墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
402平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Android高手进阶课程地址 http://edu.youkuaiyun.com/course/detail/1923/
1，在activity中onCreate里面子线程可以更新UI
子线程不能更新UI,但是在activity中的onCreate中子线程可以更新UI。
知识点：UI创建时间是在onResume中，ViewRoot在onResume创建，创建以后会执行checkThread（）函数。checkThread函数检查会检查更新UI的线程是不是主线程，如果不是主线程就报异常。activity中onCreate的时候，UI还没有创建，在activity中onCreate里面子线程可以更新UI。
2，android:process是新开一个进程
新开的进程和原来的进程是两个互相独立的进程。数据不能直接共享。新开的进程和原来的进程，代码和资源文件是一样的。
问题：如果结束原来的进程，新进程是否会停止？反过来呢？为什么？16软件1班安卓第一学期学习总结
1、刘茂安卓第一学期总结 在大一的时候只是知道自己要学习Java知识，慢慢到后来接触了更多关于Java的东西，才明白Java语言学起来实则很难，但作为一名热爱代码编程的我来说，我对新的知识就像磁铁一样，吸走一块还想把其他的吸收进我的大脑。 在分专业前，暑假期间我自学了Android Studio的操作（因为学校似乎用的Eclipse，但是已经大多都不用了），我开始在各大课程网站搜集学习视频学习，也加了一些学习群作为探讨和技术更深层的延伸（虽然有时候我不懂还没学到群里大佬谈论的知识，但是我看见了还是会记录下来
Android 运行时权限进阶（听课笔记）
前几天参加了郭霖老师的公开课–《Android 6.0运行时权限讲解》。 现在把笔记整理在这，基本是复述郭老师的原话，感谢郭霖老师。 学习平台：Android Studio2.2.3(基于win8.1 Pro) ADT：Nexus 5 API ：24 基于郭霖老师的《第一行代码》2th Edition的 7.2 节进行更改。 笔记名称：一次申请多个权限一、修改MainActivity 1.
安卓课程学期总结
刘茂、张星、刘平安和刘静四位同学在第一学期的安卓学习中，通过自学、课堂学习与实践项目相结合的方式，深入理解了Java语言基础及Android开发的核心知识，包括四大组件、数据库操作、网络编程等。他们积极吸取老师的经验，并借助互联网资源拓宽视野，参与项目团队以提升实战能力。在遇到问题时，他们学会利用错误信息定位和解决问题，注重编码规范和代码分层，并通过博客记录自己的学习历程和经验分享。尽管面临挑战，但他们都展现出对编程的热爱和持续学习的决心，希望通过参加竞赛和项目进一步巩固所学，提升专业技能……
适合Android进阶开发者的几个听课平台，跟着金牌讲师学习事半功倍
Android开发多年的人有哪些痛点和需求，我作为一个程序员老鸟再清楚不过。想当年，我也是一个技术基础薄弱、项目经验零碎、缺乏大项目经验、开发多年也没有技术突破的人，碰上这几年大环境不好，几度险些被裁员。 在网络搜索相关学习资源时，我们通常带有强烈的目的性和需求性，就是想要系统学习和提升，能够**在短期内看到成果、冲击团队骨干、升职加薪，出人头地**.........
大数据面试 逻辑题
逻辑题大致分为比较逻辑题、分析逻辑题、综合逻辑题、抽象逻辑题、概括逻辑题、推理逻辑题、论证逻辑题等，由于这类题比较考验综合素质，因此也一直是各大企业笔试、面试时经常喜欢考察的题目类型之一。很多童鞋认为逻辑题很难，其实不然。多做练习，打开思路，这类题还是可以轻易化解的。 下面为大家整理了网络上最全的75道逻辑判断测试题。在每道题目下方有答案，是用白色显示的，反选就可以看到啦~ 【1】假设有一个池...
化学科学催化反应产率预测之Transformer建模SMILES（Datawhale AI 夏令营）
循环神经网络：由于所有的前文信息都蕴含在一个隐向量中，随着序列长度的增加，早期的上下文信息会逐渐被遗忘。卷积神经网络：受限的上下文窗口在建模长文本时存在天然不足。需要多层卷积操作才能处理长文本。在本篇文章中，我们学习了Transformer的基本架构及其在化学反应产率预测中的应用。通过利用Transformer的Encoder部分对SMILES进行建模，我们能够更有效地捕捉序列数据的特征，从而提高模型的预测性能。
安卓听课笔记1.3Android Studio应用目录结构
1应用目录2.安卓项目默认 文件和目录。
Cox构建预测模型（5）：如何用R语言绘制校准曲线（附全套代码）
这篇文献通过绘制两个模型的DCA曲线来评估模型的临床决策实际需求，一个是列线图模型，包括纳入列线图的全部变量，一个是TNM模型，只纳入TNM分期3个变量。A图是训练集1年、3年、5年患者的总生存期的DCA曲线；B图是训练集1年、3年、5年患者的总生存期的DCA曲线，红色线条代表列线图模型（包括构建模型的10个变量），黄色线条代表TNM模型（仅纳入TNM分期3个变量），两个模型对比，在绘制校准图之前，必须要完成数据的导入、拆分数据集的工作、预测因子的筛选，校准图的绘制是分别在训练集与验证集独立进行的。
继安卓进阶三部曲之后，刘望舒的最强作来了！
大家好，我是刘望舒，江湖人称“皇叔”。继Android进阶三部曲后，我的新作品来啦，它不是一本书而是一个视频课程，也就是Android进阶涨薪训练营。这是一个可以让你无惧环境，逆势涨薪的训练营，不论你是Android初中级工程师还是Android高级工程师，这个训练营你都不应该错过，因为它会让你凤凰涅磐，从此打开新的Android世界。相信你们大多数人都知道我（不知道的看...
C2f-DCN模块详解：可变形卷积与特征融合的完美结合
C2f模块作为YOLOv8的核心创新，代表了目标检测特征提取模块设计的最新进展。通过精简的卷积配置（仅2个基础卷积）、高效的特征重用设计（部分通道分割复用）、以及深层语义与浅层细节的协同建模能力，C2f在结构设计和性能表现上全面超越了前代的C3模块。与C3K2、C3K等变体相比，C2f在遮挡和密集环境下的检测鲁棒性更优，而C3K2和C3K分别在高速检测和多尺度检测方面有专门优化。这种差异化设计反映了YOLO系列模型向场景化、专业化发展的趋势。从设计原理角度看，C2f的核心优势在于其多路径梯度流动优化和。
27930-2023与27930-2015区别
描述了27930-2023与27930-2015的更新点
java4android 听课笔记_Java4Android 课程笔记
Java4Android 课程笔记第一集 1、名词介绍： 4:代表for；2、java考古学： 主要介绍java发展史； 讨论java的未来发展； 问题： 学习一样东西，不去了解发明他的人，可行吗？第二集 1、什么是编程 一种和计算机沟通的语言； 一种创造性的工作； 让上帝与你同在；2、JDK的安装和配置 JDK就是java开发工具的集合； windows需要设置PATH和C...
倍福--手动加入第三方伺服的配置
客户在没有硬件情况下，希望手动配置硬件，添加第三方驱动器，本文介绍其操作流程 目 录 软硬件版本 3 1.1. 倍福Beckhoff 3 1.1.1. 控制器硬件 3 1.1.2. 控制软件 3 操作步骤 3 2.1. 添加电机XML文件 3 2.2. 创建EtherCAT 3 2.3. 添加新建项 3 2.4. 选择型号 4 2.5. 关联NC轴 5 软硬件版本 1.1. 倍福Beckhoff 1.1.1. 控制器硬件 TwinCAT控制制器，PC或者EPC，包括： 嵌入式控制器：CX5020-
Android安卓初级开发培训学习笔记1——绪论
最近在看网易云课堂的一个课，讲安卓的。虽然看起来年代久远，但是内容挺有意思的。特别基础，算是雨露均沾了。 下面是他的网址 http://study.163.com/course/courseMain.htm?courseId=1005651019 他的内容是 章节1ANDROID的认识 课时1ANDROID的认识19:22 章节2Android开发环境搭建和SDK了解 课时2An...
YOLOv12涨点改进| Kimi团队 2026 |独家创新首发、注意力改进篇|爆火AttnRes残差自注意力模块，含多种创新改进，借助残差思想，缓解细节信息在传播过程中被稀释，促进YOLOv12涨点
🔥本文提出AttnRes残差自注意力模块改进YOLOv12模型，通过深度维度的注意力加权机制替代传统固定残差累加方式。该模块能自适应选择更有价值的历史层特征进行聚合，缓解浅层信息在深层传播中被稀释的问题，提升小目标和复杂场景的检测能力。文章详细介绍了模块结构、原理及优势，并提供了完整的代码实现和配置方法，包括三种改进方案：yolov12n_AttnRes.yaml、yolov12n_AttnRes-2.yaml和yolov12n_A2C2f_AttnRes2D.yaml。
【2026年华为秋招（AI）-2月4日-第一题（100分）- 选择题】（题目+思路+Java&C++&Python解析+在线测试)
本文摘要：本文包含20道选择题，涵盖机器学习、线性代数、Transformer架构、概率统计等多个领域。题目涉及正交矩阵性质、Transformer注意力机制、聚类距离度量、ReAct框架、Softmax函数、混淆矩阵计算、Flash-Attention优化、位置编码、期望计算、归一化方法、矩阵迭代法、矩阵秩、大模型架构、神经网络推理、泊松流性质、SVM核函数以及聚类算法等知识点。每道题均提供解析，帮助理解核心概念和解题思路。
继续教育自动听课软件_教育类APP代上架安卓商店，教育APP上架流程详情介绍
随着互联网经济的快速发展，直播的兴起，直播软件类应用可谓是层出不穷。就从直播的火热程度折射出互联网推动着新型教育方式的改革，带来了新的理念和方法，传统的教育行业也受直播热潮的影响，教育直播APP开发需求也日益见长。那么开发一款教育直播类的软件都需要哪些功能呢？就带大家一起来看看。教育直播APP开发一般可分为教师端和学生端，不同的受众群体所体现的功能也都不同。教师端APP软件功能介绍：1、互动教学：...
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
高校听课评价系统
使用旧方法对高校听课评价系统的信息进行系统化管理已经不再让人们信赖了，把现在的网络信息技术运用在高校听课评价系统的管理上面可以解决许多信息管理上面的难题，比如处理数据时间很长，数据存在错误不能及时纠正等问题。这种模式让操作员基于浏览器的方式进行网站访问，采用的主流的Java语言这种面向对象的语言进行高校听课评价系统程序的开发，在数据库的选择上面，选择功能强大的Mysql数据库进行数据的存放操作。高校听课评价系统的开发让用户查看公开课信息变得容易，让管理员高效管理公开课信息。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
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
2020 - 04 - 14 个人笔记
早晨7.30醒 上午： 背了单词，看了每日一题，然后没太干啥 然后安卓课听讲，听了一次感觉还可以 下午： Hbase听课 然后写了下每日一题的博客，看了下另一个题 晚上： 打了会牛客的周算法赛 然后看了安卓，写了写程序 明天: 时间 任务 1-2节 适度听课 + 每日一题 + dp根 + 周算法补题（看情况整） 3- 4节 去林哥家 下午 整下安卓 + 安卓实验...
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
复杂计算器类_无纸化学习｜安卓学习类APP测评
嗨 我是Jasmine 我总结了超多免费的安卓学习类app，全文干货，快点收藏吧～文章最后有精简图文版◾️学习工具：华为平板M6+官配手写笔1、WPS Office：⭐️⭐️⭐️⭐️⭐️ 涵盖了word、excel、pdf、ppt……，平板端可用手写笔做笔记；我的大多数文件都是默认用wps打开，平板手机可登录同一账号，手机端用wps打开文件/点击星标，平板端就能看到了。 过大文件需升级会员才能保存...
安卓期末总结
不知不觉大二上学期已经快接近尾声了，回想一下这学期还是学习了不少东西，刚开始接触安卓这么课的时候，感觉是非常有趣的，因为它就是在一个手机虚拟机上实现一些功能，很多都很有用，才开始的时候，每天上课都在认真的听讲，课后也会预习和做课后练习题，到后面因为软件出了一些问题，倒是虚拟机不可以运行，我在百度上搜索了很多解决方案，尝试了很多种方法，有时是刚把这一个小问题解决了，后面有出现另外的问题，最后直接不可以用了，我也经常去逛博客，看解决方法，上课的时候也就有些分心了，因为一直都在想怎解决软件问题，问题没解决，注意力
java4android 听课笔记_疯狂Android讲义 - 学习笔记（四）
Android应用通常有多个Activity，多个Activity组成Activity栈，当前活动的Activity位于栈顶。Activity相当于JavaWeb开发的Servlet。当Activity处于Android应用运行时，同样受系统控制、有生命周期。4.1 建立、配置和使用Activity4.1.1 Activity建立自己的Activity需要集成Activity基类，在不同的应用场景...
Android数据存取技术概览听课笔记
Android数据存取技术分类 本地数据存取技术 Shared Preferences（XML格式数据） File（二进制数据为主） SQLite（关系型数据） 远程数据存取技术 基于Socket使用TCP/IP直接访问网络服务器（数据从数据源直接传送到目的地） 基于HTTP相关协议访问We
安卓pdf阅读器_提笔就写安卓阅读器，文石BOOX NOTE PRO轻体验
说到阅读器，很多人第一反应可能是kindle。实不相瞒，我的kindle已经完全沦为泡面盖子了，我觉得最大的问题在于它的系统，每次传输电子书的时候都不是很便利，ipad看书时间久了又会有点累眼睛，而且ipad那个重量还是让我的麒麟臂休息一下吧。直到前段时间，我拿到了文石BOOX NOTE PRO，一款可以提笔就写的安卓阅读器，那它体验到底如何呢？安卓系统的加持对电子书阅读器有什么帮助呢？首先做个简...
基于JSP的高校听课评价系统的设计与实现
Java编程语言Java作为计算机领域中极具影响力的编程语言，自诞生以来便以其独特的优势在众多技术方向上大放异彩。它基于类和对象的概念，通过封装、继承和多态等特性，为构建复杂的软件系统提供了坚实的基础，有力地支持了面向对象的软件开发方法，使代码的组织和复用更加高效。其丰富的API 涵盖了从基本数据结构到网络通信、图形用户界面、数据库连接等各个方面，极大地简化了开发过程，降低了开发成本。
Android开机底层流程,安卓系统启动流程
原标题：安卓系统启动流程 安卓系统启动流程：安卓系统,底层使用的是linux系统.在linux应用层至上实现了java环境和安卓系统需要的各种库 组件等.下图是安卓系统的框架: 我们发现整个安卓系统严重依赖于linux kernel,基于linux提供的app接口,实现了 java虚拟机,安卓各种库文件. 基于这些库,开发app,运行java程序.所以应该从底层开始启动,首先是 bootloade...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1364
扫一扫
