州级别,为了得到国家层面的总数据,我们需要按国家和日期进行聚合。正是在这样的背景下,经过这些步骤,我们已经得到了一个包含了累计数据、每日新增数据和活跃病例数的完整数据集,可以开始进行深入的分析和可视化了!

wylee的博客 1167

并发编程(三)java线程状态log日志解读 - Stack log 解读

我们可能在平时会用到jstack命令,进行线程状态查看,下面简单解读一下jstack中日志。其中有示例代码进行演示。

liushuailei的博客 1677

在Windows11上安装ubuntu版linux系统并实现桌面图形化(WSL)

在Windows11上安装ubuntu版linux系统并实现桌面图形化(WSL),xfce桌面美化、安装google-chrome

NiKoJJ‘s Blog 1万+

Stack与递归

输入:整数0<n<=100000,操作次数。n行:字符串,如果是VISIT,接着输入一个不包含空格和换行的长度小于100的网址;回退:返回到上一次访问的页面;前进:返回到上次回退前的页面,如果上次操作是打开页面,则无法前进。输入n(1<= n <=100), a(1<=a<=10), b(1<=b<=10), p(1<=p<=2000)。有一个n个数的序列,判断这个序列能否是按照1~n的顺序入栈并随机出栈的结果。跳格子,每个格子上有两种前进格数的选择,共n个格子,怎么能用最少次数跳出去。

Stone 不会喝水的博客 875

用MCP扩展Cursor的5种神奇用法:从文件操作到网页抓取实战

本文深入探讨了如何利用MCP(Model Context Protocol)扩展Cursor AI编程助手,解锁五种高效实用场景。从文件系统操作、网页内容抓取,到数据库查询、Figma设计稿对接,乃至构建自定义MCP服务器,文章通过实战案例展示了如何将Cursor从代码编辑器升级为能理解并操作工作环境的智能助手,显著提升开发效率与自动化水平。

weixin_29231027的博客 317

金蝶EAS uploadlogo漏洞实战:如何快速检测你的系统是否受影响

本文详细解析了金蝶EAS uploadlogo任意文件上传漏洞的检测与防护方法,帮助企业安全团队快速识别系统风险。通过资产发现、漏洞验证和应急响应方案,有效防范财务数据泄露和系统入侵风险,提升企业整体安全防护能力。

weixin_29322553的博客 389

浅谈栈(Stack)数据结构

一、概述: 栈(stack):栈是一种线性的结构,这种数据结构仅限在线程表的一段进行插入和删除操作。其中线性表插入的和删除的一段称为栈顶(top),不循序插入和删除的一段称为栈底(bottom)。所以栈数据结构是遵循“后入先出”,也就是“LIFO”。 二、栈的特征 (1)栈也是一种线性的机构。 (2)相比较数组,占对应的操作是数组的子集。 (3)只能从一端添加元素,也只能从一端取出元素,这一端称为栈顶。 (4)栈是一种后进先出的数据结构。称为:Liast In First Out(LIFO)

bc_Reversing的博客 1870

Figma 设计稿转前端代码:Cursor 实现 UI 还原的 4 种精准映射方法

揭示 Figma 设计稿转前端代码失效的根本原因在于四层语义未对齐(像素→布局、视觉→样式、交互→行为、意图→架构),提出以语义标注为核心的结构化喂数据方法,详解通过图层命名、Description 字段和 Markdown 上下文锚点实现高精度 React 组件生成,并给出可落地的避坑指南与实测提

weixin_42545292的博客 140

如何写一个Stack?

如何开发一个自己的栈 1.栈是数组 2.先进后出 3.出栈 4.入栈 /** * 手写一个双向链表 栈 */ public class StackPopAndPush { //1.明确:用数组来实现 private Object[] stack; //元素个数 private int size; //默认长度为15个元素 public StackPopAndPush() { this(15); } public StackPopAndPush(int lens) {

jj89929665的博客 251

知识追踪实战:lstm+ Multi-head Attention注意力机制的学生做题成绩预测实战

知识追踪实战:lstm+ Multi-head Attention注意力机制的学生做题成绩预测实战

2223

【机器学习概率统计】11 贝叶斯统计推断:最大后验

这一节,我们来介绍另外一种统计推断方法:贝叶斯统计推断方法。 1.回顾贝叶斯定理 首先,我们先来复习一下贝叶斯定理: p(Θ∣X)=p(X∣Θ)p(Θ)p(X)p(\Theta|X)=\frac{p(X|\Theta)p(\Theta)}{p(X)}p(Θ∣X)=p(X)p(X∣Θ)p(Θ)​ 在这个简简单单的式子当中,蕴含了我们要掌握的很多重要内容: 贝叶斯定理当中的四个概率表达式,他们都非常重要,在这一节的内容中将反复出现,我们来一一解析一下: p(Θ)p(\Theta)p(Θ):先验分布。 反映的是在

机器学习数学基础系列专栏 3272

用递归实现Stack元素逆序排列

题目 将一个Stack里面的所有元素反转,也就是逆序排列,要求不能使用其它容器。 分析 如果能使用另外一个Stack,那就简单了,只需将该Stack中的元素依次pop出来,并push到另一个Stack里面即可。 while (!stack1.empty()) stack2.push(stack1.pop()); 但是题目要求不能使用其它容器,这就相当有难度了。 假设Stack的元素是 [1, 2, 3, 4, 5] ,想要变为 [5, 4, 3, 2, 1] ,倒过

duke_ding2的博客 616

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")

Java中的List接口有哪些实现类

接口有多种实现类,主要用于存储和操作有序的元素集合。例如,如果需要频繁的插入和删除操作,这些实现类根据具体的需求,可以选择合适的。如果更注重线程安全,则可以考虑。

Weiki的博客 624

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

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Android数据结构-List

线程不安全。

u013126431的博客 431

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

使用 js 实现一个简单的栈结构

栈结构 使用 js 实现一个简单的栈结构 function Stack() { let datasource = []; // 进栈 this.push = function(el) { datasource.push(el); }; // 出栈 this.pop = function() { return datasource.pop(); }; ...

m_review的博客 497

JavaScript实现栈结构(Stack)

JavaScript实现栈结构(Stack) 一、前言 1.1.什么是数据结构? 数据结构就是在计算机中,存储和组织数据的方式。 例如:图书管理,怎样摆放图书才能既能放很多书,也方便取? 主要需要考虑两个问题: 操作一:新书怎么插入? 操作二:怎么找到某本指定的书? 常见的数据结构: 数组(Aarray) 栈(Stack) 链表(Linked List) 图(Graph) 散列表(Hash) 队列(Queue) 树(Tree) 堆(Heap) 注意:数据结构与算法与语言无关,常

Ben_Simons 1367

Java栈结构

Java栈结构 概念 典型的栈结构如下图所示:栈结构只能在一端操作,该操作端叫做栈顶,另一端叫做栈底。栈结构按照“后进先出”(Last In First Out, LIFO)的方式处理结点数据。 栈的特点: 其实栈结构是一种受限制的线性数据结构。 其限制是仅允许在表的一端进行插入和删除运算。这一端被称为栈顶,相对地,把另一端称为栈底。 向一个栈插入新元素又称作进栈、入栈或压栈,它是把新元素放到栈顶元素的上面,使之成为新的栈顶元素; 从一个栈删除元素又称作出栈或退栈,它是把栈顶元素删除掉,使其相

Jeck_wu的博客 3297

android栈式存储,线性表数据结构解读(三)栈结构Stack

在上一篇文章中,我们详细介绍了链式存储结构,并结合LinkedList源码进行了分析,相关文章大家可以点击这里回看我的博客:线性表数据结构解读(二)链式存储结构LinkedList栈的定义栈是一种特殊的线性表,其全部操作都被限制在表的固定一端进行,而且构成栈的元素必须是同一数据类型。栈的特点允许插入和删除的一端称为栈顶(top),另一端称为栈底(bottom),不含任何数据元素的栈称为空栈。栈又称...

weixin_32243309的博客 505

js进栈出栈_JavaScript实现栈结构(Stack)

JavaScript实现栈结构(Stack)一、前言1.1.什么是数据结构?数据结构就是在计算机中,存储和组织数据的方式。例如:图书管理,怎样摆放图书才能既能放很多书,也方便取?主要需要考虑两个问题:操作一:新书怎么插入?操作二:怎么找到某本指定的书?常见的数据结构:数组(Aarray)栈(Stack)链表(Linked List)图(Graph)散列表(Hash)队列(Queue)树(Tree)...

weixin_39716703的博客 362

JavaScript数据结构之栈结构

JavaScript数据结构之栈结构前言一、栈结构是什么?二、常见的栈结构使用:**函数调用栈**、**递归等**。三、使用步骤1.创建Stack类2.使用栈总结 前言 随着前端的兴起,JavaScript这门语言也越来越受欢迎。接下来,让我们了解一下如何使用JavaScript来写数据结构中的栈结构吧! 一、栈结构是什么? 数组是一个线性结构,并且可以在数组的任意位置插入和删除元素。而栈就是比较常见的受限的线性结构。无论是插入或是删除只能在栈顶进行操作。在栈中插入操作被称为压栈或是入栈,删除操作被称为

weixin_48080608的博客 3690

栈结构(JavaScript实现)

栈结构一、认识栈结构二、栈结构封装三、十进制转化为二进制 一、认识栈结构 我们知道数组是一种常见的数据结构,并且可以在数组的任意位置插入和删除数据,但是有时候,我们为了实现某些功能,必须对这种任意性加以限制,而栈和队列就是比较常见的受限的数据结构,我们先来看看栈。 栈(stack),它是一种受限的线性表,后进先出(LIFO) 其限制性是允许在表的一端进行插入和删除运算。这一端被称为栈顶,相对的,把另一端,称为栈底。 LIFO(last in first out)表示就是后进入的元素,第一个弹出栈空间。 向

m0_48375854的博客 517

用go语言写一个栈

好的,下面是用 Go 语言实现的一个栈结构: type Stack struct { data []int } // 创建一个新的栈 func NewStack() *Stack { return &amp;Stack{data: []int{}} } // 将元素压入栈中 func (s *Stack) Push(element int) { s.data =...

weixin_35748962的博客 152

用队列结构实现栈结构

如何仅用队列结构实现栈结构? 如何仅用栈结构实现队列结构? public static class TwoQueuesStack { private Queue<Integer> data; private Queue<Integer> help; public TwoQueuesStack() { data = new LinkedList<...

weixin_46250218的博客 128

栈结构的实现及Stack类常用API

Vector是ArrayList的一个同胞兄弟。ArrayList是内部使用数组、能够存储元素的这样一种结构一种集合。Vector从jdk1.0版本就有了。ArrayList是从1.2开始有的。ArrayList实际上是Vector的一个升级版。Vector继承于AbstractList,并且实现了List接口。Stack继承自Vector这样的一个类。

qq_46130027的博客 130

栈结构实现后缀转前缀

假设存在后缀表达式abcd-*+ef/-,如何只借助栈结构将其转化为前缀表达式? 后缀表达式转前缀表达式规则: 从左到右扫描后缀表达式: 如果是操作数,则直接将其指针压入栈中 如果是操作符,则依次弹出两个栈顶指针进行字符串拼接后,再和操作符进行拼接,返回新的指针压入栈中(先弹出的拼接在后弹出的后面,操作符拼接在最前面) 直到扫描结束,将栈顶指针弹出,即为前缀表达式字符串的指针 我们可以先从...

超人不会飞 1586

如何仅用队列结构实现栈结构 和如何仅用栈结构实现队列结构

package basic_class_03; import java.util.LinkedList; import java.util.Queue; import java.util.Stack; /** * 类名:Code_03_StackAndQueueConvert<br> * 功能:1.仅用队列结构实现栈结构 * 2.仅用栈结构实现队列结构br&gt...

weixin_42417704的博客 239
上一篇: 在Java中谈尾递归--尾递归和垃圾回收的比较
下一篇: 自己写GoBinarySearchTree 二叉查找树
anteoy
博客等级 码龄10年 24粉丝 83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