第十二届蓝桥杯第二期模拟赛(java)(套题)(题E)

第十二届蓝桥杯一月校内模拟赛题解 文章目录引言填空题编程题 引言 本蒟蒻实力有限,可能有些代码是错误,希望多多包涵,欢迎指出。 填空题 请问在 1 到 2020 中,有多少个数既是 4 的整数倍,又是 6 的整数倍 #include <iostream> using namespace std; int main() { int ans = 0; for(int i = 1; i <= 2020; ++i) if(i%4 == 0 && i %6 == 0) ans++; 阅读详情

E
问题描述

两个字母之间的距离定义为它们在字母表中位置的距离。例如 A 和 C 的距离为 2,L 和 Q 的距离为 5。

对于一个字符串,我们称字符串中两两字符之间的距离之和为字符串的内部距离。
  
例如:ZOO 的内部距离为 22,其中 Z 和 O
的距离为 11。   
请问,LANQIAO 的内部距离是多少?

答案提交

这是一道结果填空的题,你只需要算出结果后提交即可。本题的结果为一个整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。

#include <bits/stdc++.h>
using namespace std;
int main()
{
	int res = 0;
	char a[8] = {'L','A','N','Q','I','A','O'};//直接用ascll码来算 
	for(int i = 0;i<8;i++)
	{
		for(int j = i+1;j<8;j++)
		{
			res += abs(a[i] - a[j]);
		}
	 } 
	 cout<<res<<endl;
	 return 0;
}

在这里插入图片描述
答案:679

题A: https://blog.youkuaiyun.com/FG_future/article/details/114456485
题B:https://blog.youkuaiyun.com/FG_future/article/details/114456603
题C:https://blog.youkuaiyun.com/FG_future/article/details/114456686
题D:https://blog.youkuaiyun.com/FG_future/article/details/114735667
题E:https://blog.youkuaiyun.com/FG_future/article/details/114735794
题F:https://blog.youkuaiyun.com/FG_future/article/details/114735934
题G:https://blog.youkuaiyun.com/FG_future/article/details/114736107
题H:https://blog.youkuaiyun.com/FG_future/article/details/114736189
题J:https://blog.youkuaiyun.com/FG_future/article/details/114736383

Java实现 第十一届 蓝桥杯 (本科组)省内模拟赛 有错误的或者有问题的欢迎评论 计算机存储中有多少字节 合法括号序列 无向连通图最少包含多少条边 字母重新排列 凯撒密码加密 反倍数 正整数的摆动序列 螺旋矩阵 小明植树 户户通电 计算机存储中有多少字节 题目 问题描述 在计算机存储中,12.5MB是多少字节? 答案提交 这是一道结果填空的题,你只需要算出结果后提交即可。本题的结果为一个整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。 ... 阅读详情

相关推荐

2021年 第12届 蓝桥杯 第1次模拟赛真题详解及小结【Java版】

模拟赛网页截图 一、试题A——答案:25600 二、试题B——答案:12 三、试题C——答案:6973 四、试题D——答案:2039190 五、试题E——答案:217 六、试题F 七、试题G 八、试题H 九、试题I 十、试题J

upward 8305

两个字母之间的距离定义为它们在字母表中位置的距离。例如 A 和 C 的距离为2,L 和 Q 的距离为 5。对于一个字符串,我们称字符串中两两字符之间的距离之和为字符串的内部距离。例如:ZOO 的内部距

两个字母之间的距离定义为它们在字母表中位置的距离。例如 A 和 C 的距离为2,L 和 Q 的距离为 5。对于一个字符串,我们称字符串中两两字符之间的距离之和为字符串的内部距离。例如:ZOO 的内部距离为 22,其中 Z 和 O 的距离为 11。请问,LANQIAO 的内部距离是多少? #include<bits/stdc++.h> using namespace std; int main() { int cnt=0,num=0; string s; cin>>s; for

xuexiwd的博客 864

2021年 第12届 蓝桥杯 第2次模拟赛真题详解及小结【Java版】

模拟赛网页截图 一、试题A——答案:168 二、试题B——答案:14 三、试题C——答案:2002 四、试题D——答案:65 解法一:找规律(累加求和) 五、试题E——答案:162 解法一:双重for循环遍历所有组合 六、试题F 解法一:整数相乘 七、试题G 解法一:整数运算 八、试题H 解法一:【求巨佬代码】 九、试题I 解法一:【求巨佬代码】 十、试题J 小结

upward 9007

2021年第十二届蓝桥杯模拟赛(第四期)题目和解析

2021年第十二届蓝桥杯模拟赛(第四期)题目和解析(java组)

田埂、の技术博客 6261

2021年 第12届 蓝桥杯 第4次模拟赛真题详解及小结【Java版】

2021年 第12届 蓝桥杯 第4次模拟赛真题详解及小结【Java版】

upward 3272

2021年 第12届 蓝桥杯 第3次模拟赛真题详解及小结【Java版】

2021年 第12届 蓝桥杯 第3次模拟赛真题详解及小结【Java版】

upward 2457

两个字母之间的距离

题目要求: 两个字母之间的距离定义为它们在字母表中位置的距离。 例如 A 和 C 的距离为 2,L 和 Q 的距离为 5。 对于一个字符串,我们称字符串中两两字符之间的距离之和为字符串的内部距离。 例如:ZOO 的内部距离为 22,其中 Z 和 O 的距离为 11。 请问,WATJKJDXRGZNXYTW 的内部距离是多少 解题思路: 用for循环,依次算出每两个字母之间的距离 代码展示: #include<iostream> using namespace std; int ma

jayusmazyyolk的博客 4387

蓝桥杯第十二届模拟题参考

如题,水平有限

第十二届蓝桥杯第二期模拟赛(java)

A 问题描述 小明要用二进制来表示 1 到 10000 的所有整数,要求不同的整数用不同的二进制数表示,请问,为了表示 1 到 10000 的所有整数,至少需要多少个二进制位? 答案提交 这是一道结果填空的题,你只需要算出结果后提交即可。本题的结果为一个整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。 Code: print(len(bin(10000))-2) 答案: 14 B 问题描述 请问在 1 到 2020 中,有多少个数既是 4 的整数倍,又是 6 的整数倍。 答案提交

嘤嘤的博客 891

第十二届蓝桥杯校内模拟赛大学C组(C与C++)赛题.docx

第十二届蓝桥杯校内模拟赛大学C组(C与C++)赛题

从零开始 使用OMNET++结合VEINS,INET和SUMO的联合仿真

搭建仿真的环境,导入VEINS和INET开源库,使用INET库中提供的网络协议和功能模型来模拟通信协议和网络功能,使用SUMO创建道路网络和车辆轨迹,并导出到OMNeT++中 在OMNeT++中使用VEINS通过socket和SUMO连接,借助VEINS实现的TRACI接口来设置车辆相关的行为和场景,最后在OMNET++中结合VEINS,SUMO和INET运行联合仿真实验,并分析车辆在遇到紧急情况下的通信状况和具体行为

mjmmm的博客 1万+

第十三届蓝桥杯模拟赛第二期JAVA组个人题解

第十三届蓝桥杯模拟赛第二期JAVA组个人题解 文章目录第十三届蓝桥杯模拟赛第二期JAVA组个人题解题目1 题目1 小蓝的IP地址为 192.168.*.21,其中 * 是一个数字,请问这个数字最大可能是多少 ? 答案:255 题解:这个部分是计算机网络的内容,IP地址为8位二进制为一个位,每一个位都是2^8^ ...

zzc15768234368的博客 2万+

MRI图像切片(nii格式转2D)

代码参考:将一个MRI(nii格式)数据进行切片 想要批量抽取MRI数据的几个切片,借鉴了上述代码的Python版本,原始代码抽取了全部切片。本次实验主要是抽取sMRI的横断面(axial)方向的其中30张切片,数量根据自己需求可自行设置。 import scipy, numpy, shutil, os, nibabel import sys, getopt import imageio def niito2D(filepath): inputfiles = os.listdir(filep

chs_502的博客 7548

2021年 第十二届蓝桥杯第二期校内模拟赛题解(Java版)

暂时写到这里,明天再更一波,若有错,请指出 填空题 请问在 1 到 2020 中,有多少个数既是 4 的整数倍,又是 6 的整数倍 int sum=0; for(int i=1;i<=2020;i++){ if(i%6==0&&i%4==0)sum++; } System.out.println(sum); 答案: 168 1 小明要用二进制来表示 1 到 10000 的所有整数,要求不同的整数用不同的 二进制数表示,请问,为了表示 1 到 10000 的所有整数,至少需要多少.

LauvMiracle的博客 4694

带隙基准源要点

要点: 负反馈>正反馈;电流镜匹配;双极型晶体管匹配;电阻匹配; 经过R0的电流????????????=????????????????−????????????????????????=∆????????????????????i_R0=(〖VBE〗_1-〖VBE〗_2)/R_0 =∆VBE/R_0 经过R1的电流????????????=i_R1= ????????????????????VBE/R_1 零温电流I = ∆????????????????????∆VBE/R_0 +

HI_WALLE的博客 2263

STM32F103串口接收中断:USART_IT_IDLE和USART_IT_RXNE区别

2:如果是大于1个byte的数据,在不用DMA的情况下,同时使能USART_IT_RXNE,USART_IT_IDLE中断,每收到一个字节在中断中把数据存到缓存中,待收到USART_IT_IDLE中断时,收完整帧数据,然后再解析处理数据。比如:如上图在初始化时,同时开启了两个中断,如果传送8个字节的数据,就会产生8个USART_IT_RXNE,和1个USART_IT_IDLE中断。(如果接收到数据,在1个byte的时间内,没有收到新数据,就认为是数据传送完成,产生空闲USART_IT_IDLE中断)

weixin_66299220的博客 2399

蓝桥杯|2021第十二届蓝桥杯第二次模拟赛真题与解答[Java]

记录2021年第十二届蓝桥杯第二次模拟赛真题与解题,部分答案来自网络。个人记录,菜得很。 目录填空题一二三四五编程题六七八九十 填空题 一 问题描述   请问在 1 到 2020 中,有多少个数既是 4 的整数倍,又是 6 的整数倍。 答案提交 这是一道结果填空的题,你只需要算出结果后提交即可。本题的结果为一个整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。** 解题思路: 循环判断语句是否正确:i%4 && i%6 答案:168 public class T1 {

xChive的博客 1万+

嵌入式SD/TF卡通用协议-SDIO协议

为了驱动SD卡,首先的第一步就是观察SD卡引脚接线情况,通常我们在画原理图时,都是使用的SD卡卡槽与MCU进行接线。SD卡可以使用SDIO协议和SPI协议进行通信,这里我们主要介绍SDIO协议。下图中的TF卡只是容量小一点的SD卡。以F1C100S为例,接线图如下所示:我们发现上图中的TF卡使用的协议为SDIO协议,主要有4根数据线,1根命令线,1根时钟线组合而成。为了驱动这个SD/TF卡我们就需要去了解SDIO协议的时序。

qq_1033275663的博客 3051

第十二届蓝桥杯第二期模拟赛(java)(套题)(题A)

参赛选手须知 一、本系统面向参加“蓝桥杯”全国软件和信息技术专业人才大赛校内模拟赛的选手。 二、本次选拔赛时长4个小时,将帮助参赛的同学提前熟悉比赛试题的命题形式。 三、所有选手不得携带手机、移动硬盘、U盘、光盘等各类移动设备,不能携带帮助文档、参考书籍,考试期间须独立完成本次选拔赛。 四、参加校内模拟赛考试的选手须在考试开始前30分钟入场。 五、如果考试期间出现网络中断,在考试结束截止时间前,选手可重新进入考试继续答题。考试过程中学生机须联外网。 六、每一道题目,以最后交卷时提交的答案为准,交卷后将无法

FG_future的博客 483

转录组PCA分析3大常见误区:数据标准化、离群样本与批次效应处理

本文深入探讨转录组PCA分析中的三大常见误区:数据标准化、离群样本识别与批次效应处理。通过实战案例和R代码演示,揭示如何优化PCA结果以提升生物学解释力,特别关注数据标准化策略的选择和批次校正方法的应用,帮助研究者避免常见陷阱并获得可靠的转录组分析结果。

weixin_28362173的博客 372

10、GPU发展历程:从光线追踪到网格着色器的技术革新

本文回顾了GPU的发展历程,重点探讨了从光线追踪到网格着色器的技术革新。涵盖了DirectX 12时代(2015-2020)光线追踪与AI结合的突破,包括NVIDIA的Volta架构、DLSS技术原理及可变速率着色的应用。随后介绍了DirectX 12 Ultimate时代(2020)网格着色器的引入,分析了其计算模型、细粒度控制能力及跨平台优势。最后总结了着色器的演变及GPU在多个领域的广泛应用。

ol789012345的博客 182

蓝桥杯第十二届校内模拟赛(第二期)个人做题答案 仅供参考

此文转载自:https://blog.youkuaiyun.com/qq_21879995/article/details/112478797 个人答案 仅供参考 如果有错误请大佬多多指教-----------------填空题----------- 第①题 请问在 1 到 2020 中,有多少个数既是 4 的整数倍,又是 6 的整数倍 答案:168 public class T1 { ...

Python研究所 2211

5. SAP UI5 视图控制器(Controller)初探

本教程的前一个步骤也就是第四个步骤,我们了解了 SAP UI5 XML 视图的使用方法。在该步骤里,我们在 XML 视图里声明了一个 Text 控件实例,该控件位于 sap.m 这个命名空间内。 本步骤会继续接触 SAP UI5 MVC 框架中三大基石的另一块:C - Controller,即控制器。 先看看本步骤完成之后,我们得到的 SAP UI5 应用能实现一个什么样的效果。 访问如下 url: http://localhost:8080/webapp/index.html 能看到一个 Say Hell

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 4595

第十二届蓝桥杯第二期模拟赛java组(python)

A 小明要用二进制来表示 1 到 10000 的所有整数,要求不同的整数用不同的二进制数表示,请问,为了表示 1 到 10000 的所有整数,至少需要多少个二进制位? 这是一道结果填空的题,你只需要算出结果后提交即可。本题的结果为一个整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。 思路: 暴力解 def change(num, a): s = [] while num != 0: # 基本数制转换方法 sum = num % a s.appen

Outsider_ahhdd的博客 289

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")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

十五届蓝桥杯第二期模拟赛题单(C++、java、Python)

十五届蓝桥杯第二期模拟赛题单(C++、java、Python)

w2563216521的博客 1212

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 第十二届蓝桥杯第二期模拟赛(java)(套题)(题D)
下一篇: 第十二届蓝桥杯第二期模拟赛(java)(套题)(题F)
King_Arthur#
博客等级 码龄6年 77粉丝 151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