autodl:conda虚拟环境搭建与cuda、pytorch3d高效部署指南

autodl:conda虚拟环境中高效部署cuda与pytorch3d的完整指南 本文详细介绍了在Autodl平台上使用conda虚拟环境高效部署CUDA与PyTorch3D的完整流程。从环境准备、CUDA版本选择到PyTorch3D安装与验证,提供了实用技巧和常见问题解决方案,帮助开发者快速搭建深度学习环境,优化3D项目开发效率。 阅读详情

1. 为什么在AutoDL上需要一个专属的“工作间”?

如果你刚开始接触深度学习,或者刚从本地电脑转向云端服务器,可能会觉得直接在系统里装东西不就行了?干嘛还要搞个什么“虚拟环境”?我刚开始也是这么想的,直到我的项目因为库版本冲突彻底“炸”了。简单来说,虚拟环境就是一个独立的、隔离的“工作间”。想象一下,你是一个做手工的匠人,直接在客厅地板上干活,颜料、木屑、胶水弄得到处都是,下次想做点别的,发现场地已经一团糟了。虚拟环境就是给你一个专属的工作台,你在上面折腾PyTorch、TensorFlow,随便怎么安装、卸载、测试,都不会影响到客厅(也就是系统的基础环境)和其他工作台(其他项目)。

在AutoDL这样的云平台上,这一点尤其重要。平台提供的镜像虽然预装了很多东西,但未必完全符合你特定项目的要求。比如,项目A需要PyTorch 1.8搭配CUDA 10.2,而项目B需要PyTorch 2.0搭配CUDA 11.3。如果没有虚拟环境,你只能二选一,反复重装,痛苦不堪。用Conda创建虚拟环境,就能轻松地为每个项目配备一个专属的、纯净的“工具箱”,互不干扰。

更重要的是,环境可复现。当你把代码分享给同事,或者几个月后需要重新跑实验时,最怕的就是“在我机器上好好的,怎么到你这就错了?” 一个用Conda记录好的环境(可以通过conda env export > environment.yml导出),能确保所有人、所有时间点,都能还原出一模一样的运行环境,这是科研和工程中保证结果一致性的生命线。所以,在AutoDL上开工的第一步,绝不是急着pip install,而是先搭好这个“工作间”。

2. 手把手创建你的第一个Conda虚拟环境

好了,道理讲明白了,我们直接上实操。假设你已经租好了一台AutoDL的GPU实例,通过终端(比如JupyterLab的Terminal或者SSH)连接了进来。你会发现,平台通常已经预装了Miniconda或Anaconda,输入conda --version检查一下。

创建环境的命令,原始文章里给了一个基础款:

conda create -n nphm python=3.9

这里我分享几个我踩过坑后总结的进阶技巧。首先,-n后面跟的是环境名,nphm只是一个例子,你完全可以起名叫my_awesome_project或者torch2_cu117,只要自己记得住就行。关键是python=3.9这个指定。我强烈建议你明确指定Python版本,不要省略。因为不同深度学习框架对Python版本有兼容性要求,不指定的话,Conda可能会安装一个默认的最新版,万一和后面要装的库不兼容,又得推倒重来。

一个更稳妥的做法是,在创建环境时就安装一些最基础的、确定需要的包,避免后续单独安装可能出现的依赖树冲突。比如:

conda create -n torch3d_env python=3.9 numpy pandas matplotlib jupyter

这条命令在创建名为torch3d_env的环境时,顺带把科学计算三件套和Jupyter都装好了,一步到位。

环境创建好后,激活它是必须的:

conda activate torch3d_env

激活后,你会发现命令行提示符前面变成了(torch3d_env),这表示你已经进入了这个专属工作间,之后所有的conda install或pip install都只影响这个环境。怎么查看自己有多少个“工作间”呢?用conda env list,所有环境及其路径一目了然。

有时候你需要暂时离开当前环境,回到基础的base环境。这里原始文章的命令conda source deactivate是旧版写法,现在更通用的方法是直接:

conda deactivate

至于环境的克隆和删除,确实是实用功能。比如你精心配置好了一个环境,想基于它做两个不同方向的实验,直接克隆最省事:

conda create -n experiment_a --clone torch3d_env

如果某个环境彻底不用了,为了节省宝贵的磁盘空间(AutoDL的磁盘可是计费的!),果断删除:

conda env remove -n experiment_a

执行删除前务必确认环境名,这个操作是不可逆的。

3. CUDA与cuDNN:让GPU火力全开的“驱动”与“加速库”

现在,你的工作间(虚拟环境)已经准备好了,接下来就要请出最重要的“工人”——GPU。但GPU不是插上电就能干深度学习活的,它需要一套软件接口和加速库,这就是CUDA和cuDNN。

你可以把CUDA Toolkit理解为GPU的“驱动程序”和“基础工具箱”。它包含编译器、调试工具和最重要的运行时库(CUDA Runtime)。而cuDNN(CUDA Deep Neural Network library)则是NVIDIA针对深度学习操作(如卷积、池化、归一化)高度优化的“专用加速库”。PyTorch、TensorFlow这些框架在调用GPU时,底层其实是在调用CUDA和cuDNN。

在AutoDL上安装它们,比在本地简单太多,因为GPU驱动和CUDA驱动(注意,是驱动,不是Toolkit)通常已经由平台安装好了。你只需要在虚拟环境里安装对应版本的CUDA Toolkit和cuDNN即可。版本匹配是这里的核心,也是最大的坑点。

首先,你需要知道你的显卡支持什么版本的CUDA。在AutoDL终端输入nvidia-smi,最上面一行会显示CUDA Version,例如12.4。请注意,这个版本指的是系统安装的GPU驱动所能支持的最高CUDA运行时版本,不代表你已经安装了该版本的CUDA Toolkit。 你安装的CUDA Toolkit版本只要不高于这个数字,一般都是兼容的。

其次,你需要考虑你要安装的PyTorch版本支持哪些CUDA。以PyTorch为例,去其官网查看历史版本,会发现类似PyTorch 2.0.1需要 CUDA 11.7或11.8的说明。所以,你的选择顺序应该是:先确定PyTorch版本 -> 再确定该PyTorch版本所需的CUDA版本 -> 最后在虚拟环境中安装对应版本的CUDA Toolkit和cuDNN。

安装命令本身很简单,就像原始文章里写的:

conda install cudatoolkit=11.8
conda install cudnn=8.7

但我必须强调,强烈建议通过Conda而不是系统级apt-get来安装。在虚拟环境里用Conda安装,这些库会被严格限制在当前环境内,完美贯彻了环境隔离的思想。安装完成后,可以验证一下:

python -c "import torch; print(torch.version.cuda)"  # 查看PyTorch识别的CUDA版本
python -c "import torch; print(torch.cuda.is_available())"  # 查看GPU是否可用

如果显示True,恭喜你,GPU的“发动机”和“变速器”都装好了。

4. PyTorch3D安装实战:依赖管理与“避坑”指南

重头戏来了,安装PyTorch3D。这是一个由Facebook(现Meta)开源的用于3D深度学习的库,功能强大,但安装过程一度是“劝退”新手的最大门槛。主要问题在于它的依赖关系复杂,且对PyTorch、CUDA、GCC等版本非常敏感。

原始文章给出的命令是一个经典的、但可能已过时的安装路径:

conda install -c fvcore -c iopath -c conda-forge fvcore iopath
conda install pytorch3d::pytorch3d

这个命令试图从fvcore、iopath和conda-forge这几个频道(channel)安装核心依赖,然后从pytorch3d频道安装主包。思路是对的,但实际执行时,你很大概率会遇到“找不到满足条件的版本”或者“包冲突”的错误。

根据我近期的实战经验,下面这个流程成功率更高,也更符合当前(2024年)的软件生态。核心思路是:优先使用conda-forge这个强大的社区频道,它维护的包版本兼容性通常更好。

第一步:安装匹配的PyTorch。 这是所有依赖的基石。假设我们决定使用CUDA 11.8,那么可以去PyTorch官网找到对应的安装命令。但更直接的方式是在Conda中指定:

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -c conda-forge

这条命令从pytorch、nvidia和conda-forge频道,一次性安装PyTorch、TorchVision、TorchAudio以及对应的CUDA 11.8支持包。conda-forge的加入能帮助解决很多依赖冲突。

第二步:安装PyTorch3D的核心依赖。 我们同样优先从conda-forge安装:

conda install -c conda-forge fvcore iopath

第三步:尝试安装PyTorch3D。 首先试试最直接的方式:

conda install -c conda-forge pytorch3d

如果conda-forge的版本与你当前的PyTorch版本完美匹配,那么安装会非常顺利。但如果不匹配,你会遇到错误。

第四步(备选方案):从源码编译安装。 这是解决版本兼容性问题的“终极武器”。虽然听起来复杂,但按照步骤来并不难。

  1. 首先安装一些编译工具和依赖:

    conda install -c conda-forge cmake gcc ninja
    conda install -c conda-forge pkg-config libjpeg-turbo openexr
    
  2. 克隆PyTorch3D的官方仓库,并切换到与你PyTorch版本兼容的分支(通常GitHub仓库的Release页面或README会有说明):

    git clone https://github.com/facebookresearch/pytorch3d.git
    cd pytorch3d
    # 例如,切换到支持你PyTorch版本的tag
    git checkout v0.7.4  # 请替换为合适的版本号
    
  3. 使用pip从本地源码进行安装:

    pip install -e .
    

    这个-e参数代表“可编辑模式”安装,这样你修改源码后无需重装。编译过程会花费几分钟,请耐心等待。

从源码编译能确保生成的二进制文件与你的PyTorch、CUDA、Python环境百分百匹配,是最稳定的方法。我最近在AutoDL的一台A100服务器上,用PyTorch 2.1 + CUDA 11.8的环境,就是通过源码编译成功安装了PyTorch3D 0.7.4。

5. 环境验证与常用管理技巧

安装完成不是终点,验证它真的能工作才是。创建一个简单的Python脚本test_pytorch3d.py:

import torch
import pytorch3d

print(f"PyTorch version: {torch.__version__}")
print(f"PyTorch3D version: {pytorch3d.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"CUDA version: {torch.version.cuda}")
print(f"GPU device: {torch.cuda.get_device_name(0)}")

# 尝试一个简单的PyTorch3D功能,例如创建一个网格球
from pytorch3d.utils import ico_sphere
sphere_mesh = ico_sphere(level=3)
print(f"Sphere mesh vertices: {sphere_mesh.verts_packed().shape}")

运行它:python test_pytorch3d.py。如果一切顺利,你会看到版本信息、GPU信息,以及一个网格球的顶点数据被打印出来。这证明你的环境完全正确。

环境管理方面,除了创建和删除,还有几个日常高频操作:

  • 导出环境配置:conda env export > environment.yml。这个yml文件就是你的“环境配方”,务必放入项目代码库。
  • 根据配方复现环境:conda env create -f environment.yml。新机器上一条命令就能还原所有依赖。
  • 清理Conda缓存:conda clean -a。定期清理下载的安装包(tarballs)和缓存,能释放不少磁盘空间,在AutoDL上这等于省钱。
  • 查看环境内所有包:conda list。当你怀疑版本不对时,首先用它来检查。

最后,分享一个AutoDL平台上的小技巧:如果你发现自己频繁需要搭建类似的环境,可以在环境配置好后,将其保存为自定义镜像。这样下次创建新实例时,可以直接选择这个镜像,系统初始状态就包含了你配置好的Conda基础环境和常用包,省去了大量重复配置的时间,真正做到“开箱即用”。这可能是云平台带给开发者的最大便利之一。

autodl实战:conda虚拟环境中高效部署cuda与pytorch3d全流程解析 本文详细解析了在AutoDL云平台上,使用Conda虚拟环境高效部署CUDA与PyTorch3D的全流程。文章从环境选择、Conda环境创建与管理入手,重点讲解了如何精准匹配并安装CUDA、cuDNN、PyTorch及PyTorch3D的版本,并提供了关键的避坑指南与高效工作流,帮助开发者快速搭建稳定的3D深度学习开发环境。 阅读详情

相关推荐

避坑指南:在Autodl的Conda环境中安装PyTorch3D时如何正确匹配CUDA版本

本文详细指导在Autodl平台的Conda环境中正确安装PyTorch3D,核心在于精确匹配CUDA版本。通过核查GPU驱动、构建Python-PyTorch-CUDA的兼容环境,并利用归档频道或pip解决安装难题,帮助开发者高效配置3D视觉开发环境,避免常见的版本冲突问题。

weixin_27734811的博客 123

AutoDL深度学习环境搭建

本文介绍了在AutoDL平台上搭建YOLO开发环境的完整流程:1)在AutoDL算力市场租用GPU并创建实例;2)通过终端激活conda环境,包括初始化bash、更新配置文件和创建专属虚拟环境;3)安装PyTorch,推荐使用pip替代conda解决卡顿问题;4)最后安装ultralytics包完成YOLO环境搭建。整个过程涵盖了从资源申请到环境配置的关键步骤,适合快速部署YOLO开发环境。

weixin_55042670的博客 1057

保姆级教程:用SAGA分割3D高斯场景(附AutoDL配置避坑指南)

本文提供了一份详细的SAGA(Segment Any 3D Gaussians)技术实战指南。通过结合SAM的语义理解能力与3D Gaussian Splatting,SAGA实现了对复杂三维场景的实时、交互式分割。文章重点介绍了在AutoDL云平台上的环境配置避坑步骤、数据预处理、双阶段模型训练,并最终在Jupyter Notebook中完成交互式分割的全流程。

weixin_29062823的博客 274

Autodl上快速搭建PyTorch3D开发环境:从Conda虚拟环境到CUDA配置全流程

本文详细介绍了在Autodl云平台上快速搭建PyTorch3D开发环境的完整流程。通过从Conda虚拟环境创建、CUDA版本匹配、核心组件安装到PyTorch3D编译的全步骤解析,帮助研究者和工程师高效配置稳定的3D计算机视觉与神经渲染开发环境,有效解决依赖冲突与版本兼容性问题。

stone的博客 439

Uni-3DAR:统一自回归3D生成与理解模型的落地实践指南

自回归模型通过序列预测的方式处理数据,在自然语言处理领域取得了巨大成功。其核心原理是根据历史信息预测下一个元素,这种范式因其灵活性和强大的生成能力而被广泛应用。随着多模态AI的发展,将自回归框架迁移到3D视觉领域,实现文本到3D内容的生成以及对现有3D场景的理解,成为一项极具潜力的技术。这种统一模型的技术价值在于,它能用一个架构解决多种任务,有望降低多模型维护的复杂性和成本,提升数据利用效率。在应用场景上,它可服务于3D内容生成、数字孪生、机器人环境交互以及游戏资产自动化生产等多个前沿方向。本文聚焦于Uni

weixin_30458043的博客 380

24、数字系统中的安全机制:从公钥基础设施到授权管理

本文介绍了数字系统中的安全机制,重点探讨了公钥基础设施(PKI)和授权管理的核心概念与应用。内容涵盖密钥对、数据摘要、签名生成、主体事实、授权规则的设计与实现,以及有限授权与无限授权的区别。同时,讨论了如何通过授权查询、扩展、传递和撤销来管理权限,并分析了授权接收与保密性的关键问题。文章旨在帮助读者理解并合理设计数字系统的安全机制,以确保系统的安全性与可靠性。

nice1的博客 66

autodl:conda环境下创建、并安装cuda、pytorch3d

其中nphm是这个虚拟环境的名称,自拟。3、安装pytorch3d。

Ty_kilig的博客 2360

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

复现波恩大学的“LiDiff:基于扩散模型实现3D LiDAR场景补全!”(点云补全)项目

复现波恩大学点云补全项目超详细教程

weixin_61663117的博客 2431

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

3D Slicer-最强大的开源医学图像分割工具简要概述

3D Slicer 是一个免费的开源软件平台,用于医学、生物医学和其他 3D 图像的可视化、处理、分割、配准和分析。读/写DICOM图像和多种其他格式;三维图像、多边形网格和体积渲染的交互式可视化;手动编辑和标记图像;使用刚性和非刚性算法融合和共同配准数据;图像自动分割;跟踪图像引导程序的设备。所有的功能模块可在工具栏里找到,提供搜索,下拉选择,左右切换等功能。3D slicer的大概情况就介绍到这里。它的功能非常强大,也没有必要说掌握每个功能的使用。

Tina姐的博客 2万+
上一篇: 通过Termius实现iOS设备远程管理Windows 11的SSH实战指南
下一篇: 蓝牙SPP协议:无线串口通信的工业应用与优化策略
bread
博客等级 码龄26年 60粉丝 1210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  | 博主筛选后可见
 
 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