Azure DevOps Server (TFS) 代码库Repo管理培训

Azure DevOps Server 2020.1 新增功能 (TFS) 1. 概述自2005年开始,微软在VSS的基础上发布了TFS(2019年开始更名为Azure DevOps Server)的第一个版本TFS 2005,后续陆续发布了2008/2010/2012/2013/2015/2017/2018/2019/2020,每个版本都会给用户带来令人兴奋的功能。同样,微软即将发布的Azure DevOps Server 2020 Update 1也为我们带来了一波... 阅读详情

Repo是分布式代码库Git中的一个专用词,用于存储和管理开发团队中特定的源代码。

使用Git,可以协调整个团队的代码更改。 即使您只是一个开发人员,版本控制也可以帮助您在修复错误和开发新功能时保持井井有条。 版本控制保留了开发历史记录,以便您可以轻松查看甚至回滚到任何版本的代码。

Azure DevOps Server (之前名称为TFS)在升级到2019版后,将原来的菜单“代码”改成了Repo。这个名字的改动,体现了微软公司Azure DevOps开发团队已经将源代码管理的重心转移到了Git中。实际上,在2年前,微软已经逐步停止了TFVC(传统的TFS代码库)的功能开发;在新的版本中,你很难看到TFVC的新功能。在Azure DevOps Server 2019中,作为分布式源代码库的主要技术继承者,微软公司在分支管理、代码评审和质量控制方面,为Git做了大量的功能提升。

受国内金融企业的开发团队的邀请,笔者分享了自己多年来基于Azure DevOps Server (TFS) 的源代码库经验。下面是分享过程中使用的PPT文档,供大家做参考。(PPT中的部分数据做了脱敏处理)

image

image

image

image

image

image

image

image

image

image

image

培训现场

image

http://www.cnblogs.com/danzhang/  DevOps MVP 张洪君

--

GitHub替代方案全解析:从GitLab到Gitee,构建稳定自主的开发工作流 在软件开发领域,代码托管与协作平台是支撑团队高效交付的核心基础设施。其核心原理是基于分布式版本控制系统(如Git)构建,通过仓库管理、分支模型和协作工具(如Pull Request)来协调多人开发。这类平台的技术价值在于保障代码安全、提升协作效率并实现开发流程自动化。随着团队对数据主权、访问稳定性及特定工作流集成的需求日益增长,单一平台依赖可能带来风险。因此,探索主流替代方案(如GitLab、Gitea、Bitbucket、Gitee等)成为构建健壮开发体系的关键。这些方案覆盖了从企业级一体化DevOps平 阅读详情

相关推荐

创建TFS团队项目时自动建立代码库的文件夹结构

很多客户都跟我提过一个这样的需求,即需要在创建团队TFS项目时,自动创建起源代码库的文档结构,例如类似下列结构的文件夹: <teamProject> |- DEVELOPMENT |- MAIN |- BUILD |- SOURCE |- TEST |-RELEASES 一、Team Foundation Ser...

Azure DevOps Server(原名TFS) 242

别再手动拉镜像了!用这个脚本5分钟搞定Kubernetes 1.18.6集群的国内镜像源问题

本文介绍了一种自动化解决方案,帮助国内用户快速解决Kubernetes 1.18.6集群的镜像拉取问题。通过Shell脚本从阿里云等国内镜像源自动拉取并重命名官方镜像,大幅提升部署效率,告别手动操作的繁琐。文章详细解析了脚本实现原理,并提供了kubeadm集成指南和常见问题排查方法。

weixin_30247781的博客 657

14、从 TFS 迁移仓库及 GitLab 背后的开发理念

本文详细介绍了从微软 Team Foundation Server (TFS) 迁移代码仓库至 GitLab 的方法,涵盖 Git 仓库的简单迁移与 TFVC 项目通过 git-tfs 工具的完整历史迁移。文章对比了 TFVC 与 Git 在架构、分支管理、历史记录、可追溯性和文件处理方面的差异,并探讨了敏捷宣言的起源、瀑布模型的局限性、极限编程(XP)的核心实践以及 DevOps 运动的理念与工具链。旨在帮助开发团队更好地理解现代软件开发方法论与工具选择,提升开发效率与协作质量。

chair的专栏 104

避免变砖!修改build.prop前必须知道的10个关键参数

本文详细解析了Android系统build.prop文件修改的10个关键安全法则,帮助开发者避免设备变砖风险。重点介绍了必须备份的防护措施、绝对禁止修改的死亡参数、相对安全的调优参数推荐以及紧急恢复技巧,特别强调了中英文参数对照的陷阱防范和设备特定风险参数。

ppp33的博客 221

17、高效代码管理:Git与Azure DevOps的协同应用

本文深入探讨了如何结合Git与Azure DevOps实现高效的代码管理、自动化构建与部署。内容涵盖分支使用策略、创建与合并分支、代码审查流程、CI/CD管道配置,以及变量应用等关键环节。通过具体操作步骤和流程图解,帮助开发者快速掌握持续集成与持续交付的核心实践,从而提升软件开发效率和产品质量。

backprop5master的博客 166

devops_repo

devops_repo

Eclipse使用TFS(Team Foundation Server) 超详细

集中式版本控制系统TFS是一种为Microsoft产品提供源代码管理、数据收集、报告和项目跟踪的项目,它作为协作软件开发的核心平台。主要功能包括版本管理、并行开发支持、强化过程管理、自动化构建、完善的权限管理以及支持分布式开发等。

风也温柔☆的博客 1526

一、永磁同步电机矢量控制——电机数学模型

本文介绍了永磁同步电机(PMSM)的数学模型构建方法,重点分析了不同坐标系(三相静止、α-β静止、d-q旋转)下的电压方程、磁链表达式及电磁转矩计算方法。通过Clark和Park变换简化非线性耦合系统,推导了表贴式(SPMSM)与内置式(IPMSM)电机的电压方程差异,并给出α-β和d-q坐标系下的转矩公式,强调磁链与电流的正交性对转矩的影响。全文基于理想假设,为后续电机控制算法(如FOC、DTC)提供理论基础。

惊鸿一现 1932

微软 Azure DevOps Server 2019 Update 1 (TFS 2019.1)

1、概述微软在2019年5月发布Azure DevOps Server 2019后不到2个月的时间里,就快速准备好了第一个升级包(2019 Update 1),并计划在几周后发布正式版本。也许你还没来得及升级TFS,也许你还在观望,但是这个版本一定会引起你的关注。它不仅修复了Azure DevOps 2019大版本中的缺陷,将软件提升到了前所未有的稳定级别;还在升级包中增加了大量引人注目的新功能,...

weixin_30702887的博客 684

Uniapp+Vue3+Monorepo:如何优化你的前端开发流程(附完整配置代码)

本文详细介绍了如何利用Uniapp+Vue3+Monorepo技术栈优化前端开发流程,提升代码可维护性和团队协作效率。通过Monorepo架构实现依赖管理智能化、代码复用最大化和构建流程统一化,结合完整配置代码和实战指南,帮助开发者快速构建高性能跨端应用。

weixin_29011993的博客 453

Jasper Report使用JSON数据源创建报表

最近在做一个项目小功能,表单结案要生成PDF报表。 起初,想用HTML模板(art-template模板引擎)编写,利用浏览器的打印功能保存成pdf文件下载。但是HTML编写好的模板,页码、页眉、页脚设置有坑,表单内容中的表格较多,表格不能设置跨页,导致跨页的表格内容与页眉重叠,没能解决这个问题。 于是,转战研究Jasper report生成报表,用更加专业的报表生成工具来做。刚开始,也是跌跌撞撞,遇到了很多问题,因为觉得没有退路了,必须要用这个搞出来,所以就硬着头皮去找各种资料。 主要使用的json

xiaogege2012的专栏 3321

重写Azure DevOps Server (TFS)中的Git版本记录

Contents 1. 概述 2. 应用场景一:修改某开发人员的电子邮件 3. 应用场景二:删除服务器中的大文件 4. 用户场景三:整理代码库的目录结构 4. 常见问题 1. 系统提示 ! [rejected] ,没有权限 2. 其他开发人员拉取(PULL)代码时,出现错误refusing to merge unrelated histories 3. 重写服务器上的提交记录后,其他...

Azure DevOps Server(原名TFS) 407

开源 AHB不对称半桥反激电路设计(六)死区时间,谐振腔电流,谐振电感函数表达式

电流跌落可以使副边电流峰值和有效值降低,减小损耗,但如果开关管 S2 导通期间,谐振电流谐等于励磁电流,即副边电流A 点降至 0,会在原边变压器内形成环流,产生损耗,同时也不利于副边同步整流管驱动的正常工作,为了保证开关管 S2 导通期。在开关管 S1 和开关管 S2 均关断的死区时间内,谐振电流给原边开关管结电容和副边整流管结电容充放电,因此会引起开关 S1 关断瞬间电流跌落与开关 S2 关断瞬间电流震荡现象,受寄生参数影响原边谐振电流波形和副边电流波形如图。降到最低,变压器以最高效率向副边传递能量。

【Simon】的博客 1231

Team Foundation Server 2015 Update 3 RC 发布啦

时间过得好快啊, TFS 2015的第三个Update RC版本在2016年6月7日发布了。 这个版本是TFS最新版本,大家有什么意见或者想法,可以在用户声音中提出 下载地址: Team Foudnation Server Update 3 RC 新内容 Git仓库支持SSH 仪表盘工具SDK 发布管理 自动化测试 - 支持Azure, SCVMM和VMWare 其他修改

WilsonBoBlog的博客 853

PX4笔记系列(二)vtol_att_control中的tiltrotor解析

update_vtol_state() 注释:采用两段切换的简单逻辑来进行过渡 当切换过渡开关后,飞机将会开始倾转动力,逐渐加速,当飞机获得足够速度后动力将会完全打到向前的位置。对于过渡返回阶段动力则是简单地倾转回来。 如果(不在向前过渡指令下): 当前vtol飞行模式: 1、旋翼模式 无操作 2、固定翼模式 令vtol飞行模式切换到过渡返回模式 3、P1过渡模式 进入过渡失败安全返回至旋翼模式 4、P2过渡模式 进入过渡失败安全返回至旋翼模式 5、过渡返回模式 记录过渡返回时间=当前时间-过渡开始

hypersonicss的博客 1881

从一个过气考渣的角度看LLM智能化测试用例生成

根据业务需求生成测试用例,会涉及到相关上下文的召回、用例生成等场景。除了用例生成之外,也可以考虑应用LLM进行用例评审。因此,本文将涉及以下内容。

software_test010的博客 830

tfs服务器代码存放在什么位置,在Team Foundation Server (TFS)的代码库或配置库中查找文件或代码...

[update 2020.1.20][update 2017.2.11]--很多用户在使用TFS的过程中,都抱怨一个问题,不能在TFS的代码库中查找文件!虽然TFS的所有数据都存储在数据库中(SQL Server),但是由于代码文件存储的特殊性,你不能通过全文搜索的功能直接在数据库里查询。当前最新版本TFS 2013 update 4和TFS Online,也没法在界面上找到与代码有关的搜索功能。...

weixin_42504327的博客 1347

SAP_MM模块采购价格确定控制简介

SAP MM模块采购价格确定控制是采购管理中的关键功能,系统通过"价格确定日期"判断条件记录有效性并带出正确价格。文章分析了四种常见业务场景及其对应的价格确定方案:普通采购订单(创建日期)、长期合同(交货日期)、特殊业务(手动输入)和接口下单(系统传入)。详细介绍了配置方法和前台操作步骤,并提供了不同业务类型对应的推荐控制方式汇总表。通过合理设置价格确定日期控制,企业可以确保采购价格准确性,满足各种复杂业务场景下价格管理的需求,从而提高采购管理效率和成本控制能力。

我小时候很黑的博客 739

[Azure Devops] 使用 Azure Repos 管理代码

1. 什么是 Azure Repos免费优惠券 m.cps3.cn Azure Repos 是一组版本控制工具,可用于管理代码。无论您的软件项目是大型项目还是小型项目,都应尽快使用版本控制。 版本控制系统是可帮助您跟踪随时间变化对代码所做的更改的软件。在编辑代码时,您告诉版本控制系统对文件进行快照。版本控制系统会永久保存该快照,以便以后需要时可以重新调用它。使用版本控制来保存您的工作并协调整个团队中的代码更改。 即使您只是一个开发人员,版本控制也可以帮助您在修复错误和开发新功能时保持井井有条。版本控制保..

nidongla的博客 1128

Unity之Hololens2开发MRTK Profile详解

配置 MRTK 的主要方式之一是使用基础包中的配置文件。场景中的主要对象具有活动配置文件 - 一个 ScriptableObject。顶级 MRTK 配置配置文件包含主核心系统的每个核心的子配置文件数据,每个主核心系统都旨在配置其相应子系统的行为。此外,这些子配置文件也是 ScriptableObjects,因此可以包含对低它们一级的其他配置文件对象的引用。实质上,有一个包含已连接配置文件的完整树,这些配置文件构成了如何初始化 MRTK 子系统和功能的配置信息。

TxNet 1036

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Azure DevOps Server (TFS2022)远程服务器部署源码管理

Azure DevOps Server (TFS2022)远程服务器部署源码管理

qq_45548183的博客 3563

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")

Azure DevOps —— Azure Repos 代码仓库的基本介绍

什么是Azure Repos Azure Repos 实际上就是 Repository,代码的仓库,也就是类似于 Github,SVN,TFVC,Subversion 等等,对代码进行统一托管的服务。 在 Azure DevOps 中可以有两种托管方式,一种是 git,另一种是 TFVC,这个是在创建项目时就必须要确定的,可以点这里回顾他们的区别。我用目前最流行的 git 来讲解基本的使用。 ...

不忘初心 2万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

vs签入签出-TFS进行源代码管理

原来进行团队开发的时候都是用的svn进行代码管理和版本控制,但是并不是每一个项目都是这样的,这次接触的项目中使用的是vs的团队资源管理器的签入和签出,具体怎么设置可以参考博客:http://blog.sina.com.cn/s/blog_868ed1470100xrij.html     签入签出的目的是防止多人同时编辑同一部分内容造成冲突。     签入描述了添加或修改列表或文档库中

颗粒归仓 1万+

TFS下的源代码控制

以下主要描述了: TFS源代码控制系统的基本场景 如何把一个项目添加到源代码管理中 如何与服务器同步 如何做Check-In 如何做分支与合并 什么是上架与下架 我们知道工作项是项目管理的基本元素,但是一个项目的成功,光有工作项还是不够的。工作项说明了要做什么事(例如任务),出了什么问题(例如Bug),除此之外,我们还需要将程序一行一行地写出来,TFS的源代码管理控制系统,就能帮助我们管理这一行...

weixin_30834783的博客 250
上一篇: Azure DevOps Server 2019 第一个补丁包(2019.0.1 RTW)
下一篇: 在Azure DevOps Server (TFS)中实现VUE项目的自动打包
Azure DevOps
博客等级 码龄6年 219粉丝 296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