三杯鸡

看完《饮食男女》那段三杯鸡,我给爸打了个电话|《饮食男女》×三杯鸡 摘要 《饮食男女》中老朱用家宴维系亲情的故事,触动了许多漂泊在外的游子。电影里那桌看似热闹的周日家宴,实则暗藏着每个家庭成员无法言说的孤独与隔阂。就像现实中许多家庭一样,爱意常常化作一句简单的"吃饭了吗"。作者在珠海独自生活时,学着复刻电影里的三杯鸡,从失败中领悟到做菜的诀窍:控制火候、把握时机。这道菜不仅温暖了胃,更成为连接亲情的纽带——当作者打电话给父亲分享自己学会做三杯鸡时,简单的对话里藏着深深的牵挂。文章提醒我们:想家时就打个电话,想念家的味道时就回去看看,因为有些爱,就藏在一顿 阅读详情

 

     古生代的地球恐龙族群中,有一个分支,进化出独特的电磁和信号探测能力,这种龙的额头上有一个突出的部分,可以发射和接受电磁信号,甚至是其它遥感信号,可以穿透掩护层,发现躲藏在地下和森林里面的猎物。。有点类似海洋里面的鲨鱼的电磁探测能力一样。。。。

     这种恐龙,后来进化为天龙,升到宇宙中,成为天秤座的龙角,龙角就是龙的雷达和探测系统,这三个星座分别叫做茶杯星,酒杯星,碰杯星,为什么叫杯子呢?因为像雷达的口子一样,又被成为三杯鸡。。。。

    这个星座是天秤座系统里面的警戒和扫描,探测模块,与天镜星互相配合,形成天秤座的预警系统

    这个星座在地面上就是各个国家的情报和安全部门的守护星座。。。。请你喝茶,就是指这个星座的信号锁定你了

    各个时代的动物都进化出了远程探测能力,不仅仅是天秤座系统。。。。

实测避坑:华为Atlas 300I DUO推理卡部署Qwen1.5,性能对比3090与完整配置流程 本文深度评测华为Atlas 300I DUO推理卡在部署Qwen1.5-14B大模型时的性能表现,并与RTX 3090进行对比。通过实测数据展示硬件参数、部署流程及性能优化建议,揭示国产AI加速卡在LLM推理中的独特优势与适用场景,为开发者提供完整的配置指南和避坑方案。 阅读详情

相关推荐

ubuntu18.04美化主题(完整版)

和网上的美化一样,但是我当初跟着博客美化的时候遇到一些问题,按博客的做法无法解决。 所以我自己也写一篇关于ubuntu18.04美化主题的博客。 第一步:安装主题工具:GNOME Tweaks sudo apt-get update sudo apt-get install gnome-tweak-tool 然后安装完成后我们打开Tweaks(截图如下): 第二步,修改窗口按钮位...

B丶atty的博客 7万+

波雷费密码 Playfair Cipher 及 希尔密码 Hill Cipher 原理简述

本篇可以看做是以前“密码史简介(对称加密以解密)”这篇的番外,附链接: http://blog.youkuaiyun.com/jerry81333/article/details/52708379 波雷费密码 Playfair Cipher: 1854年面世,曾在一战时期被英军所使用,二战时期澳大利亚所使用(话说土澳这样真的好吗,人家德军都是One-time-pad了、、、) 具体

新手村 1万+

深度学习中 Internal Covariate Shift 问题以及 Batch Normalization 的作用

深度学习中 Internal Covariate Shift 问题以及 Batch Normalization 的作用前言一、Batch Normalization是什么?1.1 Internal Covariate Shift1.2 Internal Covariate Shift 带来的影响1.3 如何减缓 Internal Covariate Shift 问题带来的影响白化(Whitening)白化存在的问题二、Batch Normalization2.1 传统 Normalization2.2 改进

一扣解千愁的博客 4297

特别的三杯鸡

三杯鸡,里面有狗屁,田七,当归等中药药材,适宜冬天进步。

csdn's blog 179

定时器(PWM输出)触发ADC采样(DMA)——STM32CubeMX

已知 Tclk 为 84MHz , 我们需要 Tout 为 200ms 即 200000us , 不妨先让PSC为 839, 带入上述公式可得 ARR = 19999. 这样算出来之后ARR和PSC都在0~65535的范围, 则可以使用这组参数。例如,如果时钟频率为1MHz,并且PSC设置为1000,则实际的定时频率将为1kHz。当重装载值(Period 或 ARR)设置为 500 时,意味着定时器需要计数 500 个时钟周期才会触发中断。例如,如果时钟频率为1MHz,则Tclk为1微秒。

2301_77123899的博客 1万+

普源精电DHO系列示波器选购指南:从学生党到工程师的完整对比

本文深入评测普源精电DHO系列示波器,从DHO800到DHO4000各型号的核心参数、功能特点及适用场景进行全面对比,帮助学生党和工程师根据实际需求选择最佳型号。重点分析带宽、采样率、存储深度等关键指标,并提供实用的选购建议和进阶使用技巧,帮助用户充分发挥示波器性能。

weixin_30485379的博客 168

三杯鸡做法大揭秘:如何做出口感鲜嫩,香味浓郁的三杯鸡?

要做出口感鲜嫩,香味浓郁的三杯鸡,关键在于独特的调味方法。首先,少放盐和糖,多放些米酒,这样可以提升鸡肉的鲜味。要想做出一道鲜嫩可口的三杯鸡,不仅需要选用优质的食材和掌握独特的烹饪技巧,更需要在烹饪过程中细心呵护。要时刻关注食材的状态,及时加入调味料,让三杯鸡的口感更加鲜嫩。首先,选用新鲜嫩滑的鸡肉,最好是去骨鸡腿肉,这样可以保证肉质鲜嫩。其次,选用新鲜的蒜苗和姜片,这样可以带来更加浓厚的香味。在独特的食材选择、烹饪技巧和调味方法的帮助下,我们可以轻松做出一道口感鲜嫩,香味浓郁的三杯鸡。

2401_84297324的博客 669

Java使用POI生成柱状图导出到word文档(柱状图)

本篇文章主要介绍,如何使用Apache POI组件生成柱状图导出到word文档中,具体步骤看下文。 一、实现效果 Java使用POI技术生成柱状图导出到word文档中,最终生成的柱状图如下所示: 二、环境准备 编程语言:Java 第三方依赖:Apache POI Apache POI依赖代码如下所示: <dependencies> <dependency> <groupId>org.apache.poi</groupId.

✅ Java 开发工程师 7381

三杯鸡的正宗做法大揭秘

细心挑选食材,熟练掌握烹制过程,合理把握火候,才能做出一道正宗的三杯鸡。让我们用心去烹饪,用爱去品味,带着对美食的热爱,做出一道道美味佳肴,与家人朋友共同分享,共绘幸福满满的生活画面。然而,要想做出一道正宗的三杯鸡,可着实不易。三杯鸡,顾名思义,是以米酒、醋和酱油为主要调味料,同时搭配鸡肉和香菇等食材烹制而成的一道传统菜肴。因此,在烹制三杯鸡时,要注意火候的适当调节,保持适中的温度,让食材均匀受热,做出口感最佳的三杯鸡。鸡肉要选用鸡腿肉,不仅肉质鲜嫩,而且有一定的油脂含量,烹制出来的三杯鸡才更加鲜美可口。

2401_84898371的博客 607

Allegro如何输出ODB文件操作指导

在PCB设计完成之后,需要输出生产文件用于生产加工,除了gerber文件可以用生产制造,ODB文件同样也可以用于生产,如下图。用Allegro如何输出ODB文件,具体操作如下。如何输出ODB文件操作指导。

weixin_54787054的博客 7219

槽型光电开关传感器原理图设计,已量产(光电传感器)

在嵌入式设备的位置限位、物料计数等场景中,槽型光电开关是性价比极高的传感器方案 —— 它通过遮挡发射器与接收器之间的光路实现电平切换,电路简单且抗干扰性优于漫反射式光耦。今天分享一个实际项目中落地的槽型光电开关检测电路,从器件选型到逻辑设计都做了简化适配,适合小批量原型或低成本产品的需求。

不脱发的程序猿 720

妈妈菜谱-三杯鸡

冬天来了,爸妈不在身边总是不放心,特意上Q传授了几招简单的菜式,立贴为证,过年前三道菜至少试做一次^_^ 顺便贴上来给大家分享 鸡 三杯鸡 一杯酱油,一杯植物油,一杯米酒,姜葱蒜 1. 锅烧热后放油,中火,放姜葱蒜炒一下,放鸡块,炒成黄色,放酱油、米酒、盐、冰糖(一点点) 2. 放砂锅里,烧5分钟翻一下,放点香油烧10分钟 3. 放点青菜在上面 米酒可以多放点,很香。 ...

451

8.19华为OD机试真题 新系统 - 基站低能耗时段统计 (Java/Py/C/C++/Js/Go)

8.19华为OD机试真题 新系统 - 基站低能耗时段统计 (Java/Py/C/C++/Js/Go)

算法大师! 1158

大数据推动舌尖消费 全国人民最爱吃三杯鸡

  北京最火的菜是什么?哪家餐厅最火爆?过年逛街购物哪里去?临近春节,大数据再次成为互联网公司比拼服务和创意的主战场。日前,大众点评推出的年味地图正式上线,实时展现春节期间全国各地人民在吃喝玩乐方面的不同习惯和消费水平。  “三杯鸡”最受欢迎  根据“大众点评年味地图”实时数据,截至昨晚6点,...

cigang4063的博客 298

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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")

才出了厨房,又上了战场

菜谱

m0_60879685的博客 479

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

一个人做饭有哪些推荐?

Chen Sam ,一个空号。 355 人赞同 -- 2015.12.28. 一个圣诞节长周末多了100个赞..What's going on here..感恩。 有同学私信说需要详细步骤的做饭教程,但是这里篇幅太局限了..如果开一个微信公众号什么的有人会想看吗? 第一次认认真真地在知乎回答问题。在美帝读了两年书,除了学术最多的时间就花在做饭上了。回答里有很多很多图..大约

GarfieldEr007的专栏 3万+

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

简简单单,浓情款款——好江南台湾菜馆——好一家台湾菜馆

一碗卤肉饭,简简单单就能将来自台湾的浓情丝丝扣入杭城的每一寸唇齿宝俶路上的好江南台湾菜馆就似一碗平平凡凡的卤肉饭亲民,朴实,却有着最原汁原味的台湾浓情2010才上路,寒冷的深冬,路上灯火通明,冷风却刺骨在好江南感受到朋友的温暖,又有毛球遭遇了不期而遇的抢劫心情跌宕起伏,扫了些兴致,却还是对好江南热情的款待而深刻____冷菜篇____三义鹅肝摆的很精致鹅肝香嫩,鹅肝被消灭后下面的黄瓜片在汤汁的浸润

lovenjoy的专栏 844

史上最全鸡鸭美味做法,看着都流口水了!

史上最全鸡鸭美味做法,看着都流口水了!   【豉油鸡】 做法:1.姜切丝,蒜切末备用;2.锅内倒入适量花生油、酱油、香油、盐;3.锅内的料调和均匀,把鸡肉放锅内使每块鸡肉上都沾上酱汁;4.盖上锅盖中火煮直到鸡肉熟;5.加入蒜米和姜丝,再焖煮2分钟,把鸡肉斩块,锅内酱汁倒在鸡肉上即可。 

cjc84584154的专栏 894

食天地]我的开心煮艺——用美食记录下逝去的时光~~

&lt;script language="javascript" type="text/javascript"&gt; function change_bodyground() { tech_body.className='body3'; } var colorrnd2=new Array("#6699cc","#669999","#CC66CC","#FF66F

mmdev 993

美味的佳肴

三杯鸡,里面有狗枸杞,空心菜,莴笋等

csdn's blog 99

基层公务员“三杯茶”到底是哪3杯

基层公务员的“三杯茶”是其职业生涯的缩影,既展现了其成长轨迹,也揭示了工作中存在的难题与压力。当基层公务员工作逐步进入常态化阶段,他们熟悉岗位职能,适应了地方工作节奏,渐渐形成一套“泡茶式”的工作方式:事务繁多但节奏较慢,强调效率与稳定性。工作压力大:刚到岗位的新公务员,面对陌生的环境和复杂的工作,通常需要快速适应。基层公务员既是政策执行者,也是群众工作者,他们面临的工作任务高度复杂,既需处理行政事务,又需解决群众矛盾。强化激励机制:提供学习和成长机会,如外派培训、跨部门交流等,激发公务员的工作热情。

piaoyse的博客 1253

“新华三杯”全国大学生数字技术大赛预选赛备考资料

本文件是新华三技术有限公司在全国范围内举行的新华三杯”2022年全国大学生数字技术大赛(后简称大赛)预选赛考试的大纲,用于指导参赛人员复习备考。新华三杯第十三届全国大学生数字技术大赛定为2023的4月到2024年的5月期间举行 大赛分为本科组与职业组,包含省预赛、省复赛和全国决赛。预赛、复赛为个人赛,决赛包含个人赛和团队赛 省预赛的难度在H3CNE级别,这里没说具体方向,按照2022年新华三就是包含,计算机网络基础知识、路由协议与以太网交换技术、H3C 云计算技术 、网络安全、H3C 存储技术、WLAN

m0_62621003的博客 1万+

2022年新华三杯决赛题目

2022年新华三杯决赛题目

孑然的博客 2529

三杯鹅的正宗做法及食材搭配

在选择鹅肉时,最好挑选那种带有一定脂肪的部位,这样才能让三杯鹅的口感更加香滑顺口。合理比例的搭配和加热时间的掌握,能够使得三杯鹅中的酒香四溢、口感鲜美,让人难以忘怀。在中华美食的丰富世界里,有一道以其鲜美口感和独特烹饪方法而备受推崇的传统菜肴——三杯鹅。在合适的烹饪技巧和新鲜食材的配合下,三杯鹅能让人在一口之间感受到独特的美味享受。此外,根据个人口味的不同,可以适量添加一些干辣椒或者香菜,让三杯鹅更具香辣的味道,或者更加清香可口。让我们放下矜持,放开胃口,来一次别样的烹饪体验吧,感受那独特的味蕾盛宴吧。

2401_84897699的博客 571

2016年新华三杯复赛实验试题

2016年新华三杯复赛实验试题,不是标准答案请多多交流

孑然的博客 2733

《三杯茶》

我:你看那本《三杯茶》了没有?老婆:看了。我:怎么样?老婆:挺好的,讲人性的。我:啊,你看懂了,我看了一点咋没看懂。老婆:那当然了,你没有人性么。

kongxx的专栏 1510
上一篇: 木星的温柔
下一篇: 土星计划-蓝色目光方案第二期
comsci
博客等级 码龄22年 412粉丝 397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