抓了一个数据格式表示位数不够的bug,警示

十五、SAP-物料需求计划(MRP) 业务逻辑、功能讲解、图文解析、章节总结 阅读详情

代码是这样的:

新开两个指针:

long *p1=new long;
long *p2=new long;

其中:

*p1=-100000;
*p2=100000;

后面进行计算的时候,
long long res=*p1*(*p2);

得到的结果是:
res=-1410065408

显然,这里*p1被隐式转换成了long,然后两个long相乘,结果溢出了。

正确的结果是:
res=-1E10

在C++ primer第156页讲过,数组会隐式转换为指向第一个元素的指针。
所以,C++将“指向new开辟的动态内存的”指针隐式转换为了long类型。
但是long只有32位。这里会溢出。

所以一种方法是先强制转换:

res=(long long)(*p1)*(long long)(*p2);


当然更好的方法是,把long long定义为int64。

然后开辟64位的存储空间:

int64 *p1=new int64;
int64 *p2=new int64;

int64 res=*p1*(*p2);

完毕。


vue2/3 - 详细实现高德地图轨迹回放,vue高德地图车辆历史行驶轨迹播放,在地图上绘制行程轨迹|起点和终端的路程绘制|用户运动轨迹绘制及播放等(支持开始/暂停、进度条拖放、控制播放轨迹的倍速等) vue2,vue3,nuxt,高德地图,轨迹,vue高德地图轨迹回放,历史轨迹回放,轨迹回放功能支持倍速及进度条拖拽,VUE高德地图轨迹回放、倍速调整、进度条拖拽,vue3高德地图轨迹回放,Vue实现地图路径回放,vue中使用高德地图实现历史轨迹回放并能控制播放轨迹的倍速,多条轨迹陆续播放,巡航轨迹做带进度条和倍速的轨迹回放,Vue高德地图路径回放,历史轨迹回放并能控制播放轨迹的倍速,使用高德地图实现轨迹播放和进度条控制,vue高德地图如何实现轨迹回放,高德地图做轨迹绘制用什么api,高德轨迹API,驾车轨 阅读详情

相关推荐

告别环境报错:Qt Creator里配置Android SDK/NDK/JDK路径的完整避坑指南

本文详细解析了在Qt Creator中配置Android SDK/NDK/JDK路径的完整避坑指南,深入探讨了路径检测的内部机制、构建套件配置的隐藏逻辑以及项目级与全局配置的优先级。通过实际案例和高级排查技巧,帮助开发者解决常见的环境报错问题,提升Qt安卓开发效率。

weixin_42548829的博客 238

模板驱动型文档自动化:无代码实现结构化内容批量生成

文档自动化是企业提升交付效率的关键技术路径,其核心在于将重复性高、格式严谨、内容结构化的文档生产过程标准化。相比AI自由生成易引发合规风险与品牌失真,模板驱动方案通过预设结构层、内容层、样式层与数据源层四维协同,确保输出结果在法律条款、品牌视觉、数据逻辑上高度一致。该技术天然适配咨询提案、SaaS对比表、白皮书、诊断报告等高频交付场景,支持无代码配置、条件分支、智能占位符与外部API集成,使市场、销售、运营人员无需编程即可15分钟批量生成20份专业PDF。Sqribble正是这一范式的典型代表,聚焦交付确定

weixin_33912246的博客 344

英飞凌AURIX 2G 系列MCU关于外设模块EVADC的实现原理及对应MCAL(EB Tresos)配置项详细讲解

本文章讲述了英飞凌AURIX 2G系列MCU关于外设模块EVADC的实现原理及对应MCAL配置工具(EB)的配置项。

weixin_46176506的博客 6274

C语言中数值类型转换

1.前言 一直以来对C语言的类型转换规则不理解,也没有找到相关的资料。偶然的机会查到关于安全编程的相关文献-----MISRA。里面对相关内容作了详细的介绍。我这里根据其内容整理了一下,以备查阅。 2.显式和隐式数据转换 C 语言给程序员提供了相当大的自由度并允许不同数值类型可以自动转换。由于某些功能 性的原因可以引入显式的强制转换,例如: ...

weixin_34128839的博客 848

使用DeepSeek、MCP和AKShare实现智能金融问答系统技术方案

DeepSeek是由深度求索公司开发的大规模语言模型,最新版本DeepSeek-V3采用混合专家(MoE)架构,拥有671B参数,激活37B参数,在多项基准测试中表现优异3。要使用DeepSeek的API服务:访问DeepSeek平台注册账号获取API Key(形如AKShare是基于Python的金融数据接口库,提供股票、基金、期货、宏观经济等领域的海量数据。主要特点包括:免费开源,数据源丰富支持多种数据格式(DataFrame/JSON)持续更新维护安装命令。

Kin 3172

多尺度变换(Multidimensional Scaling ,MDS)详解

介绍多尺度变换基本原理

5215

关于longlong与位运算

数据规模: int: -(2^31-1) ~ +(2^31-1) long long:-(2^63-1) ~ +(2^63-1)   由于默认的数字都是int型,所以在做乘法运算时会很容易想到int的溢出问题,如 printf("%d\n", 100000 * 100000);输出结果:1410065408 即使意识到了超int范围,用lld打印,但因为已经发生溢出,被截断,所以结果不

... 3029

告别单一查询!MultiQueryRetriever在LangChain中的高级用法解析

本文深入解析了LangChain中的MultiQueryRetriever高级用法,该工具通过大语言模型自动生成多样化查询,显著提升文档检索的召回率和准确性。文章详细介绍了其核心机制、高级配置调优策略以及在多语言和专业领域中的实际应用,为开发者提供了优化知识库问答系统的实用方案。

weixin_28730927的博客 271

32bit转16bit防溢出

有符号32bit转16bit防溢出的代码。 static inline int16_t clamp16(int32_t sample) {     if ((sample>>15) ^ (sample>>31))         sample = 0x7FFF ^ (sample>>31);     return sample; }

eatjpg的专栏 1929

2026华为OD机试真题 9月27日 新系统 【均衡调度】

华为OD机试真题 新系统 9月27号【均衡调度】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【均衡调度】多语言题解。

qq_45776114的博客 1764

【AI应用实战-claude】在飞书上接入claudecode进行远程使用(十三)

本文介绍了三种将ClaudeCode接入飞书的方案,包括官方飞书CLI工具(推荐)、cc-connect中转工具和MCP协议集成。官方飞书CLI适合自动化办公场景,通过简单配置即可实现消息发送和文档管理;cc-connect适用于远程调用Claude功能,通过飞书群聊触发响应;MCP协议则适合开发者构建复杂工作流。文章提供了详细的操作步骤,并针对不同使用场景给出了选择建议。

1013

STM3216位编码器溢出问题

STM3216位编码器溢出问题 STM32定时器有编码器接口,但是它的计数器只有16位。当要记录的数过大时,会溢出。下文介绍了一种方法,能有效解决因计数器位数过少引起的溢出问题。 (在网上搜了好多,感觉不他们说的方法都不准。这个方法经过我自己验证,可以准确记录编码器的位置) 原理一: unsigned short int j;(j的长度为16bit) ①当j=65

萌虎下山 1万+

Fiori Elements Analytical List Page 标题区配置全攻略:从变体、过滤模式到 UI.KPI 的工程化落地

ALP标题区是Fiori Elements Analytical List Page的核心交互区域,承担变体管理、过滤模式切换、KPI展示等关键功能。本文系统解析了标题区的组成结构、可用能力及工程实现要点,包括:1)标题区包含过滤类型切换、全局KPI、变体管理等交互元素;2)详细说明视觉过滤与紧凑过滤的同步规则及实现方式;3)介绍OData V2下通过UI.KPI注解配置标题区KPI的方法;4)提供manifest.json配置示例和CDS注解写法。文章还对比了V2与V4版本的差异,为ALP开发提供实用指导

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 244

c语言中将32位值赋给16位变量,C语言数据类型和变量-参考.ppt

C语言数据类型和变量-参考第3章C数据类型和变量 学习目的和要求: 掌握数据类型和变量的基本概念、特点和使用方法 。 熟练掌握算术、赋值、逗号和sizeof运算符与表达式的使用 。 理解并能应用强制转换 第3章C数据类型和变量 第3章C数据类型和变量 下面借用一个生活中的范例,讲解数据类型、变量、变量类型、变量名。 假设有粮库(库名为LK)、车库(库名为CK)和书库(库名为SK)三个仓库...

weixin_34736362的博客 2559

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")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

一文吃透 MIPI 摄像头选型与调试,从 0 到实战案例

真正的量产调试不只是「跑通」MIPI,更在于稳定复现 & 快速闭环。学会把Lane 规划 + 带宽预算 + SerDes 链路一页纸讲清楚,你就能在项目 Kick-off 时赢下预算;把ISP 调色流程做成脚本化工具链,你就是团队里不可替代的「影像黑客」!

weixin_43199439的博客 2547

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

深入浏览器内核:使用chrome://tracing进行底层性能分析与优化

性能分析是前端开发与浏览器优化的核心环节,它涉及从代码执行到最终像素渲染的完整链路。其原理在于通过插桩和事件追踪,采集浏览器进程、线程及系统调用的时序数据,形成可视化时间线。这项技术的价值在于突破传统分析工具的表层限制,提供系统级的洞察能力,尤其适用于解决渲染卡顿、内存泄漏等复杂问题。在应用场景上,它不仅能诊断JavaScript长任务、布局抖动等前端性能瓶颈,还能用于浏览器启动优化、渲染引擎行为研究以及自动化性能监控。本文聚焦chrome://tracing这一底层追踪工具,通过实战案例展示如何利用其诊断

anjueci1221的博客 312

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

MPC8555E DUART与LBC核心驱动配置与调试实战指南

在嵌入式系统开发中,串行通信和外部总线接口是连接处理器与外部世界的关键桥梁。通用异步收发器负责处理串行数据流,其FIFO缓冲和DMA机制能有效提升通信效率与可靠性。本地总线控制器则作为内存控制器,通过GPCM、UPM和SDRAM等多种工作模式,灵活适配不同速度和协议的外部存储及外设。理解这些模块的寄存器配置、中断策略及时序参数,对于构建稳定高效的嵌入式系统至关重要。本文聚焦于PowerPC架构MPC8555E处理器,深入解析其DUART模块的FIFO中断触发与DMA模式选择,以及LBC控制器的存储区配置与U

ak47147258369的博客 390

OSkhQuant:从零到一构建你的A股量化交易系统

在金融市场的数字浪潮中,每一个交易决策都蕴含着海量数据与复杂逻辑的交织。当一位资深信号处理专家决定将他的专业经验应用于股票市场时,OSkhQuant应运而生——这不仅仅是一个量化交易系统,更是一场技术思维与金融实践的美妙邂逅。 作为首个基于miniQMT架构的开源量化平台,OSkhQuant打破了传统量化工具的技术壁垒,为A股投资者提供了一个完全本地化、高度自由化的策略研发环境。在这里,Pyth

gitblog_01046的博客 814

机器学习模型上线:从Jupyter到生产系统的工程化跃迁

机器学习模型部署不是简单封装为API,而是将算法深度嵌入真实业务系统的过程。其核心在于理解数据流、服务契约与系统韧性之间的耦合关系,涉及特征一致性、时序依赖、熔断降级、监控告警与合规审计等关键工程能力。尤其在金融、支付、风控等强实时、高合规场景中,模型的稳定性、可解释性与失败可控性,远比离线指标更重要。本文聚焦生产级ML系统落地中的集成验证、延迟治理、漂移响应与责任闭环等实战要点,覆盖ONNX推理优化、影子流量压测、四层监控体系、动态基线告警及模型热更新等关键技术路径。

weixin_33857679的博客 447

HarmonyOS ArkTS API 24智慧停车管理应用:plate和spot字段可以通过外键关联到 VehicleMeta 和 ParkingSpotMeta 表,但在此接口中它们被直接内联

在移动互联网与智能穿戴设备高度普及的今天,"习惯养成"已经从一个模糊的自我管理理念,演变为一个可量化、可追踪、可视化的数字化产品赛道。越来越多的人希望借助手中的智能终端,把"早起、冥想、阅读、运动"这些抽象的自律行为,转化为一条条清晰的数据曲线和一张张可触摸的打卡卡片。而鸿蒙生态(HarmonyOS)凭借其跨设备协同、分布式软总线以及声明式 UI 开发框架 ArkUI,为这类注重"轻量化交互 + 即时反馈"的生活方式类应用提供了极为理想的生长土壤。本应用正是一款面向"晨间场景"深度打磨的习惯追踪工具。它聚焦

2401_86031952的博客 106

Java语言基础

Java的数据类型 Java的数据类型分为基本类型和引用类型两大类 其中基本类型又分为整数类型(4种)、浮点类型、字符类型、布尔类型 基本数据类型 大小(bit) 默认值 范围 byte 8 0 -27~27-1(-128~127) short 16 0 -215~215-1(-32768~32767) int 32 0 -231~231-1(-2147483648~2147483647) long 64 0 -263~263-1(-9223372036854775808~922

weixin_51212131的博客 300

int 和 long int ,long long的区别

在C语言和C++中,int 和 long 的大小是由编译器和操作系统的组合决定的,而不是直接取决于操作系统的位数。在通常的情况下,int 表示整数,而 long 表示较大的整数。在32位系统上,int 通常是32位,而 long 通常也是32位。在64位系统上,int 通常是32位,而 long 通常是64位。

Lim的博客 7508

若两个int变量相乘超出了int的范围会发生什么

Java中若两个int变量相乘超出了int的范围会发生什么

weixin_45445515的博客 1965

int整数相乘溢出

我们计算一天中的微秒数:  long microsPerDay = 24 * 60 * 60 * 1000 * 1000;// 正确结果应为:86400000000 System.out.println(microsPerDay);// 实际上为:500654080 问题在于计算过程中溢出了。这个计算式完全是以int运算来执行的,并且只有在运算完成之后,其结果才被提升为long,而此时已经

Mason的博客 4711

判断你的CPU是32位的还是64位

1,写一个C++程序,判断你的CPU是32位的还是64位的。2,定义一个长整型常量(const),要求其所有的位都设置为1. 且在32位操作系统和64位操作系统上均有效果。3,下列程序的在32位CPU和64位CPU上输出分别是什么?Struct Data{char i;long j;int k;};cout << sizeof(Data) 关

Lixinag的专栏 2487

32位ARM寄存器是如何只传递8位、16位数据的——由uboot nand 操作想到的

uboot中可以通过指令对nand操作,yi

亚亚图雷的专栏 3067
上一篇: 筛选一些职业生涯规划的观点
下一篇: 要特别注意数据是否溢出,另外,int是16位,long是32位,而long long才是64位int
androidTang
博客等级 码龄11年 0粉丝 14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