2017北航题练习

北航OJ题目:ID8(creeper学妹的计算题) 题目描述 creeper学妹有一天拿来一个表达式a/bc+d/e/fg*h,然后在纸上一堆数字让Lawliet做,每一组不超过1秒。Lawliet表示瞬间被秒杀了- -#所以推倒creeper学妹的任务只能交给大家来完成了。 输入 多组数据,第一行一个数T,表示有T组数据。(1 输出 每组数据输出一行,为最终计算结果。 样例输入 1 6 2 3 9 3 1 6 2 样... 阅读详情

题目为:

回文串

给一个数,比如567,将它和其回文数765相加,得到1332,如果1332是回文的,则停止,将整个运算过程输出;否则从1332开始继续重复上述流程。

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
int huiwenshu(int a) 
{
	//int a;用来输入数值
	//scanf("%d", &a);
	int h[100];
	int i = 0;
	while (a / 10 > 0) //求回文数
	{
		h[i] = a % 10;
		a = a / 10;
		i++;
	}
	h[i] = a % 10;
	/*for (int j = 0; j <= i; j++)
	{
	printf("%d", h[j]);
	}*/
	int k; k = i;
	int b = 0;//得到一个数的回文数
	for (int j = 0; j <= i; j++)
	{
		b = b + h[j] * pow(10, k);
		k = k - 1;
	}
	//printf("%d", b);
	return b;
}
bool IsHui(int a) 
{
	int b;
	b = huiwenshu(a);
	if (a == b)
		return true;
	else
		return false;
}
int main(void) 
{
	int shuru;
	scanf("%d", &shuru);
	int hui;
	hui = huiwenshu(shuru);
	int sum;
	sum = shuru + hui;
	while (!IsHui(sum)) 
	{
		printf("过程中间的sum%d\n", sum);
		shuru = sum;
		hui = huiwenshu(shuru);
		sum = shuru + hui;
	}
	printf("终于为回文数 %d\n", sum);
	/*printf("%d", huiwenshu(shuru));*/
	system("PAUSE");
	return 0;
}

 

北京邮电/北京航空航天大学上机题目 1373 比较奇数偶数个数 第一行输入一个数,为n,第二行输入n个数,这n个数中,如果偶数比奇数多,输出NO,否则输出YES。 #include <iostream> #include<algorithm> #include<string> #include<iomanip> #include<cmath> using namespac... 阅读详情

相关推荐

北航OJ题目:ID5(jhljx上小学)

题目描述 jhljx是一个特别喜欢数学的人,精通初等数学以上的各种数学,各种积分他都很精通。。 但他唯一的缺陷就是不会算加减法。。 于是,他只能默默的回去上小学了。。Orz。。他的小学老师是LuxakyLuee。 LuxakyLuee知道这件事以后说这是病,得治啊。。 LuxakyLuee不让他做普通的加减法,因为对于特殊病人要采取特殊手段治疗吖。 LuxakyLuee给了jhljx一...

CoderWang的博客 1678

oj系统的算分算法

一、题目描述 给出题目数量和单位时间罚时,输入一些学生的每道题的通过情况,然后给出排名,排名和AC数以及分数相关,AC数多的排在前面,再看分数,分数少的排在前面,如果前两项都相同,就按名字的字典序来排。 详细题目 二、思路概述 用结构体来记录每个学生的名字、AC数和时间分等信息。用char来存储学生每一题的分数,并进行处理,计算出学生的信息。输入结束后进行排序,然后输出结果 三、各部分作用 1...

weixin_43988686的博客 1614

北航计算机学院网络安全班,2021年北航网络空间安全学院网络空间安全专业目录分数线参考书真题及考研经验...

原标题:2021年北航网络空间安全学院网络空间安全专业目录分数线参考书真题及考研经验考研就是人生的第二次高考,是再一次改变自己命运的机会,本文将系统地为您介绍北京航空航天大学网络空间安全学院网络空间安全考试专业目录、分数线、参考书、真题及考研经验,希望对将要考北航的同学们有所帮助。 北京航空航天大学创建于1952年,是由当时清华大学等八所院校的航空院系合并而成的新中国第一所航空航天科技大学。参与组...

weixin_31885729的博客 2796

【亲测免费】 探索BUAA-OJ项目:一个开源的在线编程竞赛平台

探索BUAA-OJ项目:一个开源的在线编程竞赛平台 项目简介 是北京航空航天大学(BUAA)开发的一个开源在线编程竞赛系统。它旨在为教育和编程爱好者提供一个自定义题目、组织竞赛、自动评测代码的平台。借助此项目,你可以体验到类似于ACM/ICPC(国际大学生程序设计竞赛)的环境,并进行在线学习与实践。 技术分析 前端框架 BUAA-OJ采用了现代前端框架React进行开发,提供了优秀的用户体验和流畅...

gitblog_00047的博客 1049

北航OJ 0009~0015 2014级第一次算法上机

这是我2017年8月底写完的练习题,那时还什么都不会,到现在看这种题已经特别简单了。不过还是有很长一段路要走啊。(你可能发现有两个抄袭的,source直接百度就能找到了…,想了很久都没想出来,自己写又全是BUG,入门还真是不容易呀。)这是给我自己看的总结,也算是重新思考一遍算法的思想吧。 0009 零崎的人间冒险Ⅰ 题意:就是很普通的递归汉诺塔 #include int main(){

Myriad Dreamin 愿逐将属于我的奇迹 1163

北航OJ上的动态规划题目整理,部分附代码

北航OJ上的动态规划题目整理,部分附代码

北航计算机考研经验_2018届考研

北航计算机考研经验 标签(空格分隔): 考研 我报的是计算机专硕,不分方向。初试347分,其中政治72,英语67,数学114,专业课94。2018年专硕复试线290分/学硕310分;我347分排在第60多名(ps:由于非全日制满足校线的才两人,所以专硕划分比较低,同时由于专硕报名人数多,导致后面复试会刷掉很多专硕,以及分数较低的会调剂到非全日制)。 首先谈初试,北航计算机无论学硕还是...

sherlockreal的博客 3万+

北航OJ(编程啦)上的一些题目的源代码

北航OJ(编程啦)上的一些题目的源代码,大概有一百多道题目,都是AC了的,有的文件起名不是太好,题目还是鼓励自己做哦 亲

北航机试练习—16.1,17.1

2016年第一题 2017年第一题

AndyZZhang的博客 312

北航大一下OJ.rar

这是北京航空航天大学航空航天大类大一下C语言的历次作业OJ习题,保证正确性和准确性,从助教手中得到,分享给我航的学弟学妹们!

[cryoEM] cryoSPARC简介

cryoSPARC系统结构概述 cryoSPARC是一个后端和前端高性能计算软件系统,为单颗粒冷冻电镜提供数据处理和图像分析能力,以及丰富的基于浏览器的用户截面和命令行工具。 Master-worker模式 系统基于主用户模式。 主进程(web应用,核心应用程序和MongoDB数据库)一起在主节点上运行。主节点需要相对轻量级的资源(2+ CPU< 16GB+ RAM)。 工作程序进程可以在具有GPU的任何可用节点上生成,负责所有实际计算和数据处理,并由主节点调度。注意:同一节点可以同时充当主节点和辅

进阶中的程序员吃吃的博客 7797

北航《c语言程序设计》在线作业一,北航2017C语言|程序设计题七

计划将历届的程序设计、算法题都写出来,先实现python版本,然后再实现c版本这样既练习了python的使用,也有c语言版的以便考试之用。七.程序设计题(本题15分)请编写一C语言函数psum,该函数的功能是首先接收两个整数类型的参数a和n,然后计算机表达式“ ”的结果。需要注意的是,当a或者n小于等于0时,该函数返回0。(提示:可以先编写一个求解的辅助函数,再在psum函数中计算累加和)p...

weixin_32880357的博客 189

OpenMythos深度解析

本文深入解析了kyegomez/OpenMythos项目如何从第一性原理重建Claude Mythos的核心架构。该项目并非直接复制Claude,而是基于公开论文和实验结果推测其可能的设计理念,构建了包含多模态注意力、深度推理引擎、知识检索模块等六大核心组件的模块化架构。重点剖析了分组查询注意力(GQA)的实现细节,展示了KV头扩展等关键技术。该项目已成为大模型开源社区最受关注的研究之一,为理解Claude的架构思想提供了有价值的参考。

Crown_22的博客 518

北航计算机学院保研占比,许明杰:CSP助力保研入北航

CCF CSP认证自2014年开展以来,已7载有余,这期间有400多所单位的学生和人员参加了CSP认证,累计参加人数逾14万人次,成立了156所高校认证点,受到越来越多的高校、企业以及大学生的关注。今年,我们将陆续推出一批高校CSP/CCSP优秀学子的故事,他们当中有的继续深造读研,有的就职名企,有的获得过CCSP金奖,有的CSP成绩优异,希望这些分享文章,能够帮助更多的同学提升软件编程能力,取得...

weixin_31708613的博客 1101

【Flow3D实战】从零构建水利冲淤模型:关键步骤与参数详解

本文详细介绍了使用Flow3D构建水利冲淤模型的关键步骤与参数设置技巧。从基础认知到前处理、计算设置和后处理,全面解析如何高效模拟水流与泥沙的相互作用,特别适用于桥墩冲刷、水库泄洪等工程场景。通过实战案例分享,帮助读者掌握Flow3D在水利工程中的精准应用,提升模型精度与计算效率。

weixin_42549723的博客 502

SAP在sap我定义了三个帐套 T9 SGD,I9 CNY, C9 CMY 想使用三个不同的币种,那么 我在定义和激活非主分类账时 如何定义各自的币种 ?

摘要:在SAP中为非主分类账(T9、I9、C9)配置不同币种(SGD、CNY、MYR),需通过三个步骤实现:1)在FINSC_LEDGER中定义分类账货币类型;2)在OB22中为公司代码0919配置平行货币;3)在"定义和激活非主分类账"中关联币种。关键注意事项包括维护自定义货币类型(以Y/Z开头)、设置OB08汇率以及独立汇率评估。完成后可通过FB50测试凭证和FAGLL03验证各账套的币种金额显示。

金牌架构师 1012

陈青 北航 飞行力学 研究生_北京航空航天大学软件工程考研经验北航计算机学院考研真题参考书分数线...

本文主要为大家介绍北京航空航天大学(北航)计算机学院软件工程的专业目录、参考书、复试分数线、真题以及初试经验等几部分的内容,希望对同学们有所帮助。1、学校介绍北京航空航天大学1958年建立计算机专业,1978年成立计算机科学与工程系,2002年组建计算机学院,至今已走过了六十年的发展历程。计算机专业的发展是随着国家需求和大时代政策背景而发展的,是各级领导关心和大力支持的结果,更凝结了北航...

weixin_39614060的博客 255

基于AI的智能开发环境—Trae在Web开发中的应用实战与性能评估【Trae项目实战】

Trae 是一款与 AI 深度集成的开发工具,提供智能问答、代码自动补全和基于 Agent 的 AI 自动编程能力,极大提升开发效率。它具备完备的 IDE 功能,如代码编写、项目管理和源代码管理等,同时还具备强大的 AI 助手,能够提供智能问答、实时代码建议、代码片段生成等服务。开发者可以通过自然语言与 AI 协作,从 0 到 1 开发项目,AI 会根据需求自动生成代码或创建文件。

一键难忘的博客 3万+

[python]re库(正则表达式)的小练习-抓取北航教务处通知列表

今天想在北航教务网找找ACM的校内赛如何报名,结果发现校务处网站的搜索就是一个摆设。这就很尴尬了,难不成要我一页一页翻通知?刚好学了学re库,所以写一个简单的小爬虫来爬取北航的通知列表! 1.分析 北航教务网站上新闻的url是这个格式。显然通过修改xwid的值就可以访问所有的新闻了。 http://jiaowu.buaa.edu.cn/bhjwc2.0/index/newsV...

weixin_34228662的博客 351

ROCm rocr-libhsakmt分析系列1-2:多GPU跨卡VRAM访问机制分析

本文基于ROCr-Runtime的libhsakmt库源码,深入分析了多GPU系统中跨设备内存访问的实现机制。主要内容包括: 实现流程概述:通过P2P拓扑发现、统一虚拟地址空间、页表映射和硬件转发四个步骤,实现零拷贝的跨GPU内存访问。

图形/计算GPU的驱动与虚拟化技术分享园地 2507

2026年沐曦集成电路数字IC笔试试卷带答案

本文摘要: 这是一份数字IC设计笔试模拟题,包含单选题、波形分析、多选题和代码设计题。重点考察ASIC设计流程(如逻辑综合将RTL转为门级网表)、时序分析(建立时间余量计算)、跨时钟域处理(格雷码应用)、复位机制、状态机设计等核心知识点。涉及沐曦特色考点如GPU架构(SIMT模型)、国产GPU芯片(曦云C系列)及MXMACA软件栈。代码题要求实现50%占空比三分频电路,综合考察Verilog设计能力。试题强调PPA优化、低功耗技术等工程实践要点,覆盖数字IC前端设计全流程核心内容。(149字)

Open 259

2017北京大学信息科学与技术学院夏令营总结

笔者参加的是北大信科2017年夏令营,时间是7.10-7.12。最终被数字媒体所录取,在这里将经历和经验总结一下,供大家参考。 先介绍一下自己: 本科天津某985,前5学期排名16/114(大一30,大二16,大三第6;虽然大三下的成绩在报名夏令营的时候还没有出来,但是后面面试会用到,可以自己介绍给老师听)。六级519,四级560。 竞赛:数学建模国赛天津市二等奖,美赛HM奖(二等...

weixin_30824599的博客 675

20、微电网系统的系统框架、建模与控制架构解析

本文详细解析了微电网系统的系统框架、建模方法以及控制架构。文章首先介绍了在系统的系统(SoS)框架下,微电网如何通过微控制器(MC)和微电网中央控制器(MGCC)协调运行,并支持并网与孤岛模式下的高效能量管理。随后,针对微电网的关键组件,包括微涡轮机、光伏太阳能电池和风力涡轮机,提供了详细的数学建模分析。最后,探讨了微电网的控制架构设计,涵盖分层控制和共识控制策略,以实现系统的高效、稳定运行,满足日益增长的能源需求与市场要求。

elastic6hunter的博客 206

视频教程-2019跟着小虎玩着去软考--新品尝鲜讲解2017上半年信息系统项目管理师上午试题-软考

2019跟着小虎玩着去软考--新品尝鲜讲解2017上半年信息系统项目管理师上午试题 ...

weixin_29796167的博客 135

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")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

2017算法期末复习练习赛-G Beihang Couple Pairing Comunity 2017 题解(网络流)

理解不够透彻。好题不可浪费,写题解以增进理解。会陆续补充题目。(咕咕咕) G Beihang Couple Pairing Comunity 2017 题目链接 Beihang Couple Pairing Comunity 2017 解题思路 第一步:分析题目 首先,如果只判断是否有Poor single dog,这是一道DFS入门题。于是DFS搜一遍,把每个点与出口的距离(DFS距离)表示出来...

weixin_30399871的博客 116

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: CSP练习4:201812-02小明放学
下一篇: leetcode 69:求一个数的平方根
coding_diamond
博客等级 码龄8年 8粉丝 131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