天使的背叛

【Spark】Spark基础教程 Spark最初由美国加州伯克利大学的AMP实验室于2009年开发,是基于内存计算的大数据并行计算框架,可用于构建大型的、低延迟的数据分析应用程序。 Spark特点 Spark具有如下几个主要特点: 运行速度快:Spark使用先进的DAG(Directed Acyclic Graph,有向无环图)执行引擎,以支持循环数据流与内存计算,基于内存的执行速度可比Hadoop MapReduce快上百倍,... 阅读详情

 

        宇宙里面的星光和星座,一旦上天闪烁起来3年之后,一颗星都会出四个天使,这四个天使就是你这颗星的护法和保卫

        但是,必须注意,你的星星在天空中的位置和你在地面上的长期居住的房屋的时空位置是相关的,你一旦失去你的房子

        别人一旦入驻你的房子,特别是卧室和床,如果别人在你的床上和卧室里面进行祈祷活动,性活动,充满爱的哺育的活动

        并且有和你相似的脑波和心频,你在星空中的星星的天使有可能从星光中投射下来,成为房子主人的护法和保卫,并且

        有可能背叛你。。。。。。。

 

       

 

基于深度学习卷积神经网络的医学图像乳腺癌分类 一、项目背景与意义乳腺癌是女性最常见的恶性肿瘤之一,其早期发现和治疗对于提高患者的生存率和生活质量至关重要。然而,乳腺癌的诊断通常依赖于医生的经验和主观判断,这不仅耗时而且可能存在误差。近年来,深度学习技术特别是卷积神经网络(CNN)在图像处理领域取得了显著进展,为乳腺癌的自动分类提供了新的解决方案。本项目旨在利用深度学习卷积神经网络构建一套高效、准确的医学图像乳腺癌分类系统,辅助医生进行乳腺癌的早期诊断和治疗。二、技术实现。 阅读详情

相关推荐

开题报告该怎么写

考研即将来临,而一般很多大学都会选择在考研结束之后开始安排选题和开题报考(考研之前一般都不谈,老师也很人性化的,不愿意耽误你的复习) 但无论怎么推迟,我们最终都需要去面对并完成这些任务。 现在我就要教大家该如何写一个完整的开题报告! 准备模板。不同的学校有不同的格式,一般情况你的导师会给你们一个学校的标准格式,这个不用太费心。有了模板我们就可以按照模板的“线索”一步一步填充完成即可! 一般大致格式可谓: 研究背景/论文的目的、背景和意义 我们需要写明选择该题目的...

wuyueweifeng的博客 1099

《诡秘之主》的“八大天使之王”

简单来说,“八大天使之王”就是第三纪元跟随远古太阳神打天下的最强班底。他们中,有的忠心耿耿,有的则心怀鬼胎。最终,以“救赎蔷薇”组织为首的几位天使之王在“背叛之宴”上背刺了远古太阳神。这次事件直接导致了太阳神的陨落,也开启了众神崛起的第四纪元。

gaesarGatt的博客 223

保姆级教程 | MS构建三层石墨后转成LAMMPS的data文件

喜欢的话记得一键三连~

baguette的博客 2954

堕天使的诞生

堕天使的诞生    神创造宇宙之初,也创造了天使作为助手。天使依照神的意思,展开各种活动,例如天体运行、控制自然等等。然而有一部份应该对神忠诚的天使却企图背叛神。当然神完全知情,于是他们被天界放逐,居住在地狱。这些“堕天使”阻挡在人们信仰的道路上,成为地上“罪恶”的根源。堕天的天使会失去灵气,拥有物质化的肉体。  堕天的理由  骄傲    曾经是神之副官,统治其他天使的大天使长,拥有力

明天的莜麦 3761

《Halcon 100项目-9》Halcon彩色线序检查

Halcon彩色线序检查

doubleintfloat的博客 1047

Vivado 2021.1 实战:手把手教你用IEEE1735 V2加密你的Verilog源码(附完整TCL命令)

本文详细介绍了在Vivado 2021.1中使用IEEE1735 V2标准加密Verilog源码的全流程,包括许可证申请、密钥文件配置、TCL命令执行及加密后验证。通过实战步骤和完整TCL命令,帮助开发者有效保护FPGA设计知识产权,确保核心算法安全。

weixin_42706667的博客 193

傻->天使

也许有人会认为这样好傻,他不顾一切的去爱她,不管结果会怎样.那怕把自己弄得遍体鳞伤.他都会坚持.原以为自己如此; 原来天使也一样,明明不会再原谅的背叛,可却依然在期待再续. 或许真如此被丢弃的那一个,总是在竭斯底里.以为玩的起,但,终究输不起.再听一首歌,所有明了. "如果没有遇见你,我将会是在哪里?日子过得怎么样,人生是否要

477

ADS8681数据手册没讲透的细节:SPI时序、量程切换与电压换算的避坑指南

本文深入解析ADS8681数据手册未提及的SPI时序优化、量程切换陷阱与电压校准技巧。针对树莓派5与ADS8681的SPI通信问题,提供CPOL/CPHA配置建议;详解量程切换的位操作玄机与寄存器配置流程;并提出三步校准法应对非理想供电环境,帮助开发者提升ADC测量精度。

weixin_29178069的博客 525

下一世做你的天使

下一世我做你的天使 今生,   你做了我的天使我们第一次相遇便-注定了你我将为爱束缚我的背叛,你的包容    让你为我付出了太多太多    而你, 却得不到我的任何回报  直到有一天你渐渐离我远去  我才知道自己已欠你太多   颤抖着的双手终究没有勇气将你  揽入我的怀中  蹲在

196

31、人工智能对神性观念的重塑与启示

本文探讨人工智能发展对神学与哲学中神性观念的深刻影响,通过奥古斯丁和爱任纽的神义论视角,分析AI系统的道德地位、自由意志类比、不可解释性与信任问题。文章提出‘可实例化的神性’这一新概念,认为在人与AI的互动中,神性在‘可能性矩阵’中得以实现。最后呼吁在技术进步的同时加强道德创造、可解释性研究与哲学神学反思,以实现人与技术的和谐发展。

xray4的博客 141

ANSYS软件二次开发(2):二次开发环境搭建与配置

ADK是ANSYS提供的一个开发工具包,它包含了用于二次开发的API、示例代码和开发指南。ADK支持Python和Tcl,但Python因其易用性和强大的社区支持,成为首选。在ANSYS软件中,自定义菜单与工具栏是实现二次开发的重要途径之一,它允许用户根据自己的需求和工作流程,创建个性化的操作界面。通过自定义菜单与工具栏,可以将常用的功能、自定义的脚本或宏命令整合到一起,提高工作效率。原因:材料参数输入错误,或者模型的物理假设与实际情况不符。解决方案仔细校验材料参数,确保与实验数据一致。

kkchenjj的博客 2208

堕天使

本人只负责格式编辑~ 1.“切茜娅”[Cuts the west Asia]——媚惑天使          她的力量等同于改变力。古时,上帝用6天时间造出世间万物的时候,她就是毒蛇的化身,引诱夏娃和亚当吃了善恶树上的果子,惹怒上帝,被逐出伊甸园,贬为凡人。她是代表人性中最最邪恶的一面的,她可以赋予那些狂暴的人,犯罪的人,狂怒的人,一种超于上帝世界的力量,但最终也要被上帝取消这种力量

sun0322 1436

YOLO11有效改进专栏目录

YOLO11改进专栏导航

A1983Z的博客 3687

2013互联网业界提倡从博弈论的角度去观察业界竞争

耶鲁大学的校友对“博弈论”一词一定不会陌生,因为耶鲁大学在2007年开设的经济学159号公开课Game Theory(博弈论)被制成视频分享后,曾在互联网上引起学习热潮。说起博弈论中国人一定会想到田忌赛马,从古至今博弈的思想一直在人类的历史长河中闪烁其锋芒,但博弈论作为科学的理论体系是近代才出现的,它的理论创始人包括大家都熟悉的计算机之父——冯·诺依曼。现如今博弈论在经济学领域运用尤广,不论是华尔

电脑爱好者专栏 657

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

天使与海豚的爱情故事

天使与海豚的爱情故事

dongliang的博客 1438

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

从老板的角度思考:“背叛我的人送100万,忠诚我的人未来不是几个亿吗”。电商老板的生存法则!

从老板的角度思考;聂枭的名言:背叛我的人我都送100万,忠诚我的人未来不是几个亿吗?无疑是一句商业财富密码

potatoshops的博客 954

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")

eBPF双子座:天使or恶魔?

随着eBPF技术在各种行业领域上的使用和普及,人们在享受着技术变革红利的同时,也遭受着无孔不入的恶意攻击,就像任何事物都有两面性一样。没有任何一项技术只有高高在上的优势,而没有弊端,只有更加清晰的刨析清楚eBPF的内核,才能推动它不断的进步,趋利避害,尽可能发挥正向的作用。

Rethinking the Kernel 697

天使的诱惑

木然的意外死亡使得西子后悔不已;千川 夜的无奈背叛使得西子失去憧憬;铃木 炎冰的莫名示好使得西子心生疑惑;木欣的酒后失言使得西子忍痛割爱;原野的痴情一片使得西子危机重重。玉西子在这些人中穿梭,经历着她人生中另一段跌宕起伏的感情之路。

xue0001的专栏 412

eBPF 双子座:天使 or 恶魔?

当前,利用eBPF既可以做高性能开发工作,也可以利用eBPF做攻击,你怎么看?

阿里云云栖号 932

从 Linux 安全看,eBPF 的出现是“天使”还是“恶魔”?

【优快云 编者按】eBPF 目前已经成了安全研究人员和黑客手中强大的工具,亦正亦邪,取决于使用者的选择。作者 | 许庆伟 责编 | 王子彧出品 | OpenAnolis(龙蜥)启示录新约圣经启示录认为:恶魔其实本身是天使,但炽天使长路西法背叛了天堂,翅膀变成了黑色,坠落地狱,堕落成为恶魔。这些恶魔主宰著黑暗势力,阻碍人类与上帝沟通,无所不用其极。所以可以说天使和恶魔本来是一体的,只是命运不...

优快云资讯 807

折翼的天使(二)

  不知不觉,时间已逝去一个月,她终于绝望了,她拖着一个粉红色而又时尚的行李箱静静地走到西湖,无助地站在断桥上,任凭二月刺骨的风吹乱她的发梢、随洁白的雪花凌乱地飘舞,她想起了初见他时,被他硬朗的外表、儒雅的气质、柔情的目光深深地迷住了,想起了和他不约而同地第二次相遇,他们开始了第一次交谈,却感觉彼此有着前世相识的快乐和默契,她叫碧柔,他叫,想起了他曾对她说要爱她一生一世,正是这个虚无缥缈却又让她深

jingmingka83的专栏 990

[原创 生活] 我的天使

我的天使有人说父母是上苍安排到人间保护我们的天使。我一直都觉得自己很幸福。我心中有爱:有爸爸的,妈妈的,哥哥的。我心中有情:有朋友的,同学的,老师的。我很爱我的家人,很爱很爱的,只要提到他们我都特别开心,每当我不开心的时候,我会给爸爸妈妈打电话,虽然我不会说不开心的事情,我不表现出我不开心,只是那么的随便的聊聊,听听他们的声音,我心情都会好很多。即使电话的这边我已经泪流满面,但是我也会笑着跟他们说

lovejavalovejava的专栏 1026

天使的叹息

    一天女孩过生日,男孩子在她生日的聚会上送了她一只可爱的毛毛熊,在各种生日礼物中,这根本算不上是礼物。    女孩有些生气,也许更多的是愤怒,没想到自己男朋友这么小气,今天是她的生日,还来了这么多朋友。    去年男孩在她...

congyunpan5550的博客 233

You give love a bad name

An angels smile is what you sellYou promise me heaven, then put me through hellChains of love got a hold on meWhen passions a prison, you cant break freeYoure a loaded gunTheres nowhere to runNo one

(RING~~~)Arrgghh! For the last time, I'm a Developer, not a Detector! 779

《追风筝的人》读后感2600字

《追风筝的人》读后感2600字: 《追风筝的人》是美籍阿富汗作家卡勒德·胡赛尼(Khaled Hosseini)的第一部长篇小说,译者李继宏,上海人民出版社于2003年出版,是美国2005年的排名第三的畅销书。 全书围绕风筝与阿富汗的两个少年之间展开,一个富家少年与家中仆人关于风筝的故事,关于人性的背叛与救赎。 因为那一句至今提起都无比温暖的“为你千千万万遍”,我翻开这本《追风筝的人》,却发现这是...

minemi的博客 1万+

天使的眼淚,只有一滴!

一个女孩子从小就喜欢珠宝,因为家基殷厚,长大后,她自然而然地成了一位颇有个性的珠宝商。她经营的珠宝很多都是自己设计的,款款各异,式样繁多,精美脱俗,深受赞誉。但是无论求购的人有多少,她都只做一枚,绝不重复。她把自己设计的这些戒指统称为“天使的眼泪”。 “天使的眼泪,只有一滴。”她如是说。 然而,这个女孩自己却始终没有...

weixin_43630492的博客 109
上一篇: 天蝎之毒
下一篇: 靠山吃山
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