03_Java数组与方法

FreeRTOS系统CPU使用率统计 操作系统中CPU使用率是在软件架构设计中必须要考虑的一个重要性能指标。它直接影响到程序的执行时间以及优先级更高的任务能否实时响应的问题。而CPU使用率也不能过低,避免资源浪费。 阅读详情

Java 数组与方法

数组
  • 创建数组(静态)
        // 创建数组

        // 方式一: 使用 new
        int[] age = new int[]{18, 20, 37};
        double[] score = new double[]{78.9, 35.6};

        // 方式二: 直接使用 {} 进行创建并初始化数组  (推荐此方式)
        int[] age2 = {1, 2, 3, 4, 5, 6};
        double[] score2 = {1.1, 2.1, 3.1, 4.1, 5.1, 6.1};

        // 方式三:  (不推荐此方式)
        int age3[] = {1, 2, 3, 4, 5, 6};
        double score3[] = {1.1, 2.1, 3.1, 4.1, 5.1, 6.1};

注意:数组变量名里面存储的是数组在内存中的地址,数组是一种引用数据类型

  • 数组元素的使用
        // 数组元素的使用
        int[] arr = {9, 3, 1, 7, 5, 6};
        System.out.println(arr[0]);  // 9

        arr[0] = 666;
        System.out.println(arr[0]);  // 666
        System.out.println("数组的长度: " + arr.length);  // 查看数组的长度

    }
  • 数组的遍历
        int[] arr = {9, 3, 1, 7, 5, 6};
        for (int i = 0; i < arr.length; i++) {
            System.out.println(arr[i]);
        }
  • 数组的动态初始化
        int[] arr = new int[3];  // 动态初始化数组,里面默认值为 0
        for (int i = 0; i < arr.length; i++) {
            System.out.println(arr[i]);  // 0
        }
方法
  • 编写方法
public class HelloWorld {

    // main 方法: 执行入口
    public static void main(String[] args) {
        System.out.println(sum(500, 20));  // 调用 sum 方法的功能
    }

    // sum 方法: 提供一个求和的功能
    public static int sum(int a, int b) {
        return a + b;
    }
}
  • 方法的重载

    • 什么是方法的重载?

    • 在一个类中,出现多个方法的名称相同,但是它们的形参列表不同,那么这些方法就称为方法重载

    • 代码实例

public class HelloWorld {

    public static void main(String[] args) {
        System.out.println("main");
    }

    void test(int a) {
        System.out.println("test---int");
    }

    public static void test() {
        System.out.println("test---null");
    }

    public static void test(int a, int b) {
        System.out.println("test---int,int");
    }

    public static void test(int a, double b) {
        System.out.println("test---int,double");
    }

}
《MPDIoU:边界框回归的高效革新与YOLOv8集成实战指南》 摘要: MPDIoU(多优先级距离IoU)通过引入中心距离、形状差异和尺度变化的三步优化策略,解决了传统IoU在目标检测中的尺度敏感、收敛低效和场景局限问题。相较于GIoU、DIoU等主流方法,MPDIoU在精度、速度和鲁棒性上实现全面提升,尤其在复杂场景和小目标检测中表现突出。通过代码集成和训练优化,MPDIoU在YOLOv8中显著提升COCO数据集AP指标,并在智能安防(密集行人检测)和工业质检(微小缺陷定位)等垂直领域验证了其应用价值。未来研究方向包括动态权重调整和多模态融合,进一步拓展边界框回归的精 阅读详情

相关推荐

PCAN-Explorer5使用教程

在PCAN中新建工程,导入DBC文件(右键apply),导入采集的数据选择对应的CAN通道点击红框中的标记可选择想要查看的信号在plot界面跳出属性,可调整信号显示的样式和最大最小值调出cursor,选择需要观测的变量,选中右键style——Period 可显示间隔时间增加cursor,可观测多个变量。

weixin_43997043的博客 6912

java基础Day03 数组和方法

** 数组 ** 定义:由类型相同的元素组成的有顺序的数据集合 一维数组的声明格式:数据类型 数组名【】;或数据类型【】 数组名; 举例:int array 【】;String【】 strs; 注意: 可以存储基本数据类型或对象,接口 声明中不用写元素个数 数组名符合标识符规定 创建数组 申明数组:int[] array; 构造数组:数组名=new 数组元素类型[元素个数] 举例:array ...

weixin_43663745的博客 188

电子技术——共栅和共源共栅放大器的高频响应

我们在之前学过无论是是CS放大器还是CE放大器,都可以看做是一个带通(IC低通)滤波器。在高频处的响应收到输入电容 $C_{in}$ 的限制(主要是米勒效应)。因此,若想扩大放大器的带宽,我们必须减小米勒效应,一种方案就是共栅放大器。

jiahonghao2002的博客 4183

Java基础03-方法与数组

从零开始的Java教程,第三章节数组与方法,包括内容:数组,方法,Array方法类,简单算法。

PengXing_Huang的博客 957

银河麒麟V10SP1系统盘瘦身指南:如何制作一个只含必需软件的轻量级安装镜像

本文详细介绍了银河麒麟V10SP1系统盘瘦身的完整流程,从依赖分析到最小化镜像构建,帮助用户创建只含必需软件的轻量级安装镜像。通过智能包筛选、KickStart定制和性能优化,显著减少ISO体积和部署时间,适用于服务器批量部署等场景。

weixin_26765287的博客 404

Python XML 转 JSON,XML 转字典

今天我们将学习如何在 Python 中将 XML 转换为 JSON 和 XML 转换为字典。我们可以使用 Python 的xmltodict模块来读取 XML 文件并将其转换为字典或 JSON 数据。我们还可以在大型 XML 文件上进行流式处理,并将其转换为字典。在进入编码部分之前,让我们首先了解为什么需要进行 XML 转换。

rubys_的专栏 2501

03-Java数组进阶与方法

本文深入讲解了Java中的二维数组和排序算法。主要内容包括:二维数组的概念与声明方式,静态与动态初始化方法,遍历技巧及内存分析;介绍了冒泡排序和选择排序两种经典算法;详细解析了Java方法的概念、定义、调用、参数传递机制(值传递)和重载规则。通过杨辉三角等实例演示了二维数组的实际应用,帮助读者掌握这些Java编程的核心基础概念。

2601_94975336的博客 727

即梦AI使用教程

摘要: 即梦AI是字节跳动推出的多模态AI创作平台,整合图片、视频、智能编辑功能,基于OmniHuman模型支持中英日三语操作。核心特点包括: 技术升级:4.0版本强化中文语义理解与微观表现力,新增故事分镜生成; 创作功能:支持文本/图片转视频、AI对口型、商业级抠图与多图层融合; 用户友好:移动/网页双端适配,灵感社区复用提示词,剪映生态无缝衔接; 应用场景:覆盖电商换装、虚拟主播、设计融合等需求,未来将开放API拓展生态。 (字数:149)

专业深耕,技术前沿 6300

java数组表示方法_03_Java数组与方法_01

若想要存放一连串相同数据类型的数据,使用数组是个相当好用的选择。此外,如果某个程序片段经常反复出现,那么将它定义成一个方法可以有效地简化程序代码。本章主要是介绍数组的基本用法与方法的应用,学完本章,将会对数组与方法的使用有更深一层的认识。数组是由一组相同类型的变量所组成的数据类型,它属于引用类型。它们以一个共同的名称表示,数组中的每个元素则以下标来访问。数组依照存放元素的复杂程度分为一维数组、二维...

weixin_34652847的博客 667

STM32F103+AX58100 EtherCAT从站SPI移植实战:CubeMX配置避坑指南

本文详细介绍了STM32F103与AX58100 EtherCAT从站控制器的SPI接口移植实战,重点解析CubeMX配置中的关键参数与常见陷阱。内容涵盖硬件连接规范、SPI模式设置、中断优先级规划及协议栈对接技巧,帮助开发者高效实现工业自动化领域的实时通信方案。特别强调CPOL/CPHA配置与AX58100的匹配要求,避免数据错位问题。

weixin_29230865的博客 330

扣子Coze触发器使用指南:实现工作流定时执行的完整教程

Coze平台触发器功能详解:定时触发器配置指南 摘要:Coze平台的触发器是实现自动化任务的核心组件,其中定时触发器能够按预设时间自动执行工作流。本指南介绍了定时触发器的配置方法,包括每日、每周、每月及Cron表达式等多种时间设置方式,以及如何关联工作流执行具体任务。文章还提供了健身提醒等实用案例,并涵盖了触发器调试、发布及常见问题解决方案。通过合理配置定时触发器,用户可以轻松实现各类自动化任务,如定时发送消息、数据采集等,大幅提升工作效率。

互联网架构师笔记 1922

JAVA day03 数组,方法

数组 有点像批量定义变量的说法。 定义数组 三种方式: 静态赋值:在定义的同时初始化 静态赋值:在定义的同时初始化,还能重复赋值 动态赋值:知道数组的长度,元素为默认量 数组的遍历/迭代:集体给数组赋值 代码说明1 public class Demo01Init { public static void main(String[] args) { int a = 10; // 静态赋值 int[] arr1 = {12,2,4,5}; //静态赋值 int[]

barcelona733的博客 287

CTR-GCN 论文解读

提出了一种信道拓扑优化图卷积,该卷积可以动态有效地对信道拓扑进行建模。共享拓扑是一个参数化的邻接矩阵,作为所有通道的拓扑先验,并提供顶点之间的一般相关性。通过使用特定于通道的相关性细化共享拓扑,CTR-GC 获得了通道拓扑。

一杯水果茶!足矣~ 3088

Java--03:方法和数组

初学Java--关于方法和数组 //如何定义一个类 class Group{ String name; int num; //方法 //构造方法 无返回值 名称和类名称一样 //定义类的时候,没有明确给出构造方法Java编译器会补一个默认的构造方法 Group(String n,int m){ name =n; num=m; } void pr...

springbear的博客 188

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Java基础03(数组,方法)

数组 静态初始化,给数组中每个元素赋值,由系统决定数组大小,例如:int [] arr = new int [1,2,3,4,5,6]; 动态初始化,给出数组大小,由系统给每个数组元素一个初始值,例如:int [] arr = new int [3]; 初始化数组时会在堆内存中分配一个不会变化的数组内存地址,以后访问数组元素,要先找到堆内存中的数组地址,再查找索引, 多个数组指向相同的堆地址,一个数组修改了数据,其他数组访问的将是被修改后的数据。 索引越界(ArrayIndexOutOfBoundsEx

qq_43671768的博客 180

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

java方法详解和java数组03

加法和main方法 package method; public class Demo01 { //main方法 public static void main(String[] args) { int add = add(1, 2); //实际参数:实际调用传递给他的参数 System.out.println(add); } //加法 public static int add(int a,int b){ //形式参数,用来定义

weixin_46726946的博客 141

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基础的重点知识-03-方法与数组

本章节中主要是对java中的方法以及数组进行了讲解,涉及到了一些重点的知识。

m0_72926194的博客 944

java中lifo的数组_03_Java数组与方法_02

经过前面一、二维数组的练习后不难发现,想要提高数组的维数,只要在声明数组的时候将索引与中括号再加一组即可,所以三维数组的声明为intA[][][],而四维数组为intA[][][][]……,以此类推。使用多维数组时,输入、输出的方式和一、二维相同,但是每多一维,嵌套循环的层数就必须多一层,所以维数越高的数组其复杂度也就越高。以三维数组为例,在声明数组时即赋初值,再将其元素值输出并计算总和。范...

weixin_42549154的博客 317

Java03 二维数组|方法

静态初始化:{1,2,3,4},{5,6,7,8}动态初始化://2行 4列0 0 0 00 0 0 0方法是具有特定功能的代码块。简单的理解就是:把一段完整的代码,看成一个整体,并给这段代码起个名字,以后在用的时候,使用这个名字就相当于执行了这一段代码。方法必须先创建才可以使用,创建只需要进行一次创建,使用可以多次。方法的创建过程称为方法的定义。方法隶属于类,因此方法要定义在类中,且方法不能定义在别的方法内。---类后面会详细讲。

Rancemy的博客 414

JAVA数组03:数组的三种使用方法

For-Each循环 public static void main(String[] args) { // 定义数组并赋值 int[] array = {1, 3, 5, 7, 9}; // 使用For -Each循环 for (int arrays : array) { System.out.print(arrays + " "); } // 缺点是无法使用索引读

远方的彼岸 177

Java day03——数组、JVM内存空间、方法

目录一级目录 一级目录

qq_40905010的博客 242

JAVA基础--java简单知识03(数组,方法)

什么是数组? 数组就像一个大盒子,这个盒子规定了所放进物品的属性,所放进的物品,按照顺序进行放置,在进行取出来的时候,只需要知道它的位置信息就行了。 int[] a={7,8,9,10}; /*它的每一个值都有一个索引。索引从0开始, 当你想要取9这个值的时候,那么你输出语句应该这样写:*/ System.out.println(a[2]); /* a[0]=7; a[1]=8; a[2]=9; ...

菜鸟三四五的博客 243

来杯JAVA冷静一下_03方法_04数组_230808

实参:调用方法时实际传给方法的数据。方法体:方法体包含具体的语句,定义该方法的功能。**修饰符 返回值类型 方法名(参数类型 参数名){方法体return 返回值;2 调用方法:对象名.方法名(实参列表)Java的方法类似于其它语言的函数,是一段用来完成特定功能的代码片段,一般情况下,定义一个方法包含以下语法:方法包含一个方法头和一个方法体。下面是一个方法的所有部分:修饰符 返回值类型 方法名(参数类型 参数名){方法体return 返回值;

qq_53433382的博客 155

JAVA SE基础提要--03: 方法,数组,内存划分

JAVA SE基础教程–03 写在前面的话: ATFWUS原创,旨在分享编程知识,更多的人一起学习; 技术是开源的,知识是共享的! 有关此JAVA SE 基础系列说明: 适合有其它语言基础的学习。 已学完的可以回顾一下重点和注意事项。 0x01.方法 Java中的方法与C/C++中的函数类似。 ...

ATFWUS的博客 492

Java基础Day03(8.13-数组、二维数组、方法)

/ 定义即定义:3*4的额二维数组。二维数组的长度为3,二维数组中的每一个元素又是一个长度为4的数组。示例// 二维数组// 二维数组中的第一个一维数组,打印的额是内存地址// 二维数组中的第一个一维数组的第一个元素(因为没有给定初始值,所以获取到的是0.定义方式2数组中每个元素的长度不确定并灭有赋初始值,取到的是null赋值后取到的是数组的内存地址// 这是一个二维数组,这个二维数组中有三个一维数组,三个一维数组都没有被赋值。

weixin_54452798的博客 214

2020-12-03Java基础_方法和数组

方法: 概述:程序中可能会出现用到一些功能,这些功能会在程序的不同地方使用,重复的代码不希望重复写在Java的源文件中。所以我们想把这些功能给封装起来。 定义:也就是将重复的代码放到一个大括号内,并且给它起上一个名称,当我们去使用这些功能时,直接去找它的名称。 方法的定义: 结构: 修饰符 返回值类型 方法名(形参列表){ 方法体; return 值; } 说明: 修饰符:主要限定方法的权限,还有静态,以及最终的这些修饰 返回值类型:返回值就是方法的产出,返回值类型就是限定了这个产出结

qq_41541451的博客 166
上一篇: 02_Java基础语法
下一篇: 04_面向对象
code_stream
博客等级 码龄4年 1238粉丝 169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