微软:Windows8是“触摸”革命的开始

Windows 8系统界面设计:Modern UI与Android定制体验 本文还有配套的精品资源,点击获取 简介:Windows 8的操作系统界面设计,也称为Modern UI或Metro UI,颠覆了传统桌面环境,强调简洁与触控操作。该设计包括动态磁贴、Charms Bar和开始屏幕等创新元素,旨在提供更加直观和高效的用户交互。此设计风格也适用于Android设备,通过第三方定制实现类似Windows 8的视觉和操作体验。 1. Wi... 阅读详情


  10月9日消息,据国外媒体报道,Windows8系统将在很大范围内作出变化及改进,这早已不是什么秘密了。但是其内嵌于这一新操作系统中的触摸功能对于产品的未来前景将起到十分重要的影响。

  据报道,微软观察者ShahramIzadi称,科技界早已经开始将目光聚集于长远的未来——触摸程序及Windows8正是全球性革命的开始。

  微软官方则称:“触摸功能是这场革命的开始,我们目前正在讨论的是自然交互,并将最终讨论除鼠标及键盘以外的新的交互形态。”微软将于本月晚些时候发布其Windows8系统,并且这一新的操作系统将能够在多种平台上运行,包括传统的台式电脑,同时也包括平板电脑设备。微软同时也将发布其自有品牌平板电脑——Surface,其很有可能将同时出现在Windows8发布会的现场。

  Windows8系统也将融合几种新的触摸功能,用户只需通过滑动、收聚屏幕即可实现登录及对文件进行管理。这也是为什么这一新的操作系统将在技术领域带来一场重大“革命”的原因。

  Izadi称,“想想早期的多点触控功能:在80年代早期由微软的比尔·巴克斯顿及其他一些人研发。经过至少20年的时间,消费者及产品领域才赶上了这一研究。当道格·恩格尔巴特发明鼠标之后,大概经过了20年的时间才使其开始逐步商业化。我们正在见证技术转化为产品的速度不断加快,因为公司想要在业界占据优势,因此从消费者的角度来看,这是非常令人激动的。”

  据微软所称,Windows8已经是一款非常成功的产品,因为它较之于微软之前所发布的产品而言,已经吸引了许多的早期接受者。微软称其已经收到了许多反馈意见,而消费者预览版在其发布的第一天,其下载量就达到100万次。

用Bus Hound和MIDIOX抓包分析USB MIDI数据流:从硬件接口到软件解析的完整实战 本文详细介绍了如何使用Bus Hound和MIDIOX工具抓包分析USB MIDI数据流,从硬件接口到软件解析的完整实战过程。通过解析MIDI协议、捕获Note On/Off事件、控制变更消息等实例,帮助开发者深入理解音乐数字接口的底层通信机制,并提供了常见问题的解决方案和调试技巧。 阅读详情

相关推荐

Claude Code启动失败解决方案,执行文件不兼容一键修复

Claude Code命令行工具突然报错,显示"不支持的16位应用程序"。作者排查Node版本无果后,发现是Anthropic更新导致Windows兼容性问题。解决方法很简单:卸载旧版、切换npm镜像源、重装最新版即可恢复。经验教训:遇到类似问题应先搜索社区反馈,避免无谓排查,同时注意npm源使用后及时还原。整个踩坑过程虽折腾,但最终只是简单的重装问题。

1468

Win 8是“触摸革命”的开始

Windows 8系统将在很大范围内作出变化及改进,这早已不是什么秘密了。但是其内嵌于这一新操作系统中的触摸功能对于产品的未来前景将起到十分重要的影响。据报道,微软观察者Shahram Izadi称,科技界早已经开始将目光聚集于长远的未来——触摸程序及Windows 8正是全球性革命的开始。 微软官方则称:“触摸功能是这场革命的开始,我们目前正在讨论的是自然交...

weixin_34357887的博客 92

GPU服务器选购避坑指南:从硬件配置到场景化性能调优

本文提供GPU服务器选购的全面指南,涵盖硬件架构解析、应用场景配置策略和性能调优实践。针对大模型训练、推理服务和科学计算等场景,详细分析GPU选型、内存带宽匹配和散热设计等关键因素,帮助技术决策者避免常见配置误区,实现成本效益最大化。

peace的博客 1031

windows 8

业界对Windows 8的初步印象很好,不过微软今天推出的Windows 8仍是一款预装版。 Windows8主界面     微软目前没有透露Windows 8正式版推出的具体时间,但业界认为,至少可能要到一年以后,这种推测主要是基于以下原

Java编程语言学习专栏 3473

Python入门基础教程(非常详细)

Python是一门开源免费、通用型的脚本编程语言,它上手简单,功能强大,坚持「极简主义」。Python类库(模块)极其丰富,这使得Python几乎无所不能,不管是传统的Web开发、PC软件开发、Linux运维,还是当下火热的机器学习、大数据分析、网络爬虫,Python都能胜任。这套Python基础教程不是教科书,不会玩弄概念,而是力求口语化和通俗化,让读者尽快入门。如果有小朋友出于兴趣学习Python,请引导他阅读本教程的前半部分,这是基础,可以降低学习成本;...

Yuki1127918的博客 34万+

Avalonia 超级详细学习指南

什么是 Avalonia?Avalonia 是一个开源的、跨平台的 GUI 框架,允许开发者使用 XAML 和 C# 构建现代化、高性能的桌面应用程序。与其他框架相比,Avalonia 具有强大的跨平台能力和灵活的界面设计。} }()Avalonia 的特点和优势跨平台性:Avalonia 可以在 Windows、Linux、macOS 等多个平台上运行,开发者可以编写一套代码,然后在不同的操作系统上运行相同的应用程序。

仰望星空的博客 1万+

Windows8开发指南(1)Windows8新特性

Windows 8 是由微软公司开发的,具有革命性变化的操作系统。该系统旨在让人们的日常电脑操作更加简单和快捷,为人们提供高效易行的工作环境。Windows8将支持来自Intel、AMD和ARM的芯片架构。微软表示,这一决策意味着Windows系统开始向更多平台迈进,包括平板电脑和PC。2011年9月14日,Windows 8开发者预览版发布,宣布兼容移动终端,微软将苹果的IOS、谷歌的Andro

尹成的技术博客 6495

用 SAML 2.0 Bearer Assertion 配置 ABAP OAuth 2.0 令牌交换

摘要: SAP系统集成中,身份跨系统传递是关键挑战。OAuth 2.0的SAML 2.0 Bearer Assertion grant机制通过SAML断言换取访问令牌,实现安全身份传递。配置核心在ABAP的SOAUTH2事务码,需绑定可信SAML身份提供商(IdP)并指定访问范围。实际应用中,需确保SSL加密传输,正确配置SAML IdP信任关系,并为OAuth客户端分配专用系统用户。常见问题包括证书不匹配、权限配置不当等,需分层控制权限边界以保障安全。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 838

微软的最新操作系统Windows 8

星期三第一次展示的Win8, 具体内容:自己的几个观点,供大家讨论:1. Win8的思路完全是为了平板+触摸屏2. 这个界面放到电视上也不错,把常用的操作归纳一下也就是上下左右,加menu;估计在遥控器上也不难实现3. 多任务的切换主要看针对显卡的优化程度,不知道对Intel/ARM平台的具体要求如何4. ARM平台目前也出现了几种图形标准,有ARM自己的,有Nidia的,也有powerV

TomSi的专栏 743

基于信号完整性的PCB设计原则

基于信号完整性的PCB设计建议,以单网络的信号布线作为评估对象,给出了一些最基础的设计指导,如何灵活运用,取决于设计者根据实际场景如何做取舍和判断。

一只豌豆象的博客 1760

LVGL 蜂巢气泡菜单(Hex Menu)

h。

摸鱼专家 178

win8系统简介

Windows 8是由微软公司开发的,具有革命性变化的操作系统。该系统旨在让人们的日常电脑操作更加简单和快捷,为人们提供高效易行的工作环境Windows 8支持来自Intel、AMD和ARM的芯片架构。Windows Phone 8采用和Windows 8相同的NT内核并且内置诺基亚地图。2011年9月14日,Windows 8开发者预览版发布,宣布兼容移动终端,微软将苹果的IOS、谷歌的

huyang1597535的专栏 907

LPDDR5 学习笔记05:WCK操作详解

LPDDR5 SDRAM采用双时钟设计,写时钟(WCK)频率为命令时钟(CK)的2倍或4倍,需要通过WCK2CK同步机制解决时钟域对齐问题。该同步操作由带特殊标志位的CAS命令触发,控制器需提供半频WCK脉冲进行状态校准。同步完成后才能执行读写操作,且支持多存储体组同步和WCK常开模式以优化性能。掉电后必须重新执行同步流程,确保时钟域正确对齐。该机制有效解决了高速内存接口的时序挑战,为LPDDR5性能提升提供关键技术支撑。

一只豌豆象的博客 2010

历经12.4亿小时测试 微软在纽约正式发布Windows 8

原文地址:http://www.youkuaiyun.com/article/2012-10-25/2811189-Windows8-Release [youkuaiyun.com 10月26日综述] 微软已经太久没有站在最大的聚光灯下了,从苹果引领移动互联网和触摸体验的热潮开始,微软长期扮演一个迟钝的看客角色,无力的注视苹果和谷歌的崛起。好在微软历来就有后发制人这一传统。无论是Windows、Office、IE还

yazhouren的专栏 1095

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Windows 8:微软的统一平台战略与触控交互革命

操作系统作为连接硬件与软件的核心平台,其架构演进直接影响着用户体验和产业生态。从经典的桌面交互到移动触控,操作系统的设计哲学经历了从“窗口管理”到“内容优先”的转变,其技术价值在于通过统一内核与运行时环境,实现跨设备的一致体验和高效开发。在工程实践中,这要求系统在底层架构上实现创新,例如引入全新的应用模型和安全沙箱,同时兼顾对海量遗留软件的兼容性。这种技术路径旨在应对移动计算浪潮,其核心应用场景是驱动硬件创新、构建融合设备生态,并为企业与消费者提供无缝的工作与娱乐体验。Windows 8正是这一理念的集中体

weixin_28007513的博客 534

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")

Windows 8风格的Metro设计

Windows 8的发布,从操作界面到操作方式都发生了革命性的变化,尤其是开始菜单的取消以及Metro界面的出现。Metro这种新兴设计风格正被大家所熟悉。Metro原意是地铁,Metro UI设计意念来源于地铁站牌,其风格大量采用大字体,以吸引观众之注意力。微软认为Metro设计主题应该是:光滑Sleek、快Quick、现代Modern。    Metro UI是微软的一种设计语言和格式,此设计

武汉产品经理 970

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Win8,微软的救赎吗?

摘要:本期热点:微软在纽约正式发布Windows 8;在华正式首秀Windows 8 微软打响帝国反击战;谷歌向开发者开放Coordinate API;软件开发者:猪与鸡的争论? 我们挑选了本周研发频道的精华文章,推荐给您的绝对“有料”,闲暇时不妨来细细品味我们精心为你呈现的这份技术大餐,或许有您意想不到的收获。本期热点:微软在纽约正式发布Windows 8;在华正式首秀Windows 8微

clc0clc的专栏 789

Windows 8正式版 亮点与新功能抢先看

10月26日,万众瞩目的Windows 8系统即将华丽登场。PC时代的霸者已经孤注一掷,不知会为这个属于移动的未来上演一场怎样的大戏,“没落的贵族”还是“王者归来”?到目前为止,已有1600万人使用Windows 8测试版,其大胆变化让一些用户感到满意,他们称这是微软首次比竞争对手苹果进行更大胆地创新。Windows 8的成败不仅决定着微软的命运,也影响着许多人在微软职业生涯的未来。

拟声的主扬在江湖 609

微软Win8直冲iPad 消费者称适合装在平板电脑

微软新 Windows系统终于揭开面纱,Win8消费者预览版在2月29日22点正式发布。据了解,该系统具有兼容触摸屏、取消“开始”按键等多项革命式的变化。对此,不少业界人士认为,微软推出的Win8不仅将改变人们使用电脑的习惯,还可能改变业界的竞争格局,甚至会对一路高歌猛进的苹果系统造成冲击。Win8消费者预览版即日起即可免费下载。 据了解,对于笔记本来说,Win8的 Metro界面或将令触摸屏...

weixin_30432007的博客 70

微软鼠标测试软件,第一款win8鼠标:微软Sculpt全球首测

1Sculpt触控鼠标 带来全新感受[中关村在线键鼠频道原创]微软硬件在外设产品研发上,一直致力于以领先的科技带给用户超凡的体验。从早期的IE3.0,到越野蓝影,再到Arc Touch、Touch Mouse等等,微软硬件在的每一次技术革命,都会为用户带来叹为观止新感受。在放弃Arc Touch时尚超薄的外观之后,微软推出混合型触控鼠标,“微灵动触控鼠”以相对舒适的使用手感,和独特的仿真力回馈滚...

weixin_36160268的博客 1455

Windows 11终极优化革命:ThisIsWin11让系统真正属于你

你是否曾为Windows 11的默认设置感到束手束脚?面对分散在各处的隐私选项、冗杂的预装应用、不够个性化的界面,是否渴望一个统一的管理中心?ThisIsWin11正是为解决这些痛点而生的革命性工具,它将Windows 11的优化和定制变得前所未有的简单高效。 作为"真正的Windows 11 PowerToys",ThisIsWin11将所有系统优化功能整合在一个简洁的界面中,让普通用户也能轻

gitblog_00034的博客 986

Windows 8

Windows 8是由微软(Microsoft)开发的,于2012年10月26日正式推出,具有革命性变化的操作系统。系统独特的metro开始屏幕界面和触控式交互系统,旨在让人们的日常电脑操作更加简单和快捷,为人们提供高效易行的工作环境。Windows 8支持来自Intel、AMD的芯片架构,被应用于台式机、笔记本、平板电脑上。 Windows 8是继Windows 7之后的新一代操作系统,具

dainengchimi007的专栏 585

Windows 8 Build 7777:揭秘微软版本号背后的工程管理与技术演进

软件版本号是软件开发过程中的核心标识系统,它通过主版本、次版本、Build号和修订号的组合,精确记录代码的编译时间点和功能完整性。在工程管理层面,版本号不仅体现了质量控制机制,还能标记重要的开发里程碑。Windows系统作为大型软件工程的典范,其版本号选择往往蕴含技术考量与文化象征,例如Build 7777在Windows 8开发周期中代表了Metro UI的成熟与内核架构的优化。这一版本承袭了传统桌面系统向触控优先设计的过渡,为后续Windows 8.1及Windows 10奠定了技术基础。通过分析此类特

weixin_34326558的博客 433

触摸Windows 10(1)

Windows操作系统的前世今生 (1)Windows 采用了图像化模式GUI,比起从前的DOS需要键入指令的使用方式更为人性化。随着电脑硬件和软件地不断升级,微软的Windows 也在升级,从架构的16位、32位再到64位,系统版本从最初的Windows 1.0 到大家熟悉的Windows 95、Windows ME、Windows 2003 、Windows XP、Windows Vista、Windows 7、Windows8、Windows 8.1、Windows 10和Windows Serve

m0_63626316的博客 204
上一篇: 单片机开发中应掌握的基本技巧
下一篇: 车联网战:平台商逆袭车企抢夺千亿市场
c_arm_java
博客等级 码龄14年 44粉丝 47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