素描 山_您需要的5个素描课程

素描 山

Sketch是用于数字设计的出色应用程序。 它的工具集非常适合那些为Web,UI或移动设备设计的人,并且对图标设计也很有用。

如果您想全面学习Sketch,那么这五门课程非常适合您。 无论您是想了解UI设计,线框图,CSS,使用Craft插件还是从Photoshop切换到Sketch,这些与我们的专家讲师Adi Purdila共同举办的课程都将教您所有需要了解的知识。

1. 使用草图启动并运行

对于那些对软件不熟悉的新手,或者正在寻找有关其功能的全面指南,这是第一门课程。 在继续使用高级功能(如共享样式,符号和草图镜像)之前,Adi将带您导览所有基本功能。

2. 从Photoshop切换到素描

如果您使用Adobe Photoshop已有多年,则可能会担心切换到Sketch。 两种应用之间的主要区别是什么? 进行更改的利弊是什么?

这项为时10分钟的快速茶歇课程将回答这些问题,帮助您确定Sketch是否适合您,并让您进行更改。

3. Craft.io:使用真实数据进行设计

Craft是InVision开发的适用于Sketch的出色插件。 在本课程中,您将看到该插件如何通过允许您快速创建具有实际内容的内容来加速工作流程。

4. 草图和CSS:缩小差距

或者,如果您对使用CSS更感兴趣,则需要学习本课程,以了解有关Sketch的一个漂亮CSS小插件,称为CSSketch。 此插件使您可以编写直接影响Sketch文档中元素CSS。

此快速课程将指导您如何使用CSSketch,如何使用CSSketch以及类似的技术如何帮助缩小设计人员和开发人员之间的鸿沟。

5. 使用草图进行线框图

经过几门短期课程后,让我们结束一门较长的课程。 每个网站设计师在开始新项目之前都应该做线框图。 无论是用于网站还是Web应用程序,线框都可以使您以有效的方式为其创建适当的结构。

在本课程中,您将学习线框图的全部内容,然后使用Sketch构建自己的套件。

立即观看任何课程

您可以订阅Envato Elements立即选择我们的任何课程。 只需一个低廉的月费,您不仅可以访问此课程,还可以访问我们不断发展的图书馆,其中包含1,000多个视频课程和Envato Tuts +上行业领先的电子书。

另外,您现在可以从庞大的Envato Elements库获得无限下载,该库包含300,000多张照片以及34,000+个设计资产和模板。 使用独特的字体,照片,图形和模板进行创建,并更快地交付更好的项目。

翻译自: https://webdesign.tutsplus.com/articles/5-sketch-courses-you-need--cms-28967

素描 山

素描滤镜的实现 期望图: PS中的实现 先贴上两个使用PS做图的链接: 参考链接1 参考链接2 简单素描的实现 链接1使用程序很容易在shader中复现。 总结起来就是以下几步: 灰度化 反色(反相) 高斯模糊 颜色减淡 灰度图 直接对每一个像素乘于一个灰度的乘子即可得到当前像素的灰度: vec3 greyScale(vec3 inputcol... 阅读详情

相关推荐

使用CoreImage实现素描滤镜

使用CoreImage实现素描滤镜

DH's Den 3964

Trae x 图片素描MCP一键将普通图片转换为多风格素描效果

在设计创作、社交媒体分享、教育演示等场景中,素描风格的图片往往能以简洁的线条突出主体特征,带来独特的艺术质感。然而,传统素描效果制作需借助专业设计软件(如Photoshop、Procreate),不仅操作复杂,还需掌握一定的绘画技巧,难以满足普通用户快速生成素描的需求。

倔强的石头的博客 2万+

PyQt5(一) PyQt5安装及配置,从文件夹读取图片并显示,模拟生成素描图像

按界面顺序做简要说明Layouts布局参考文章(1)pyqt5安装与pycharm配置_DonLex的博客-优快云博客_pyqt5安装(2)???pyqt5利用QFileDialog从本地选择图片文本文档显示到label、保存图片label文本到本地(附代码)_桥本环奈粤港澳分奈的博客-优快云博客_pyqt5保存图片到本地(3)pyqt5先自我介绍一下,小编13年上师交大毕业,曾经在小公司待过,去过华为OPPO等大厂,18年进入阿里,直到现在。httpshttpshttpshttps。...

m0_67402125的博客 3582

画画初学者怎么画好素描?画素描的技巧有哪些?

本文由“学美术上美术集网校”原创,图片素材来自网络,仅供学习分享 画画初学者怎么画好素描?画素描的技巧有哪些?很多美术爱好者在刚接触素描的时候都很迷茫,不懂怎么去画,今天给大家分享的就是小编总结的一些关于初学者在初学素描时会遇到的问题,相信看完本次分享的内容后,大家会有所成长的! 首先我们来了解一下什么是素描,很多人只知道素描是用铅笔在纸上画画,对于它的正确解释却不清楚。素描的操作定义:使用单一颜色绘画工具而在画面载体上按照一定的绘制原则而有意塑造物体形态的美术活动。速写是素描的一种变式。素描水平是

tukewang的博客 1184

Unity Shader素描风格的渲染

原理 使用6张素描纹理进行渲染,在渲染阶段,在顶点着色阶段计算逐顶点的光照,根据光照结果决定6张纹理的混合权重,并传递给片元着色器。在片元着色器中根据这些权重来混合6张纹理的采样结果 Shader实现 Shader "Hatching" { Properties { _Color ("Color Tint", Color) = (1, 1, 1, 1)//颜色 _TileFactor ...

qq_44800780的博客 615

基于拟蒙特卡洛模拟法的随机潮流计算matlab程序

由式(4-11)可知,蒙特卡洛模拟法的计算量不受电力系统规模大小影响,因此该方法在一些复杂的电力系统中可以得到应用,包括处理电力系统中有多个间歇性新能源接入的问题,解决系统中多个节点之间相关性问题等等。本章在此基础上提出了基于拟蒙特卡洛模拟的随机潮流计算方法,并且对拟蒙特卡洛法中的拟随机数序列进行了改进,大大提高了随机潮流的计算效率。模拟法的具体思路如下:基于实际工程问题的求解需要,建立与之相对应的随机模拟过程和随机概率模型,使得它们的参数,包括概率分布或者数学期望,能够等于问题的实际解;

weixin_47365903的博客 1798

零基础小白如何自学素描

素描的学习是一个循序渐进的过程,掌握基本技巧后,逐渐可以过渡到更具挑战性的创作。最重要的是保持好奇心和耐心,享受每一次的绘画实践,逐步提升自己的艺术表现力。只要你保持持续练习,并善于总结经验,不久后你会发现自己能够用素描表达出更加丰富的情感和更加细腻的观察力。

小宝哥Code的专栏 1765

保姆级教程:用Qlib和LightGBM从零搭建你的第一个AI量化选股策略(附完整代码)

本文提供了一份详细的教程,教你如何使用Qlib和LightGBM从零搭建AI量化选股策略。教程涵盖了环境配置、数据获取、特征工程、模型训练和策略回测等关键步骤,并附有完整代码和常见问题解决方案,适合量化投资初学者快速上手。

weixin_29191081的博客 447

【Unity3D】素描特效

中讲述了普通光照的渲染原理,实现的效果比较贴近真实世界(照相写实主义,Photorealism),非真实渲染(Non-Photorealism Rendering,NPR)在照相写实主义的基础上添加了一些风格处理,如:卡通、水彩、素描等风格。线条采样方法:先计算顶点对应的漫反射强度,假设为 diffuse,再根据 diffuse 所处的区间在多个素描纹理(如下)中采样。素描特效不直接渲染漫反射效果,而是通过线条的疏密程度表现漫反射效果,即:较亮处线条稀疏,较暗处线条密集。

little_fat_sheep 1470

PPL文档——Excel制作的甘特图加上动态今日线

当很多项目需要跟踪进度时,我们介绍一种在Excel中创建甘特图。

qq_34777858的博客 7069

Palantir如何利用Ontology构建企业级数据地图

Palantir通过"本体论"(Ontology)技术构建动态数据地图,将多源异构数据转化为可操作的业务知识网络。该技术突破传统ETL模式,建立覆盖全组织的语义层,将原始数据映射为"客户""订单"等业务对象及其关联关系,形成可推理的语义网络。核心Foundry平台提供本体管理工具(OMA)和开发套件(OSDK),支持从数据连接到应用开发的全流程。虽然采用专有实现而非标准本体语言,但该架构成功解决了数据孤岛问题,赋能复杂决策分析

Learning 1804

php图片素描化,html5利用canvas实现图片转素描效果

本章给大家介绍html5如何利用canvas实现图片转素描效果。有一定的参考价值,有需要的朋友可以参考一下,希望对你们有所帮助。素描滤镜原理:最基础的算法就是:1、去色;(去色公式:gray = 0.3 red + 0.59 green + 0.11 * blue)2、复制去色图层,并且反色;3、对反色图像进行高斯模糊;4、模糊后的图像叠加模式选择颜色减淡效果。减淡公式:C =MIN( A +(A...

weixin_39929793的博客 408

【学习系列】SAP RAP 17:RAP应用部署集成至Fiori Launchpad 【S4HC Public Edition】

本文详细介绍了在SAP S/4HANA Cloud环境中部署RAP应用集成到Fiori Launchpad的两种方法:使用BAS(SAP Business Application Studio)和VSCode。主要步骤包括:1)在BTP中配置Destination连接ES环境;2)设置信任关系;3)创建BAS开发空间;4)通过Fiori应用生成器部署RAP应用;5)创建IAM App、Business Catalog和Business Role;6)配置Launchpad Space和Pages。文章还提供

DeveloperMrMeng的博客 968

个人零基础素描学习历程

本人依然是素描菜鸟,只是分享一下个人的自学素描的一些历程和作品。想真正学技术我不太行,呜呜呜……

fengye7的博客 1170

从零构建爬虫抓取故宫数字文物库:Python最新实战技术详解

熟悉了动态内容加载的网页结构解析技巧。掌握了 Playwright + BeautifulSoup 的组合用法。实现了从网页→JSON→详情→图像的完整数据闭环。掌握了结构化保存与可视化分析能力。

2201_76125261的博客 1312

2025华为od面试手撕代码【求字符串表达式结果】

2025华为od面试手撕代码【求字符串表达式结果】

MISAYAONE的博客 1359

素描教程资源合集

未来集市 530

目标检测YOLO实战应用案例100讲-基于数据融合的SAR图像中海上目标检测与跟踪(中)

本文使用的数据集为欧空局(European Space Agency, ESA)提供的Sentinal-1 数据集,Sentinel-1是欧洲“哥白尼计划”的SAR卫星机群,主要是用于陆地和海 洋服务的极地轨道全天候昼夜雷达成像任务[ 34]。Sentinel-1A于2014年4月3日发 射升空,Sentinel-1B于2016年4月25日发射升空,每颗卫星都携带C波段SAR, 共同提供地球表面的全天候、昼夜图像。

qq_36130719的博客 362

【素描基础】大师素描及素描抽象明…

一. 抽象明暗阶段(四步) 1. 虚虚四步画法: *第一步:只画暗部和明暗和阴影(即亮、暗面)。要求平涂和边线模糊。 *第二步:在第一步的基础上,在暗部和亮部各加一个色陈层,画面产生四个色层,中黑、浅黑、浅灰、白。 要求:色层归纳,边线模糊,注意:色序和色距的关系。 *第三步:在第二步的基础上,在暗部再加上一个色层,暗部表现最重色,在亮部再加上一个色层。画面产生六个色层,深黑、中黑、浅黑、中

qq3045528107的博客 1720

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

高中基础素描理论课大纲

总结今天的内容今天我们学习了素描的基本工具和基础技巧,了解了线条、阴影、光源等要素如何帮助我们表现物体的形状与立体感。素描需要大量的练习和观察,希望大家在课后继续保持练习的习惯,不断提高。作业布置要求学生回家后选一个静物,进行素描练习。关注物体的结构、比例和光影表现,完成一幅素描作品。拓展阅读推荐学生阅读《素描基础教程》或观看一些素描教学视频,进一步巩固所学知识。激励与鼓励素描是一个逐步积累的过程,需要不断的观察、练习与反思。希望每位同学都能保持热情,并享受绘画的乐趣!教学反思。

小宝哥Code的专栏 1198

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。

素描入门工具需要准备哪些

本文由“学美术上美术集网校”原创,图片素材来自网络,仅供学习分享 素描入门工具需要准备哪些?合适的绘画工具材料对于美术生而言非常重要,素描工具的种类比较多,常见的有铅笔、素描纸、橡皮擦、美工刀、画板、画架等,为了帮助大家更轻松的绘画,准备学习素描的画友们可以参考以下工具。 十种素描绘画必备工具 1、素描铅笔 铅笔一般分为软铅和硬铅分别有:10H、9H、8H、7H、6H、5H、4H、3H、2H、H、HB、B、2B、3B、4B、5B、6B、7B、8B、10B、12B。一般在画素描比较常用的种类是2H

tukewang的博客 1250

素描图片生成

总体而言,该程序通过Tkinter提供的GUI界面,让用户选择图片文件,然后使用OpenCV对每个选择的图像进行铅笔素描效果的处理,并在GUI中显示生成的素描图。图片转素描使用Python的Tkinter和OpenCV库创建的简单GUI程序,用于批量生成铅笔素描图。- 创建一个"打开图片"的按钮(open_button),点击按钮时调用`open_images`函数。- 对于每个选择的文件,调用`apply_pencil_sketch`函数生成铅笔素描图。- 更新GUI中的标签,显示生成的铅笔素描图。

weixin_47238423的博客 1579

图片转素描风格处理软件详解(Python实现,含UI界面及代码)

摘要:本文主要介绍图片转素描风格的Python软件设计,图像处理部分基于OpenCV实现,采用PyQT5进行界面设计,可通过调整界面参数改善图像效果,详细代码将在下篇博文中介绍,所有涉及的完整程序文件(包含py、UI界面、图标等)也会一并给出。素描作为一种表现风格独具艺术特色,手绘的素描画需要一定美术功底,但我们可以使用程序轻松将一幅图像转换为素描,具体实现细节将在本系列博文中详细介绍。

思绪无限的博客 3万+

素描小子跑酷html5游戏在线玩,体验Html5实现的在线素描及绘画设计

更多精彩相关文章推荐:常用浏览器软件HTML5兼容性表现测试微软:Silverlight在HTML5时代有竞争力苹果将首次采用HTML5直播新产品发布会点击查看更多设计软件资讯>>  在HTML5刚开始发展时候,流媒体播放等一些精彩应用必须借助第三方软件才可以实现。现在HTML5不但可以播放视频和音频,而且还可以开发出各种网络在线应用程序,如标识的地理位置、离线存储、拖放、图片处理等。...

weixin_34996026的博客 447

设计几何体素描_素描几何体教案

素描几何体教案美术学院王静【教学目的】通过教学使学生懂得写实素描、石膏几何体写生的意义。掌握写生的观察方法、透视规律、作画步骤。【教学重点】正确的观察方法,对形体空间状态的理解和分析,透视现象和原理。【教学难点】对形体空间状态的理解,绘画透视原理。【教学方法】讲授法、示范法、图片展示法。【教材】《素描》刘虹编著、西南师范大学出版社ISBN7—5621-1893-0【参考书目】《素描静物教学对话》宫...

weixin_28871097的博客 707
上一篇: 通达 表单设计器 子表单_表单设计的花絮
下一篇: watch和$watch_WATCH的设计
daique1908
博客等级 码龄10年 29粉丝 0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  | 博主筛选后可见
 
 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