向天在借100天

最新推荐文章于 2023-03-18 21:41:53 发布
原创 最新推荐文章于 2023-03-18 21:41:53 发布 · 855 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#工作

如果跟别的人聊，过了也就算了。但每次志辉聊完，都是说我，有想法不去做。事实是这样。但我也不是一直这样，我何尝没有努力找过工作。我想向老天在借100天，100天后，我在证明给你LOOK一LOOK。 
100天精通Python（进阶篇）——第37天：多线程threading模块基础+代码实战
努力让自己发光，对的人才能迎着光而来
05-09 10万+
一、多任务介绍 二、多任务的概念 三、threading 模块介绍 1. Thread类使用说明 2. 实例化 threading.Thread（重点） 3. 继承 threading.Thread 4. 多线程 - 共享全局变量（重点） 5. 多线程-共享全局变量问题 6. 线程同步概念 7. 互斥锁（重点） 8. 死锁...
bat怎么获取前一天 的日期_【转】BAT取当前日期的前一天
weixin_39784774的博客
12-22 2503
============================取前一天的日期 OK============================@echo off::前一天的日期，格式化输出echo ----代码开始----------echo Wscript.echo dateadd("d",-1,date)>vbs.vbsfor /f %%a in ('cscript //nologo ...
【Arduino】一天入门Arduino语言 教程
热门推荐
Z小旋
04-05 15万+
一天入门Arduino语言 教程 为什么要写这个文章 为了让有一定编程基础和开发经验的同学能够快速的上手 Arduino 同时Arduino 新手也可以借此巩固下知识 如果你有过类似 51 STM32 NXP 等开发经验，根据本篇文章，可以快速的了解并上手Arduino ，同时对于Arduino新手而言，可以有一个系统的学习。 文章目录Arduino语言C语言基础部分判断语句：语法符号运...
365天口才训练计划
smqh2011的专栏
03-24 2330
第1篇　口才定律 第1天　布朗定律：一定要找到对方心灵的那把锁 第2天　白德巴定律：多说无益，请管住自己的嘴巴 第3天　比林定律：不该答应的事，就要果断拒绝 第4天　登门槛效应：循序渐进才能如愿以偿 第5天　古德定律：准确把握对方的观点，才能驾驭全局 第6天　波特定律：批评宜曲不宜直 第7天　首因效应：用开场白给对方留下良好的　第一印象 第8天　近因效应：最后一句话往往最能
旷世英才遭天妒——拉马努金
影子
08-17 8467
如果你在数学界无所事事，那么翻翻拉马努金的研究笔记，证明一下他凭灵感记录下来的数学公式，可以发表在《拉马...
富士康贫血100天：40万员工人均到手工资1932元
优快云头条
02-19 6453
来自：AI财经社 撰文 /   ©  AI财经社曹忆蕾 富士康迎来了一个小意外：年后本是用工低谷，但组装华为的生产线正嗷嗷待哺，陷入用工荒，其他产线停工的工人被紧急送往支援，连带着供应触控配件（包括手机屏幕）的业成光电事业群也急需工人。“早知道这样，春节我就不回家了”，富士康员工施纬已经兼职网络招工三年，这样的情况还是头一回碰到。 “这是一个例外”，施纬强调。更令人着急的是，招不到人。施...
LeetCode 热题 HOT 100【题型归类汇总，助力刷题】
梦~'
03-18 3万+
LeetCode 热题 HOT 100🔥【题型归类汇总】，超详细，不断优化ing ...
P2P爆雷潮后的第100天，我们复盘了整个互金倒闭史
flash_financial的博客
09-30 3375
闪电慢谈 NO.0001 | P2P从业者众生相 第 1 夜 2018年的端午节，是许多人噩梦的开始。 就在端午节过后的两天时间里，P2P暴雷潮开始了，像多米诺骨牌一样，从6月22日爆出的13家到8月底的264家，千亿级暴雷，终于震动了全国。 但这仅仅只是开始。 7月4日，李笑来录音被曝光，区块链界的大V人设倒塌，数字货币最后的遮羞布被扯下，所有还抱有希望的深度套牢者们终于直面了自己是韭菜的...
计算机专业英语词汇1695词（35天记忆）
Until_U的博客
03-27 7万+
计算机专业英语词汇1695词 本来想自己整理的，但是觉得太浪费时间咯????所以转载了一下这个博主的文档，然后大概修改了下。 这篇博客总共提供1695个专业词汇，有单词，词性，中译及音标。单词太多，但是会发现很多都是常见的单词（如果由计算机和英语基础的话）。 那么该如何去记呢？本人有自己拙劣的办法（本人只过了六级，擦边的????）： （1）首先，单词记忆是长期积累的过程，我建议这么多单词分35天记忆，...
火线100天河北专版2016中考英语总复习第一部分第十一课时八下Units3_4试题
08-19
【火线100天河北专版2016中考英语总复习第一部分第十一课时八下Units3_4试题】 本课时的主题聚焦于人际交往，主要涵盖词汇、短语以及重点句型的学习。在人际交往中，正确理解和运用这些词汇与表达方式对于提升英语...
火线100天四川专版2016中考英语总复习第一部分第十一课时八下Units3_4试题
08-19
【火线100天四川专版2016中考英语总复习第一部分第十一课时八下Units3_4试题】 本课时的主题为"人际交往"，主要涵盖高频单词、词组以及相关语法点。以下是核心内容的详细解析： **单词与词组：** 1. **depend (v....
火线100天全国版2016中考英语总复习第一部分第十一课时八下Units3_4试题
08-19
【火线100天全国版2016中考英语总复习第一部分第十一课时八下Units3_4试题】 本课时主要复习了初中英语八年级下册第三单元和第四单元的重点词汇、短语及句型，聚焦人际交往这一主题。以下是详细的知识点梳理： **...
【计算机视觉】基于RandLANet的点云语义分割模型训练：SensatUrban数据集应用与精度评估系统实现
01-03
内容概要：本文是一篇关于使用RandLANet模型对SensatUrban数据集进行点云语义分割的实战教程，系统介绍了从环境搭建、数据准备、模型训练与测试到精度评估的完整流程。文章详细说明了在Ubuntu系统下配置TensorFlow 2.2、CUDA及cuDNN等深度学习环境的方法，并指导用户下载和预处理SensatUrban数据集。随后，逐步讲解RandLANet代码的获取与运行方式，包括训练、测试命令的执行与参数含义，以及如何监控训练过程中的关键指标。最后，教程涵盖测试结果分析、向官方平台提交结果、解读评估报告及可视化效果等内容，并针对常见问题提供解决方案。; 适合人群：具备一定深度学习基础，熟悉Python编程和深度学习框架，从事计算机视觉或三维点云相关研究的学生、研究人员及工程师；适合希望动手实践点云语义分割项目的初学者与进阶者。; 使用场景及目标：①掌握RandLANet网络结构及其在点云语义分割任务中的应用；②学会完整部署一个点云分割项目，包括数据处理、模型训练、测试与性能评估；③为参与相关竞赛或科研项目提供技术支撑。; 阅读建议：建议读者结合提供的代码链接和密码访问完整资料，在本地或云端环境中边操作边学习，重点关注数据格式要求与训练参数设置，遇到问题时参考“常见问题与解决技巧”部分及时排查。
【计算机视觉】基于YOLOv5/v8/v10的球场设备检测系统设计：体育场馆智能运维应用
01-03
内容概要：本文是一份关于基于YOLOv5、YOLOv8和YOLOv10的体育场内球场设备检测系统的完整实践指南，旨在帮助学生完成毕业设计。文章详细介绍了目标检测模型YOLO系列的基本原理与差异，指导读者从环境搭建、数据采集与标注、模型训练到实时检测和可视化界面开发的全流程。通过构建一个能识别篮球架、球门、球网等体育设施的智能系统，实现场馆运维、赛事保障等实际场景的应用，并建议进行多模型对比实验以提升毕设深度。配套代码与数据配置链接也已提供，便于快速上手。; 适合人群：计算机相关专业、具备一定Python编程基础、正在准备毕业设计的学生，尤其是对人工智能、计算机视觉方向感兴趣的研发初学者。; 使用场景及目标：① 掌握YOLO系列模型在真实场景中的应用方法；② 完成一套可运行的球场设备自动检测系统用于毕设展示；③ 通过模型对比实验提升项目科研深度，增强答辩竞争力； 阅读建议：建议按照文档步骤循序渐进操作，重点理解数据准备与模型训练的关键环节，同时结合提供的代码链接进行实践调试，确保各模块顺利运行，最终集成完整系统并做好演示准备。
【信息系统管理】学习系统分析师的重要性与必要性，从职业发展、技术能力提升以及系统化思维培养等多个角度分析了成为系统分析师的价值
01-03
内容概要：本文主要阐述了学习系统分析师的重要性与必要性，从职业发展、技术能力提升以及系统化思维培养等多个角度分析了成为系统分析师的价值。文章指出，系统分析师不仅需要掌握软件工程、需求分析、架构设计等核心技术能力，还需具备良好的沟通协调能力和业务理解能力，能够在复杂项目中承担桥梁角色，连接技术与业务。通过系统分析师的学习与认证，可以全面提升个人在软件开发生命周期中的综合把控能力。; 适合人群：具备一定IT基础知识，从事或有意向转向软件工程、项目管理、系统设计等相关领域的技术人员，尤其是希望向高阶技术岗位或架构师方向发展的从业者； 使用场景及目标：①帮助技术人员突破编码层面局限，拓展全局视野；②掌握系统分析方法论，提升复杂系统的设计与规划能力；③为参加系统分析师考试或职业转型提供指导与动力； 阅读建议：建议结合实际项目经验进行思考，边学习边实践，重点关注文中提到的需求分析、系统建模、架构权衡等内容，深入理解系统分析师在项目全周期中的作用与价值。
电机控制基于SVPWM-DTC的三相异步电机仿真：Simulink建模与高性能控制策略实现
最新发布
01-03
内容概要：本文详细介绍了三相异步电机SVPWM-DTC（空间矢量脉宽调制-直接转矩控制）的Simulink仿真实现方法，结合DTC响应快与SVPWM谐波小的优点，构建高性能电机控制系统。文章系统阐述了控制原理，包括定子磁链观测、转矩与磁链误差滞环比较、扇区判断及电压矢量选择，并通过SVPWM技术生成固定频率PWM信号，提升系统稳态性能。同时提供了完整的Simulink建模流程，涵盖电机本体、磁链观测器、误差比较、矢量选择、SVPWM调制、逆变器驱动等模块的搭建与参数设置，给出了仿真调试要点与预期结果，如电流正弦性、转矩响应快、磁链轨迹趋圆等，并提出了模型优化与扩展方向，如改进观测器、自适应滞环、弱磁控制和转速闭环等。; 适合人群：电气工程、自动化及相关专业本科生、研究生，从事电机控制算法开发的工程师，具备一定MATLAB/Simulink和电机控制理论基础的技术人员。; 使用场景及目标：①掌握SVPWM-DTC控制策略的核心原理与实现方式；②在Simulink中独立完成三相异步电机高性能控制系统的建模与仿真；③通过仿真验证控制算法有效性，为实际工程应用提供设计依据。; 阅读建议：学习过程中应结合文中提供的电机参数和模块配置逐步搭建模型，重点关注磁链观测、矢量选择表和SVPWM调制的实现细节，仿真时注意滞环宽度与开关频率的调试，建议配合MATLAB官方工具箱文档进行参数校准与结果分析。
Vue2.0多Tab切换组件封装
01-03
已经博主授权,源码转载自 https://pan.quark.cn/s/bf1e0d5b9490 本文重点阐述了Vue2.0多Tab切换组件的封装实践，详细说明了通过封装Tab切换组件达成多Tab切换功能，从而满足日常应用需求。 知识点1：Vue2.0多Tab切换组件的封装* 借助封装Tab切换组件，达成多Tab切换功能* 支持tab切换、tab定位、tab自动化仿React多Tab实现知识点2：TabItems组件的应用* 在index.vue文件中应用TabItems组件，借助name属性设定tab的标题* 通过:isContTab属性来设定tab的内容* 能够采用子组件作为tab的内容知识点3：TabItems组件的样式* 借助index.less文件来设定TabItems组件的样式* 设定tab的标题样式、背景色彩、边框样式等* 使用animation达成tab的切换动画知识点4：Vue2.0多Tab切换组件的构建* 借助运用Vue2.0框架，达成多Tab切换组件的封装* 使用Vue2.0的组件化理念，达成TabItems组件的封装* 通过运用Vue2.0的指令和绑定机制，达成tab的切换功能知识点5：Vue2.0多Tab切换组件的优势* 达成多Tab切换功能，满足日常应用需求* 支持tab切换、tab定位、tab自动化仿React多Tab实现* 能够满足多样的业务需求，具备良好的扩展性知识点6：Vue2.0多Tab切换组件的应用场景* 能够应用于多样的业务场景，例如：管理系统、电商平台、社交媒体等* 能够满足不同的业务需求，例如：多Tab切换、数据展示、交互式操作等* 能够与其它Vue2.0组件结合运用，达成复杂的业务逻辑Vue2.0多Tab切换组件的封装实例提供了...
htmldiff：展示差异的HTML标签库
01-03
代码下载地址： https://pan.quark.cn/s/41cd695ddf65 `htmldiff` 是一个以 Ruby 语言为基础构建的库，其主要功能是在 HTML 文档中展示文本之间的差异。 该库的一个显著特点在于它不仅能够识别出不同之处，还会借助 HTML 标签来呈现这些差异，从而让用户能够直观地观察到文本的变化情况。 这种特性使得 `htmldiff` 在版本控制、文档对比或任何需要展示文本变动场景的应用中显得尤为有用。 `htmldiff` 的核心作用是对比两个字符串，并生成一个 HTML 输出结果，这个结果会明确地指出哪些部分被添加、哪些部分被删除以及哪些部分被修改。 此外，通过运用 CSS，用户可以进一步调整差异展示的样式，使其与项目或网站的现有设计风格相协调。 在使用 `htmldiff` 之前，需要先完成该库的安装。 如果项目已经配置了 Ruby 环境和 Gemfile，可以在 Gemfile 文件中添加 `gem htmldiff` 语句，随后执行 `bundle install` 命令进行安装。 如果没有 Gemfile 文件，也可以直接采用 `gem install htmldiff` 命令来进行全局安装。 在编程实现时，可以通过调用 `Htmldiff.diff` 方法来对比两个字符串，并获取相应的 HTML 输出。 例如：```rubyrequire htmldiffstr1 = "这是一个示例文本。 "str2 = "这是一个示例文本，现在有更多内容。 "diff_html = Htmldiff.diff(str1, str2)puts diff_html```上述代码将会输出两个字符串之间的差异，其中新增的内容会被 `<ins>` 标签所包围，而...
模拟电子技术（第五版）课后习题解答
01-03
源码地址： https://pan.quark.cn/s/4b03c5611266 依据所提供的资料，可以判定这份资料是关于《电子技术基础模拟部分》第五版教科书第七章节的习题解析，由湖南人文科技学院通信与控制工程系的田汉平教师提供。 尽管具体内容未予展示，但能够围绕模拟电子技术的基础理论、第七章节所涉及的核心概念以及潜在的习题种类等方面来展开相关知识点的阐述。 ### 模拟电子技术概述模拟电子技术是电子工程学科中的一个关键领域，主要探讨模拟信号的产生、转换、传输和处理等议题。 模拟信号是指时间与幅度上均呈现连续变化的电信号。 模拟电路的设计与剖析是模拟电子技术的核心，它涵盖了放大器、振荡器、滤波器等电路的设计原理及其应用。 ### 第七章核心知识点猜测#### 1. 放大电路分析与设计- **基本放大电路**：共射极、共基极和共集电极放大电路的特性及其应用场景。 - **多级放大电路**：掌握如何将多个放大电路串联，以提升增益或优化频率响应。 - **差分放大电路**：用于抑制共模信号，放大差模信号，是精密仪器和测量设备中的关键构成部分。 #### 2. 反馈电路与稳定性- **反馈的基本概念**：正反馈与负反馈的区分，以及它们在电路中的应用场景。 - **深度负反馈**：解析深度负反馈状态下的放大器性能改进，包括增益稳定性和带宽的拓宽。 - **振荡电路**：理解LC振荡器、RC振荡器的工作机制及应用领域。 #### 3. 功率放大器- **A类、B类、AB类功率放大器**：熟练掌握不同类型功率放大器的特性、效率及其适用环境。 - **热效应与保护措施**：讨论在功率放大器设计过程中需要关注的散热问题及相应的防护措施。 #### 4. 集成运算放大器的应用- **理想运放模型**：熟...
请借这个例子，向我详细讲解一下LSTM的原理
02-18
<think>好的，用户之前让我分析了一段用Keras构建的LSTM模型的代码，现在他们接着问：“请借这个例子，向我详细讲解一下LSTM的原理。” 我需要先理解用户的需求。他们可能已经对代码有了一定的了解，现在希望深入理解LSTM的工作原理，特别是结合之前的例子来讲解。 首先，我需要回顾用户提供的代码结构。那是一个四层的LSTM网络，每层的单元数逐渐增加，前三层设置return_sequences=True，最后一层为False，之后接Dropout和全连接层。用户可能希望了解为什么这样的结构有效，以及LSTM内部是如何处理序列数据的。 接下来，用户可能对LSTM的基本概念有一定了解，但需要更详细的解释。他们可能想知道LSTM如何解决梯度消失问题，细胞状态的作用，以及各个门控结构（输入门、遗忘门、输出门）的具体功能。同时，结合代码中的参数，比如input_dim、units、return_sequences，需要解释这些参数在LSTM中的实际应用。 我需要考虑用户的背景。他们可能是刚开始学习深度学习的学生或开发者，对RNN和LSTM有初步认识，但想通过实际代码例子加深理解。因此，讲解时需要避免过于理论化，而是结合代码中的实例，如输入维度、输出维度，以及多层堆叠的原因。 用户可能存在的疑问包括：为什么使用多层LSTM？return_sequences=True的作用是什么？为什么最后一层设置为False？Dropout层的位置是否有讲究？这些都需要在讲解LSTM原理时，结合代码结构进行说明。 另外，需要注意代码中使用的是旧版Keras的参数名（如output_dim），可能需要指出新版中的units参数，并解释兼容性问题，但主要重点还是放在原理上。同时，输出层使用ReLU激活函数的原因，以及是否适合不同任务，也是需要提及的地方。 在讲解原理时，应该分步骤，从RNN的局限性引出LSTM，然后详细讲解LSTM的结构，包括细胞状态、三个门控机制，以及信息流动的过程。再结合代码中的每个LSTM层，说明参数如何影响网络结构，比如input_dim=1对应输入特征数，units=50对应隐藏单元数，return_sequences如何影响输出形状，以便下一层处理。 最后，需要总结这个例子中LSTM的应用，可能的应用场景，以及如何根据任务调整模型结构。还要指出代码可能的改进点，如使用更规范的参数名称，调整激活函数等，帮助用户更好地理解和应用LSTM模型。好的</think>！让我们结合你提供的代码示例，用通俗易懂的方式详细讲解 **LSTM（长短时记忆网络）** 的核心原理，并解释代码中每层LSTM的作用。 --- ### 一、为什么需要LSTM？ 在传统RNN（循环神经网络）中，网络通过“记忆”过去的信息来处理序列数据（如时间序列、文本）。但RNN存在**梯度消失/爆炸**问题，难以学习长期依赖关系（例如预测“我出生在法国，……，我说流利的**”中的“法语”需要记住很久之前的“法国”）。 **LSTM通过“门控机制”和“细胞状态”解决了这个问题**，可以主动选择记住重要信息、忘记无用信息。 --- ### 二、LSTM的核心结构 LSTM的核心是 **“细胞状态”（Cell State）**，它像一条传送带，贯穿整个时间步，保存长期记忆。通过三个门控机制（输入门、遗忘门、输出门）调节信息流动： #### 1. **遗忘门（Forget Gate）** - **作用**：决定细胞状态中哪些信息需要丢弃。 - **实现**：通过Sigmoid函数输出0~1的值，0表示“完全遗忘”，1表示“完全保留”。 - **公式**： $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$ #### 2. **输入门（Input Gate）** - **作用**：决定当前输入中哪些新信息需要存入细胞状态。 - **实现**： - Sigmoid层决定更新哪些值（重要性权重）。 - Tanh层生成候选值（新信息）。 - **公式**： $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$$ #### 3. **细胞状态更新** - 结合遗忘门和输入门，更新细胞状态： $$C_t = f_t \cdot C_{t-1} + i_t \cdot \tilde{C}_t$$ #### 4. **输出门（Output Gate）** - **作用**：决定当前时刻的输出（基于更新后的细胞状态）。 - **实现**： $$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$ $$h_t = o_t \cdot \tanh(C_t)$$ --- ### 三、结合你的代码示例 你提供的代码构建了一个4层LSTM网络，逐步提取序列特征。我们逐层分析： #### 1. **第一层LSTM** ```python model.add(LSTM(input_dim=1, output_dim=50, return_sequences=True)) ``` - **输入**：形状为 `(batch_size, timesteps, 1)` 的单变量序列（如温度、股价）。 - **处理过程**： - 每个时间步输入一个标量值（`input_dim=1`）。 - LSTM内部维护细胞状态和隐藏状态，通过门控机制更新。 - 输出每个时间步的隐藏状态（`output_dim=50`，即隐藏层有50个神经元）。 - `return_sequences=True`：保留所有时间步的输出（供下一层LSTM使用）。 #### 2. **后续LSTM层** ```python model.add(LSTM(input_dim=50, output_dim=100, return_sequences=True)) model.add(LSTM(input_dim=100, output_dim=200, return_sequences=True)) model.add(LSTM(300, return_sequences=False)) ``` - **层级递增**：单元数逐步增加（50→100→200→300），增强模型表达能力。 - **信息流动**： - 前一层所有时间步的输出作为下一层的输入。 - 前三层通过 `return_sequences=True` 传递完整序列，最后一层仅输出最终时间步的结果（`return_sequences=False`），汇总全局信息。 #### 3. **全连接层与输出** ```python model.add(Dropout(0.2)) model.add(Dense(100)) model.add(Dense(1)) model.add(Activation('relu')) ``` - **Dropout**：随机丢弃20%神经元，防止过拟合。 - **Dense层**：将LSTM提取的抽象特征映射到预测目标（如预测未来1个时间步的值）。 - **ReLU激活**：强制输出非负（适用于预测温度、股价等场景）。 --- ### 四、LSTM在代码中的实际应用 #### 1. **输入输出形状** - **输入形状**：`(样本数, 时间步长, 特征数)`，例如 `(1000, 10, 1)` 表示1000个样本，每个样本10天数据，预测第11天的值。 - **输出形状**： - 若 `return_sequences=True`：输出所有时间步的结果，形状为 `(样本数, 时间步长, 单元数)`。 - 若 `return_sequences=False`：仅输出最后一个时间步的结果，形状为 `(样本数, 单元数)`。 #### 2. **多层LSTM堆叠** - **深层特征提取**：每一层LSTM可以学习不同时间尺度的模式（浅层学习局部模式，深层学习全局模式）。 - **代码示例中的层级设计**：通过逐步增加单元数（50→300），扩大模型的容量，适应复杂序列模式。 --- ### 五、关键优势与适用场景 #### 1. **LSTM的核心优势** - 长期依赖学习：通过细胞状态和门控机制，有效捕捉长距离关系。 - 抗梯度消失：门控机制允许梯度在多个时间步中稳定传播。 #### 2. **适用任务** - **时间序列预测**：股票价格、天气预测。 - **序列生成**：文本生成、音乐作曲。 - **序列分类**：情感分析、视频动作识别。 --- ### 六、对比你代码的改进建议 1. **参数更新**：将 `output_dim` 改为 `units`（新版Keras语法）。 2. **输入规范**：显式定义 `input_shape=(timesteps, features)`。 3. **激活函数**：若预测值可能为负，输出层改用线性激活。 --- 通过这个例子，你可以理解LSTM如何通过门控机制处理序列数据，以及代码中每层LSTM如何协作完成预测任务。如果需要进一步探讨某个细节，欢迎随时提问！ 🚀
评论
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