office2010-幻灯片转换为SmartArt图形

以powerpoint为例




  开始转换



 

 选择转换为SmartArt



 

 

给IC设计新人的Tessent Scan入门指南:从RTL到ATPG的完整DFT流程解析 本文为IC设计新手提供Tessent Scan的完整DFT流程指南,从RTL代码检查到ATPG测试向量生成,详细解析扫描链配置、插入及验证的关键步骤。通过实战案例和工具命令示例,帮助工程师快速掌握Tessent工具链的应用技巧,提升芯片可测试性设计的效率和质量。 阅读详情

相关推荐

ESP32S3 Korvo2V3四通道AEC配置实战:基于AFE的回声消除优化

本文详细介绍了在ESP32S3 Korvo2V3平台上配置四通道AEC(回声消除)的实战经验。通过AFE算法优化和硬件连接调试,实现高质量回声消除,显著提升智能音箱和会议设备的语音交互体验。重点解析了四通道配置、数据格式对齐和参数调优等关键技术要点。

elastic6hunter的博客 940

css自动换行

1、word-break: break-all; 只对英文起作用,以字母作为换行依据。 2、word-wrap: break-word; 只对英文起作用,以单词作为换行依据。 3、white-space: pre-wrap; 只对中文起作用,强制换行。 转载于:https://www.cnblogs.com/dumanqingren/p/3494180.html...

weixin_30510153的博客 472

Source Insight 4.0舒适黑主题 仿心情看的舒服就行

Source Insight 4.0主题 仿心情看的舒服就行 source insight自带的主题怎么看怎么别扭,于是在试用全网各种主题配色后,在其中一个基础上自定义了c/c++的语法配色 截全图有点糊 函数定义 全局变量 局部变量 枚举变量引用 全局变量引用及结构体成员 宏定义引用 ----------------------后面会再把主题文件贴上来-------------- ...

weixin_43443402的博客 1304

CSS自动换行、强制不换行、强制断行、超出显示省略号

CSS样式设置自动换行、强制不换行、强制断行、超出显示省略号 P标签是默认是自动换行的,因此设置好宽度之后,能够较好的实现效果,如下所示,当设置div宽度为固定值时,p中内容能够自动换行: 但是最近的项目中发现,使用ajax加载数据之后,p标签内的内容没有换行,导致布局错乱,于是尝试着使用换行样式,虽然解决了问题,当时获取的数据是一长串的数字,浏览器应该是对数字和英文单词处理方式相近,不会截断。...

suwu150 9万+

从零手写神经网络:用NumPy实现全连接网络与反向传播

神经网络本质上是可微分的函数复合体,其核心在于仿射变换与非线性激活的交替堆叠,以及基于链式法则的自动微分实现。理解前向传播的矩阵运算逻辑和反向传播的梯度流动机制,是掌握深度学习底层原理的关键路径。权重初始化(如He/Xavier)、激活函数选择(ReLU/Sigmoid)与数值稳定性处理(如1e-8防下溢)共同决定了训练的收敛性与鲁棒性。这些基础要素不仅支撑学术推导,更直接影响工业场景中的模型调试、FPGA部署及梯度异常定位。本文以纯NumPy实现三层全连接网络为载体,聚焦‘From Scratch’过程中

weixin_32495691的博客 287

逆向解析抖音核心校验参数:bd-ticket-guard-client-data的Python生成逻辑

本文深入解析了抖音核心校验参数bd-ticket-guard-client-data的生成逻辑,详细介绍了其动态证书生成、非对称加密机制及Python实现方法。通过逆向分析,揭示了抖音安全体系的双层验证机制,包括RSA密钥对生成、证书签名及时间戳校验等关键技术要点,为开发者提供了一套完整的参数生成解决方案。

weixin_26642481的博客 417

Excel技巧 - 换行符用法

TRIM(MID(SUBSTITUTE($E2,CHAR(10),REPT(" ",100)),COLUMN(A1)*100-99,100)),按Enter键完成后向右向下填充。Step-3:在弹出的对话框中选择分隔符为【自定义】-【每次出现分隔符时】-拆分为【行】-【使用带有特殊字符进行拆分】-【回车和换行】-【确定】。在Excel自带的Power Query的功能中,可以使用相关的功能将带有换行符的文本串拆分成列或者行。注:这里再不介绍拆分成列的内容了,与上面的使用分列的结果是一样的。

Lizzy_Fly的博客 1万+

uniapp APP端:蓝牙报错writeBLECharacteristicValue:fail property not support(uni.writeBLECharacteristicVal)

uni-app 蓝牙fail property not support、发现不了服务特征值的问题、突然发现微信蓝牙小秘密,使用uni-app编译成安卓APP后报错writeBLECharacteristicValue:fail property not support,发现不了服务特征值,uniApp APP调用蓝牙API发送指令过快导致,uniapp 蓝牙 writeBLECharacteristicValue property_not_support iOS Android BLE GATT 特征值写入

✅ 精选推荐文章 2944

css强制换行和禁止换行

* 而Firefox浏览器没有这个功能,多出的内容只能隐藏起来。可选,当内容超出一行时,用省略号表示 */word-break: break-all;/*是让多出的内容隐藏起来,否则多出的内容会撑破容器。// 定义子元素的堆叠方向。// 使用省略号表示超出的文本。/*文本内容就不会换行*/// 隐藏超出的文本。

weixin_54721820的博客 4089

华为OD机考双机位C卷 - 斗地主之顺子 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 斗地主之顺子(OD上机考试双机位C卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 9695

基于GEC6818开发板+Linux+Qt设计的智能养老院出入管理系统(195)

当前,传统的养老院出入管理模式普遍存在信息更新滞后、数据统计繁琐、实时监控能力不足等问题,难以满足现代养老机构对安全管理与服务质量提升的需求。本系统设计正是针对这些问题,通过集成先进的硬件设备如高性能GEC6818开发板以及RFID刷卡模块,结合稳定高效的嵌入式Linux操作系统和QT开发框架,构建一套功能齐全、操作直观、响应迅速的智能出入管理系统。 该系统能自动记录并实时显示老人的进出时间,方便管理人员及时了解每位老人的活动轨迹,同时具备强大的后台管理功能,支持管理员便捷地进行老人信息的增删改查操作。通

1072

强制换行和禁止换行样式 css加滚动条

在CSS里,主要有强制换行和禁止换行。 一、强制换行 1 word-break: break-all; 只对英文起作用,以字母作为换行依据。 2 word-wrap: break-word; 只对英文起作用,以单词作为换行依据。 3 white-space: pre-wrap; 只对中文起作用,强制换行。 word-break:break-all 和 word-wrap:break-word 都是能使其容器如DIV的内容自动换行,它们的区别在于: 1、word-break:break-al

qq_24100549的博客 1857

OpenClaw实战-行政与HR必备:AI驱动的办公自动化

智能会议纪要自动生成会议时间智能协调自动提醒和跟进简历智能筛选和匹配度分析面试安排自动化入职办理流程化通知公告一键发布发票识别和报销辅助资产管理数字化让AI处理繁杂的事务性工作,让您有更多时间专注于更有价值的战略和管理任务。

gaoxiang_120的专栏 221

钉钉ppt放映显示备注_NCRE计算机二级MS Office操作题笔记-PPT

二、PPT1、插入背景音乐①先在演示文稿中插入背景音频。②对所插入的音频进行设置:2、Word软件中的“发送到Microsoft PowerPoint”功能可直接根据Word文档自动生成PPT演示文稿。点击其他命令点击发送到Microsoft PowerPoint按钮即可根据Word文档自动生成相应的PPT演示文稿。3、转换成SmartArt功能4、设置放映方案时按Ctrl多选----------...

weixin_28940939的博客 2322

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

2017职称计算机303,2017年职称计算机考试WPS_Office操作题及答案3

为了更好地控制教材编写的内容、质量和流程,小李负责起草了图书策划方案(请参考 “图书策划方案.docx” 文件)。他需要将图书策划方案Word文档中的内容制作为可以向教材编委会进行展示的PowerPoint演示文稿。现在,请你根据图书策划方案(请参考 “图书策划方案.docx” 文件)中的内容,按照如下要求完成演示文稿的制作:1. 创建一个新演示文稿,内容需要包含“图书策划方案.docx”文件中所...

weixin_42388631的博客 907

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

真题练习33-PowerPoint演示文稿-全国计算机等级考二级MS Office高级应用与设计考试【汪老师的个人课堂】

张幻灯片,然后单击鼠标右键,在弹出菜单中单击“新增节”命令,在节上单击鼠标右键,然后单击弹出菜单中的“重命名节”命令,在节名称中输入“政策措施”,单击“重命名”按钮;“标签”分组中“数据标签”下拉按钮,在下拉列表中选中“数据标签内”,单击“标签”分组中的“图表标题”按钮,在下拉列表中选中“无”命令;“标签”分组中“数据标签”下拉按钮,在下拉列表中选中“数据标签内”,单击“标签”分组中的“图表标题”按钮,在下拉列表中选中“无”命令;

OOOOPPPP123123的博客 1352

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

PPTShow:解锁Java自动化报告生成,开源跨平台PPT工具实战

PPTShow是一款开源的Java自动化报告生成工具,支持跨平台操作,帮助开发者高效创建专业PPT。通过简洁的API设计,PPTShow屏蔽了底层XML复杂度,支持动态数据绑定、动画控制等高级功能,适用于电商、金融等领域的自动化报告生成。

z466459262的专栏 389

PPT Master 项目路线图解读:以「原生深度」为轴的演进方向、四层覆盖地图与边界决策

> 本文基于仓库内的[官方路线图文档](https://link.gitcode.com/i/253a460fca87e260019b2e39327bb87d)整理成文。该文档回答的不是「下一个版本什么时候发布」,而是三个更本质的问题:PPT Master 正在朝哪个方向演进(**native depth / 原生深度**)、今天已经覆盖到 PowerPoint 的哪些能力、以及哪些方向被刻意排除

gitblog_00066的博客 1061

PPT Master 技术架构解析:从 AI 生成 SVG 中间语言到原生 DrawingML PPTX 的可控流水线

PPT Master 是一套把文档或主题自动转化为**真正可编辑原生 PowerPoint(PPTX)**的开源工程:页面中的文字、矢量形状、图表表格以 DrawingML 原生对象进入最终文件,而不是被拍平为一张图片。其核心架构判断是把 **SVG 定义成一套项目专属的受限中间语言**:AI 按项目规范手写每一页 SVG,确定性脚本负责校验、后处理并编译为 PPTX,人在关键节点掌控最终判断。本

gitblog_00321的博客 890

ppt-master 全解析:PowerPoint 功能 ↔ 项目 SVG 映射指南,看懂 SVG 到 DrawingML 的保真边界与回导规则

[PowerPoint 功能 ↔ 项目 SVG 映射指南](https://link.gitcode.com/i/13391e7b8017cd61357553fb6bc3bdc9) 回答的是 ppt-master 项目里最常被问到的一个问题:**某项 PowerPoint 功能在项目中由什么 SVG 表达承载,导出或回导时能保留什么**。本文以该指南为主体,完整继承其保真度分级、逐功能映射表与校验

gitblog_00372的博客 547

PPT Master 路线图深度解析:原生深度主轴、四层能力覆盖地图与 Non-goals 边界

> **导读**:本文基于 [docs/zh/roadmap.md](https://link.gitcode.com/i/14f01d5b6e547723e7f8b1a824ed6112) 官方路线图展开,梳理 PPT Master 的产品主轴「原生深度」如何落实为四条显式产物路线,完整解读以「演示文稿四层模型」组织的能力覆盖地图(每格状态的含义与理由),并逐条剖析其「明确不做(Non-goal

gitblog_00779的博客 214

Excel中Alt快捷键的用法

在我们录入数据的时候,如果是前面已经出现过的数据,这个时候,可以直接按快捷键ALT+↓,这个时候会跳出一个下拉菜单可供选择,方便快捷的录入了数据。当表格中有图片的时候,凭手动的拖动是很难对准边框线条的,这个时候就可以按住ALT键,然后再拖动图片,图片会自动的和边框线条对齐。Excel中的快捷键能在工作中大大的提升办公效率,关于ALT的快捷键,可以用在下面的场景,为了少加班,快快来学吧~当有数据列隐藏的时候,例如此时B列是隐藏的,然后我们再复制数据,进行粘贴的时候,隐藏的列也会被粘贴出来。...

xiaoweids的博客 3525

CSS强制英文、中文换行与不换行 强制英文换行

1. word-break:break-all;只对英文起作用,以字母作为换行依据 2. word-wrap:break-word; 只对英文起作用,以单词作为换行依据 3. white-space:pre-wrap; 只对中文起作用,强制换行 4. white-space:nowrap; 强制不换行,都起作用 5. white-space:nowrap; overflow:hidden; te...

pan_junbiao的博客 7万+

在word中强制换行方法如下

word

m0_53855951的博客 3740

PPT2007中如何更换在smartart图形中插入的图片

右键菜单选择”重设形状”,将原已插入的图片清除,然后就能更换新图片了。 转载于:https://www.cnblogs.com/ruiruizhang/archive/2010/01/16/1649168.html

weixin_30834783的博客 362

[CSS] 文字强制换行

最近开发过程中,碰到如果标签内是一段长的字母文本。 比如: 这时显示时 可以清楚的看到,她会超过我们的盒子范围,甚至给该标签固定的宽度之后,仍会溢出。 经过查询,造成这个问题的原因是:浏览器在解析我们页面的时候,如果我们给定他连续的数字或字母,浏览器不会分开解析,而是会直接将这一长串当成一个单词,因此我们设置的宽度就失效了,不会自动切断字符串而进行换行。 解决方案: 给元素css增加这两行代码: word-wrap: break-word;  //允许在单词内换行。给定div宽,字符超过指定宽度就会自动换

yyanglirong的博客 2430
上一篇: office2010-SmartArt动画
下一篇: 计算流体力学
deepfuture
博客等级 码龄17年 211粉丝 1287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