回顾与计划

ESP-SPARKBOT AI 智能机器人:v1.2 全流程复刻指南 本文介绍 ESP-SPARKBOT AI 智能机器人 v1.2 版本的全流程复刻,包含 PCB 、3D 打印、固件烧录、常见问题解决、参考资料等 阅读详情

本人刚刚从学校毕业,经过一番艰辛的求职,现在终于找到了一份做iphone/ipad应用开发的工作。

回顾一下这个历程,由于在还未毕业之前就在学校学习android开发,那时知道android的人还比较少。android的相关职位也是寥寥可数。但我当时十分看好android的前景,于是在学校时就花了大量时间学习这个。本以为毕业以后就能顺利的找到一份android相关的工作,但是事与愿违,当我自信满满的找 android工作时,却被拒绝,因为我是应届毕业生,没有工作经验。很无奈,我于是找到意家嵌入式培训机构,培训嵌入式方面的东西(因为听说这个就业很好),经过两个多月的嵌入式培训,我也确实学到了不少东西,但是我发现自己对这个并不是很感兴趣。培训结束后就去找工作了,但我并没有投嵌入式相关的工作。我还是继续投android相关工作,虽然这时候android的工作已经漫天飞了,但是我仍然没就接到android相关通知。于是我就乱投了一份iphone相关的工作(我从没接触过iphone),也许是由于与iphone 有缘吧,接到通知了,之后我就进入一家公司做iphone相关工作。当然能够进去是因为我答应第一个月不拿工资。但我也没有在这公司待多久,原因是不适合,他们并不是做移动开发的,是做行业软件,iphone平台只是他们软件的一个部分。从这个公司离开我当然是一分钱也没拿到,但我觉得比较值,因为我接触了苹果平台开发。当然也只能是说入门。但这为我后来找工作奠定了一些基础。一个月过后我又开始投简历。 依然是投android和iphone.

说实话当时我对 android 比对iphone要熟悉得多。但是我仍然没有接到android面试的相关通知。iphone的到是接到好几个,但是我只去了其中两个。两个面试都通过了。后来我选择了一个离住的地方比较近的公司(只有五分钟路程)。

由于刚毕业,我自己知道自己无论是经验还是基础都还比较薄弱。我的计划是在这未来的一年内,不要好高骛远,先打好自己的基础。

一 :熟悉自己所从事开发的平台  iphone/ipad应用开发。对sdk要做到非常熟悉。

二 :熟悉c++语言       为什么是c++而不是自己比较熟悉的java啊?因为c++确实比较强,应用非常广泛,也很能锻炼自己的编程能力

        三 :熟悉数据结构和一些常用算法   c语言版  c++版 java版的数据结构都要熟悉  也就是掌握思想  , 这是基本工要掌握好

四 :熟悉设计模式    

 

额外:

在周末的时候可以 做做android相关东西(这个学了就不要丢下),学学PS( 肯定会有用处的时候).英语英语一定要坚持学(这的的重要性就不用说明了)。还有就是每天要坚持锻炼(嘿嘿,现在基本上是每天上班我不坐电梯的,爬28楼,吼吼)。

华为OD机试真题2026双机位C卷 Java&Go 实现【用户入网定期复评】 用户开立支付账户,在开户完成后立即对用户进行一次风险模型评级,输出一个评分风险,评分范围1-100,等区间的分为5个等级,1-19为等级1,20-39为等级2,40-59为等级3,60-79为等级4,80-100为等级5,系统每天会任务对全量入网用户进行计算复评时间,输出评分给出新的风险等级。复评规则如下: 阅读详情

相关推荐

FreeSWITCH安装指南:三种部署方式解析与实践对比

Freeswitch部署方案比较:Yum安装简单快捷但灵活性差;源码安装可定制性强,适合深度开发和性能优化;Docker部署环境一致性好但网络配置复杂。生产环境推荐源码安装以获得最佳性能和定制能力,而Docker适合快速部署和扩展。不同方案各有利弊,需根据具体需求选择。

c_zyer的博客 2141

Android码农如何一个星期转为iOS码农(不忽悠)

WeTest导读:作为了一个android客户端开发,如果你不懂点ios开发,怎么好意思说自己是客户端开发呢,本文讲解如何让android开发码农在一个星期上手IOS开发 –《记录自己IOS开发经历》。一、开发工具对比 AndroidStudio作为android开发的御用编辑器,相信小伙伴不用我解释太多,其中有太多好用到哭的功能不想过多解释,相比之下,XCODE作为IOS开发的御用编辑器,大部...

wetest_tencent的博客 437

自适应滤波算法综述

自适应滤波算法综述

xdzhujy的博客 5万+

如何快速从android开发转向ios开发--oc语法篇

身为一个安卓程序员是很苦逼的,各种手机厂商自制系统,导致各种组件bug,屏幕适配,不挣钱等等。楼主现在有机会接触一下ios,把从一些android转ios期间遇到的一些困惑整理下来。 首先初识ios要不要学object-c,我认为还是很有必要的,我们要学习的是ios系统,所以不要局限于语言,要先理解ios的思想,而且现在oc的文章很多,足够我们学好ios。 所以这里总结的也主要是oc和java

bailong025的专栏 2786

遥感图像地物覆盖分类,数据集制作-分类模型对比-分类保姆级教程

1.新建shp文件地理坐标系保持和影像一致,面类型2.打开属性表3.添加字段这里分类6类,点击添加值添加添加完毕开始人工选地物类型,制作数据集开始标注,标注的时候可以借助谷歌地图来看标记足够多的样本打开面转栅格工具设置nodata值为15。

热爱分享,热爱记录 2525

【深度学习新浪潮】ISP芯片算法技术简介及关键技术分析

ISP(Image Signal Processor)芯片作为现代影像系统的核心组件,负责对图像传感器输出的原始信号进行后期处理。ISP的主要功能包括线性纠正、噪声去除、坏点修复、色彩校正以及白平衡调整等,这些处理步骤对于提高图像质量和视觉效果至关重要。随着科技的进步,ISP芯片不仅提升了图像的清晰度和色彩准确性,还通过高效的算法增强了拍摄体验,尤其是在低光环境下的表现。

专注:太空算力、AI infra、异构调度、大模型成本工程 1223

android 转 ios 开发,如何快速从android开发转向ios开发--oc语法篇

身为一个安卓程序员是很苦逼的,各种手机厂商自制系统,导致各种组件bug,屏幕适配,不挣钱等等。楼主现在有机会接触一下ios,把从一些android转ios期间遇到的一些困惑整理下来。首先初识ios要不要学object-c,我认为还是很有必要的,我们要学习的是ios系统,所以不要局限于语言,要先理解ios的思想,而且现在oc的文章很多,足够我们学好ios。所以这里总结的也主要是oc和java不同的地...

weixin_39756481的博客 1872

手把手教你学PCIE--基本概念:PCIe 初始化流程概述

硬件上电复位:系统上电时,所有 PCIe 设备都会进行复位。链路训练(Link Training):主机和设备之间通过链路训练状态机(LTSSM)协商链路参数(如速度和宽度)。配置空间访问:主机通过配置空间读写来发现和配置设备。资源分配:主机为设备分配内存映射 I/O 区域(BARs)、中断向量等资源。驱动程序加载和高级配置:操作系统加载设备驱动程序,并进行更高级的配置和状态监控。硬件上电复位:确保所有设备处于已知的良好状态。链路训练:主机和设备通过 LTSSM 协商链路速度和宽度。

MHD0815的博客 1374

2021年回顾与计划

我的2020年回顾与总结 2020年即将过去,这是不太安定的一年,新冠疫情的开始似乎意味着今年的不平凡,这一年发生了很多的事情,有喜也有忧。 先来看看一下2020年的计划: 总结:在2020年,大部分的计划都完成了,除了第2、5、6点,回顾整年,自己的家庭和职业变化很大。 很高兴,在2020年我做父亲了,有了自己的小棉袄,嘻嘻。 宝宝的到来给我以及我的妻子带来了很大的变化,也让我体会到了孩子母亲的不容易,还有那难熬的72小时,以及无数夜晚的无眠。人生亦是如此,不经一番寒彻骨,怎得幸福来敲门?我很感谢My

阿甘兄 1270

[案例四] 智能填写属性工具(支持装配组件还有建模实体属性的批量创建、编辑)

本次案例主要是对上次导出自动导出BOM的一个前处理,要想导出属性,首先的有属性。于是本着学习的态度进行制作,可能有些功能有点别扭(支持装配环境下组件属性的批量填写,支持建模环境下的实体(不包括装配组件实体)——为了减负我把其过滤掉了,一般没人会往装配体里添加进行建模吧,但是不免有奇葩,哈哈哈)。

weixin_47753171的博客 1980

【即插即用模块】Transformer篇 | AAAI 2026 | Circulant Attention:全新ViT自注意力范式,复杂度从O(N²) 降至O(NlogN)!

本文提出了一种基于频域优化的循环注意力模块(Circulant Attention),通过离散傅里叶变换(DFT)将传统自注意力中的矩阵乘法转化为频域元素乘法,显著降低了计算复杂度。该模块采用复数线性层适配频域特征,并引入门控调制机制增强表达能力,在保持全局依赖捕捉能力的同时,将复杂度从O(N²)降至O(NlogN)。实验表明,该模块在多种视觉任务中均能提升模型性能,且计算效率更高。适用于需要高效全局注意力的视觉Transformer架构,可作为传统自注意力的替代方案。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 153

计划的执行与回顾的重要性与必要性

现在以每个季度为节点制定职业技能的强化计划,总体来说效果比较好!但是还是存在如下几个问题: 1.没有充分评估计划的可行性 首先这个计划是给自己用的,所以一定要切实可行!自己制定的时候是按照每天晚上都能抽出3小时来学习,周末抽出14小时来的。但是实际上并没有办法做到这一点,大概率是保持每天晚上两小时,周末10个小时。所以计划就一定要切实可行,不能贪大求全,既要学习这个又要学习那个,什么都学就是什么都学不好的意思!我这计划属于强化计划,强化不到位,能叫强化吗?一定要充分评估可...

魂淡林的博客 1121

飞行机械臂设计

其后对飞行机械臂系统的机 理模型和基于 ADAMS 的物理模型进行了控制系统的搭建,对于机理模 型,设计了三个输入通道,分别是俯仰力矩,翻滚力矩与偏航力矩,控 制量为翻滚角,俯仰角,偏航角。四旋翼无人机自身具有独特的优势,在无人机上增加机械臂,整个 机体系统相当于一架空中行动自如的空中机器人,可以适应更多的应用场合,能够实现空中抓取,运输载荷,巡航监视等任务。的函数模块如图 4-8 所示,可见输入为 U1,U2,U3,U4,分别对应总力矩,俯仰力矩,翻滚力矩,偏航力矩,控制 量为俯仰角,翻滚角,偏航角。

coldmood77的博客 2916

2025年回顾与计划

2025年回顾与计划

阿甘兄 1523

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")

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。

2020年回顾与计划

01 我的2019年 准备立2020年的计划之前,先来回顾2019年的计划完成程度: 在2019年,可以看到基本所有的任务都完成了,除了第五点有所欠缺,虽然19年有锻炼,但是由于各种原因,总是断断续续的停止了,减肥不成反而增胖了????‍♂️。 2019年在生活中过得还算满意,本文不再做详细描述,给自己评个100满分????。 至于2019年的工作职业,我只想说变化很大,岗位的变动、公司人员巨大流动、技术的...

阿甘兄 1639

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Scrum 计划、站会、评审、回顾会议介绍

计划会议(Planning Meeting) 参与者:整个团队,包括产品(Product Owner)、Scurm Master、Scrum Team(开发、QA) 目的:Product Owner从Product Backlog中梳理出这期Sprint需要完成的Backlog,并与团队成员达成共识。注意区分userstory和backlog的区别,userstory可以是任何一个需求、想法,

Difffate的技术随笔 8035

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

2024年回顾与计划

2024年回顾与计划

阿甘兄 1632

GNSS原理与应用(一)——回顾与计划

测绘小生关于《GNSS原理与应用》课程的一些笔记整理与个人拙见

unbiliverbal的博客 1461

scrum回顾_实现​成功的Scrum需要一些重要的仪式:Sprint计划、Sprint回顾、每日Scrum仪式...

实现成功的Scrum需要一些重要的仪式。这包括Sprint计划、Sprint回顾、每日Scrum等等。通常会有很多关于谁参加、什么时候举行这些仪式、每个仪式需要多长时间、仪式的目的等等的困惑。为了减少混乱,我们创建了信息图表,在1周、2周、3周和4周的冲刺中回答每个问题。冲刺计划仪式Sprint计划标志着冲刺的正式开始。一旦这个仪式开始,冲刺也就开始了。Scrum Master、产品所有者和开发...

weixin_33595317的博客 532

回顾2011,计划2012

2011新年,旧年都已经过去了。看着博客园的各位大牛们纷纷亮出年终总结,此时心中顿时慌乱,我的去年都是瞎搞,乱搞都没搞点拿手的出来和大家分享。想想2011这蹉跎的岁月,作为一个菜鸟,岁月不能这样过去,想想大学四年,出来工作也8个多月了,不能荒废青春了,该努力了,一定要坚持向高手们看齐,2012我要拼了。 想想过去学的,学了不少的东西,C,C++,java,.net,...

aixiu9473的博客 197

【计划执行报告】May03 C#基础回顾完成&12周的计划初步

【计划执行报告】May03 C#基础回顾完成&12周的计划初步1.五月事件线2.第12周计划初步安排3. 04-30 ~ 05-03时间分配记录4. 04-30~ 05-03计划安排5. 明日计划6. 笔记缓存区 这是篇水文,仅仅作个生活记录~ 今日: 完成了党建平台网课学习的所有任务 完成了C#的集合以及泛型的学习,但尚未动手实践 作了12周的大致计划 1.五月事件线 2.第12周...

DreamWeaver 的博客 272

Spring知识点回顾(10)计划任务

Spring知识点回顾(10)计划任务

weixin_33965305的博客 84

2026年回顾与计划

2026年回顾与计划

阿甘兄 1198

2022年回顾与计划

我的2021年回顾与总结 在2021年,无论是工作还是家庭,改变了很多,这一年过得很快,每天仿佛都在奔跑,有时候感慨:“也许这就是生活的意义!” 光阴似箭,日月如梭,只有经历了,才能深刻的领悟到这句话! 2021年总结 在2021年,我给自己定了很多的计划,先来看看: 总结: 除了第4、9、15、16的目标没完成,其它都完成了 很高兴自己在2021年自己又添加了一位小棉袄,应了大家的“三年抱俩”的祝福了????。 在总结计划前,2021年我需要第一位感谢的是我的老婆,因为老婆为了我放弃了很多,同时也

阿甘兄 1073
上一篇: Object-c单例模式
下一篇: iphone小技巧1
daneildemon
博客等级 码龄16年 5粉丝 14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