二维指针控制指向NULL的一维指针

【C语言】一维/二维数组&字符串知识要点和常用方法(超详细) 数组是在内存中连续的相同类型的变量空间;同一个数组中所有成员都是相同的数据类型,并且所有成员在内存中的地址都是连续的数组最开始定义的时候就需要明确其长度和数据类型由于C语言的数组只能存放指定类型的数据,故数据类型一旦确定后就不能更改数组名是一个地址的常量,代表数组中首元素的地址数组根据其维数不同,可分为一维、二维…多维数据类型 数组名[数组大小] = {数据1, 数据2, 数据3, ...};数组名需符合标识符书写规定,且不能与其他变量名相同方括号[] 阅读详情

昨天晚上看到一个算法题:二叉搜索树与双向链表
有一个函数中的参数是二维指针,传递进去是一维指针的地址,我想:C语言中一维指针就可以改变指针所指向的值啊,为什么还要二维指针

算法中的函数声明:

void ConvertNode(BinaryTreeNode* pNode, BinaryTreeNode** pLastNodeInlist);

大家先看一个小程序吧:

#include <iostream>
using namespace std;

int a = 5;

void fun(int* p)
{
    p = &a;
}

void main()
{
    int* p = NULL;
    cout << p << endl;
    fun(p);
    cout << p << endl;
}

指针p的地址并没有改变
这里写图片描述

下面我们看看下面一个小程序:

#include <iostream>
using namespace std;

int a = 5;

void fun(int** p)
{
    *p = &a;
}

void main()
{
    int* p = NULL;
    cout << p << endl;
    fun(&p);
    cout << p << endl;
    cout << *p << endl;
}

我们发现p指向的地址改变了
这里写图片描述

总结:当一维指针是指向NULL的时候,在函数中得用二维指针去改变它的指向。

微机原理与接口技术第六版周荷琴课后习题答案及解析(期末重点) 第二章 1.8086/8088CPU可直接寻址多少个内存(字节)单元?多少个I/O端口?它们的外部数据总线各有多少根? 8086/8088CPU使用的是20位地址总线,因此可以直接寻址2的20次方个内存单元(即1,048,576),每个单元大小为1字节,因此可以直接寻址2的20次方个字节的内存。 8086/8088CPU有64K个I/O端口,每个端口占用1字节的地址空间,因此可以直接寻址6... 阅读详情

相关推荐

国标Gb28181里Contact和Route的使用

国标Gb28181是基于Sip协议的,因此对Contact和Route的使用,也可以说是Sip里Contact和Route的使用。Contact和Route则是sip协议里的头字段。 现在,在使用国标Gb28181来做项目时,经常会遇到这种情况,国标的下级是在内网里,上级在公网上。如果不做处理,下级到上级会经过nat协议的转换从而导致上级向下级发送请求时(比如获取目录请求)不能到达

wwyyxx26的专栏 5512

二级指针-空指针-野指针

如果对空指针使用delete运算符,系统将忽略该操作,不会出现异常,所以内存被释放后,也应该把指针指向空。2)如果用指针指向了动态分配的内存,内存被释放后,指针不会置空,但是指的地址已失效。3)指针指向的变量已超越变量的作用域(变量的内存空间已被系统回收)1)在指针定义的时候,如果没地方指,就初始化为nullptr。1)指针在定义的时候,如果没有进行初始化,它的值是不确定的。声明指针后,在赋值之前,让它指向空,表示没有指向任何空地址。指针是指针变量的简称,也是变量,是变量就有地址。

qq_45349055的博客 521

【ROS2】Arduino系列之机器人底盘实现

介绍ros中提供的一个已经封装了的模块: ros_arduino_bridge,该模块由下位机驱动和上位机控制两部分组成,通过该模块可以更为快捷、方便的实现自己的机器人平台

guilin 1486

最让人头疼的指针们(含二维数组)

指针数组 首先是一个数组 其次每个元素都是指针类型 指针指向的类型在定义时也已经确定 指针数组的声明 首先是声明的格式: (基本类型)*(指针数组名)[元素个数]; 这里举个例子: char* arr[10]; 数组arr就是一个指针数组,怎么看呢?来,跟着我的步伐: 首先arr左边是一个*号,右边是[ ]号,我们知道arr是先和[ ]号进行匹配,那么说明ar...

pop_m的博客 1215

四阶龙格库塔方法求解一次常微分方程组

四阶龙格库塔方法求解一次常微分方程组一、写在前面二、四阶龙格库塔方法三、使用四阶龙格库塔方法求解一次常微分方程组 一、写在前面 龙格库塔方法是数值求解常微分非线性方程的有利工具,计算精度较高,通过缩短步进距离和增加阶数可以进一步控制误差范围。工程上较为常用的是四阶龙格库塔算法(R-K4),在计算收敛的情况下往往可以得到比较好的结果。 二、四阶龙格库塔方法 这里简单介绍一下算法的具体实现过程,不做详细的推导。其求解的问题是形如方程: y˙=f(y,t),其中t∈[t0,t1]初值y(t0)=c0 \dot{y

HelloWorldTM的博客 2万+

Unreal Engine鸿蒙移植实战:环境配置、构建流程与性能优化指南

游戏引擎移植是跨平台开发中的关键技术环节,其核心原理在于通过适配目标操作系统的底层接口和工具链,实现同一套代码在不同硬件和软件环境下的高效运行。这项技术的价值在于最大化代码复用率,降低多平台维护成本,并能让应用快速触达新兴生态系统的用户。在移动游戏和XR应用领域,随着鸿蒙HarmonyOS生态的快速发展,将成熟的商业引擎如Unreal Engine迁移至此平台,成为开发者探索新市场机会的重要路径。本文聚焦于Unreal Engine项目向鸿蒙系统的移植实践,详细解析了从环境搭建、源码适配到构建打包的全链路流

weixin_29011395的博客 411

有关一级指针和二级指针的归纳总结

计导课讲到指针和动态内存分配,这里真是一个难点,很多概念容易混淆,有时候一个概念要查阅好多网站,看过很多博文才能理解,不过学习编程不就是这样嘛~~一定要想办法理解才行,所以今天归纳了关于一级指针和二级指针的知识供大家学习(中间有一些摘录,不太记录来源,如果有涉及到哪位仁兄的文章,请跟我说,我会加上来源链接哒~)(http://blog.youkuaiyun.com/bearray123/article/det

Peggy_Chang的博客 3333

redhawk:STA timing data file解析

我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?STA timing data file分为以下几个部分:• Header• Name Map• Footer这部分报告设计的基本信息,例如文件类型,设计名称,分隔符等。...

m0_61544122的博客 1158

C语言指针用法详解 (三) 二重指针

二重指针 例子1: Question int **ptr1 = NULL; cout<<"情况一 ptr1 == "<<ptr1<<endl; cout<<"情况一 *ptr1 == "<<*ptr1<<endl; cout<<"情况一 ...

weixin_30790841的博客 218

AXI总线详解完结篇

经过几个月的整理和发文,AXI总线详解系列正式迎来最终篇,内容基本涵盖了上一篇文章的全部内容。 所有文章的链接如下: 1、 AXI总线详解 2、AXI总线详解-总线和接口以及协议 3、AXI协议中的通道结构 4、AXI总线详解-AXI4读写操作时序及AXI4猝发地址及选择 5、AXI4交换机制 6、ZYNQ中DMA与AXI4总线-DMA简介 7、AXI总线详解-不同类型的DMA 8、AXI总线详解-DMA内部寄存器的读写方式 9、AXI总线详解-几种应用DMA的场合 10、Altera Scatter-G.

OpenFPGA的博客 5495

STM32F407+OV2640的DCMI+DMA双缓冲JPEG图像采集系统

在嵌入式视觉系统中,数字摄像头接口(DCMI)是MCU连接CMOS图像传感器的关键硬件通道,其与DMA协同实现零CPU干预的高速数据流采集;而JPEG作为一种基于DCT变换与量化压缩的有损图像格式,依赖传感器端硬件编码引擎才能满足实时性要求。理解DCMI三重同步时序(PCLK/HSYNC/VSYNC)与DMA双缓冲机制的流水线协作原理,是突破带宽瓶颈、避免FIFO溢出和帧丢失的技术基础。该架构广泛应用于智能硬件、工业检测与边缘AI前端等需低功耗、高可靠图像捕获的场景,本文以OV2640与STM32F407为

weixin_42103128的博客 159

一个关于指针和二重指针的问题

目录问题背景我的问题C语言代码实现 问题背景 没错这个又菜又爱玩的笔者又踩坑了,毫无疑问又让学长捞出来了。今天的问题在于链表这里,里面有c++的引用也有c的指针,虽然这两种语言的问题不太应该放在一起写,但是我问题是由c++衍生出c语言的基础问题(希望各位读者写程序的时候将c和c++分开分析问题,不然问题就会很麻烦)。 在关于链表的学习中,使用递归算法,删除一个不含头结点的的单链表L所有含有x的节点。 我的问题 解题代码 //递归删除元素x void Del_xByRecursion(LinkList &am

weixin_48713132的博客 223

Spark Sql 连接mysql

转载请务必注明原创地址为:http://dongkelun.com/2018/03/21/sparkMysql/ 1、基本概念和用法(摘自spark官方文档中文版) Spark SQL 还有一个能够使用 JDBC 从其他数据库读取数据的数据源。当使用 JDBC 访问其它数据库时,应该首选 JdbcRDD。这是因为结果是以数据框(DataFrame)返回的,且这样 Spark SQL操作轻松或便......

主要分享大数据相关的知识,如Spark、Hudi 1万+

C++预习 二维指针

初步掌握visual studio 2013 中控制台c程序的建立。结合课本讲解指针概念;指针上机练习。讲解动态分配和释放。 malloc/free. 一维指针动态分配和释放练习。 二维指针概念讲解。二维指针动态分配和释放练习。 作业:矩阵乘法 用户输入矩阵1行数、列数,然后提示用户输入各元素; 用户输入矩阵2行数、列数,然后提示用户输入各元素; 输入后计算相乘结果矩阵。 第一次使用

qq_26468507的博客 343

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Statistics and Machine Learning Toolbox

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

双重指针的用法

前言 1、本人QQ – 330952038 欢迎一起学习交流。 2、指针一直都是C语言的灵魂,我们平常用得最多的是一维指针,而双重指针用得相对较少,本文是对二维指针进行一个学习。首先看一道习题:char GetMemory(char *memorystr,u8 num) { memorystr = (char*)malloc(num); }int main(void) { c

gdjason的博客 2万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

【C 语言】二级指针作为输入 ( 二维数组 | 二维数组内存大小计算 | 指针跳转步长问题 )

一、二维数组内存大小计算、 二、二维数组内存大小意义、

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 2469

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")

【C 语言】二级指针作为输入 ( 自定义二级指针内存 | 为 二级指针 分配内存 - 存放 一维指针 | 为每个 一级指针 分配内存 | 释放二维指针内存 )

一、二维指针、 1、为 二维指针 分配内存、 2、为每个 一维指针 分配内存、 3、释放 二维指针 内存、 二、完整代码示例

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 1690

指针及指针相关问题(下)

五、指针和二维数组 定义二维数组array[4][5]; #include<stdio.h> int main() { int array[4][5] = {0}; int i,j,k = 0; for(;i<4;i++) { for(;j<5;j++) { array[i][i] = k++; } } printf("%d ",*(*(array+1)+

m0_53630259的博客 294

【C 语言】二级指针作为输入 ( 自定义二级指针内存 | 二级指针排序 | 通过 交换指针指向的内存数据 方式进行排序 )

一、二维指针 排序 ( 通过 交换指针指向的内存数据 方式进行排序 )、 二、完整代码示例

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 984

【C 语言】二级指针作为输入 ( 自定义二级指针内存 | 二级指针 排序 | 通过 交换指针方式 进行排序 )

一、二维指针 排序 ( 通过 交换指针方式 进行排序 )、 二、完整代码示例

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 1174

C语言指针进阶(一)——深入详解“函数指针”与“指针函数”

前言:C语言最难的地方莫过于各种类型的指针,光听名字就把人给绕晕了,本文是在一些重要的基础概念之上进行说明的,需要一些知识储备,即:什么是数组指针、指针数组、函数指针、指针函数等,然后才能看得懂本文。 一、简单概述 1.1 函数指针 所谓函数指针即定义一个指向函数的指针变量,定义的格式如下: int (*p)(int x, int y); //注意:这里的括号不能掉,因为括号()...

MIss-Y的博客 10万+

C语言基础之指针

本文摘要:文章系统介绍了C语言指针的核心概念与应用。首先阐述了指针的基础知识,包括指针的意义、使用方式及表现形式(固定8字节大小)。重点讲解了指针的应用:通过指针变量赋值取值、指针偏移操作(涉及地址空间计算)、指针与数组的关系(数组名作为指针变量使用)。详细分析了指针在字符数组、二维数组中的特殊用法,包括数组指针和指针数组的区别与使用场景。最后介绍了多级指针的概念。文中通过大量代码示例演示了指针操作的具体实现,如字符串函数仿写、二维数组元素访问的四种方式等,为深入理解指针机制提供了实践指导。

m0_74095358的博客 937

day9指针二维一维

(1)使用指针实现两个字符串的比较【非函数实现】(5)通过数组指针实现二维数组转置[选做](2)使用指针实现字符串连接【非函数实现】(3)使用指针实现字符串逆置【纯指针】(4)通过数组指针二维数组实现杨慧三角。

m0_71978011的博客 67

动态二维数组的实现以及元素不重复的生成

使用二级指针生成动态的二维数组,其中数组元素不重复且0<= arr2D[low][row]<len,len是二维数组的行列数之积. 在做这道题之前,我们要先知道,什么叫二级指针,什么叫动态的二维数组,然后再探究怎么生成随机数且让二维数组的元素不重复。 那下面让我们开始探究这些问题吧: 一:什么叫二级指针? 在理解二级指针之前我们先来理解什么叫一级指针,这样便于帮助我们理解...

陌意随影的博客 1817

嵌入式(C语言指针)

C语言指针

weixin_45921227的博客 618

C语言(二维数组、函数、指针、地址传递与值传递)笔记-day3

Linux C基础-day03 摘要:主要讲解了二维数组、指针、函数。 对二维数组的初始化、遍历二维数组及注意事项类比一维数组,深入浅出的讲解;函数的参数、返回值、命名规范以及类别进行了详细的阐述,并结合指针进行了编程练习,值传递和地址传递的区别

weixin_47409584的博客 2529
上一篇: Thread与Service的区别
下一篇: 3月5号 百词斩
coder_ken
博客等级 码龄12年 14粉丝 25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