多项式加乘操作--小结

数据结构实习题目 数据结构课程设计任务书 实验方式与基本要求设计中要求综合运用所学知识,上机解决一些与实际应用结合紧密的、规模较大的问题,通过分析、设计、编码、调试等各环节的训练,深刻理解、牢固掌握数据结构和算法设计技术,掌握分析、解决实际问题的能力。(一)问题分析和任务定义对问题的描述应避开具体的算法和涉及的数据结构,它是对要完成的任务作出明确的回答。强调的是做什么,而不是怎么做。 (二)逻辑设计和数据结构的选择 阅读详情

今天使用链表实现了一下多项式的算术加和乘操作,为了节省存储空间同时增加运算效率,链表中只存储了系数非零的项。同时还定义了默认构造,复制构造,赋值运算,operator<<运算等操作。

其中Polynomial.h的代码如下:

有几点收获总结如下:

 

1、即使定义了iostream头文件,在使用cout,ostream等结构时还是要加上std:: !!!

2、赋值运算必须返回*this,不能返回一个自定义的Polynomial对象;

3、.h文件中最好不要定义函数,因为一旦定义了某个函数,若此头文件被两个.cpp文件包含,就会出现Link error,提示函数重定义!

4、即使将某函数声明为友元,typed定义的类型在函数内依然不可见,如在operator<<中就不能直接使用iterator。

5、临时变量总是不安全的,它在语句结束时就被析构。若临时对象中包含指针,那么就容易出现未定义的值。

一元稀疏多项式(加减法) 这是我们的数据结构的一个实验,用链表实现一元稀疏多项式的加减法,我写的是一个无排序的。 基本思路是创建一个结构体节点,储存每一项的系数(float),指数(int),和一个next指针。输入两个链表A和B后: 1.当指数相等时,系数相加(减法时则相减);相加完的系数若不为0,则存进链表C; 2.若指数不相等,若A的指数小于B的,将A的节点里的系数,指数都存进链表C; 3.反之,则将B的节点 阅读详情

相关推荐

MatLab 知识小结

  matlab常用到的永久变量。 ans:计算结果的默认变量名。 i j:基本虚数单位。 eps:系统的浮点(F10a9Bg个oht): inf: 无限大,例1/0 nan NaN:非数值(N航a nmnb谢) pi:圆周率n(n=3.1415926..)。 realmax:系统所能表示的最大数值。 realmin: 系统所能表示的最小数值, nargin: 函数的输入参数个数: nargout:函数的输出多数个数 ①matlab的所有运算都

bluenight专栏 3735

【Verilog_2】: 设计 n 位乘加器(先乘后加)

设计 n 位乘加器(先乘后加) Design a n-bit multiplier (firstly multiply and then add)` author : Mr.Mao e-mail : 2458682080@qq.com module MAC_N #( parameter N = 16 ) ( input [N - 1: 0 ] A, input [N - 1: 0 ] B, ...

土豆同学的博客 2005

想发故障诊断论文?手把手教你用CWRU数据集复现第一个Baseline模型

本文提供了一份基于CWRU轴承数据集的故障诊断Baseline模型实战指南,手把手教你从数据准备到模型构建的全流程。通过详细的Python代码示例和学术级实验设计,帮助初学者快速复现第一个故障诊断模型,为发表高质量论文奠定基础。

weixin_28681255的博客 428

C语言中有符号和无符号的区别(signed与unsigned)

#include<stdio.h> int main(void) { //数类型 标识符=值 //无符号 unsigned 有符号singend(有符号可以省略) //有符号数是最高位为符号位,0代表正数,1代表负数。 //无符号数最高位不是符号位,而就是数的一部分,无符号数不可能是负数。 //%u——输出unsigned int类型-即表示输出一个无符号十进制整型数据 //% d——输出int类型 signed int a = -10; printf("%d\n", a);

IT日知录 3340

飞腾D2000开发板实战:手把手教你为UEFI/EDK2驱动SD3077 RTC时钟芯片

本文详细介绍了在飞腾D2000开发板上为UEFI/EDK2环境驱动SD3077 RTC时钟芯片的全流程开发指南。从硬件连接到软件适配,包括引脚复用配置、电源管理优化以及UEFI驱动的深度定制,帮助开发者解决嵌入式系统中的时间同步问题,确保RTC芯片的稳定性和准确性。

weixin_30892037的博客 423

万字详解 PostgreSQL 的详细安装方式(Linux、Windows、macOS、Docker 全平台覆盖)

本文详细介绍了PostgreSQL在四大主流环境下的安装方法: Linux系统:针对Ubuntu/Debian和CentOS/RHEL系,分别提供APT/YUM仓库安装步骤,包括初始化配置和服务管理 Windows系统:通过图形化安装程序指导完成安装,包含组件选择、密码设置和pgAdmin配置 macOS系统:推荐使用Homebrew一键安装,支持Apple Silicon和Intel芯片 Docker容器:提供容器化部署方案(文中未展开) 文章强调安装前的版本选择、权限管理和存储规划,并针对各平台给出验证

数据知道的博客 4497

链表的多项式加法链表的多项式加法

链表的多项式加法 老师给的模板看的我不要不要的,真心难看,看了很久才把重载加法搞定了。 #include using namespace std; #include //定义结点类 用于表示多项式的一项 class Node { friend class Polynomial; public: Node() { next = NULL; } Node

梧桐下的四叶草 1070

【Ubuntu】RK3576 Linux 6.10 Ubuntu 22.04 系统中 HUSB311 Type-C 转 DP 显示输出与 Device/OTG 模式切换配置详解

本文详细介绍了在Rockchip RK3576开发板(Linux Kernel 6.10+Ubuntu 22.04)上配置HUSB311 Type-C控制器的设备树实现方案。主要内容包括:1)硬件连接与模块组成;2)设备树完整配置,涵盖Type-C供电、USB OTG/Host模式、DP显示输出等关键功能;3)软件配置步骤与常见问题排查方法。该方案实现了Type-C接口的DisplayPort AltMode显示输出、USB Device/Host模式自动切换等功能,为嵌入式系统Type-C接口开发提供参考

qq_34478161的博客 808

如何利用MATLAB对多项式进行计算?

文章目录0 前言1 多项式的表示2 多项式的四则运算3 多项式的求导4 多项式的求值5 多项式的求根结语 0 前言 欢迎大家点赞????,收藏⭐,转发????, 如有问题、建议欢迎在评论区留言????。 本文是科学计算与MATLAB语言课程的第5章第2小结的学习笔记,通过查阅本文,可以轻松掌握利用MATLAB进行多项式的四则运算(加减乘除)、求导、求值、求根等,Enjoy your read...

Nick的博客 1万+

如何让 Mac mini 24小时不休眠运行 OpenClaw

如果 OpenClaw 每 5-10 分钟自动退出,launchd 连续 4 次快速重启后会判定为崩溃循环并卸载服务。:方案一(pmset)+ 方案三(launchd)组合使用,既防止系统休眠,又保证 OpenClaw 开机自启和崩溃自动恢复。:caffeinate 只在进程运行期间有效,终端关闭或进程结束后系统恢复正常睡眠策略。这条命令会自动创建 launchd plist 并启用服务,是最推荐的方式。替换为你的实际用户名路径,Node.js 路径也要改成你自己的。确保 plist 中有。

Maynor的博客 2201

【网络基础2】路由器的 “两扇门”:二层接口和三层接口到底有啥不一样?

家里的路由器背后总有几个网线接口,有的标着 “LAN”,有的标着 “WAN”;公司机房的路由器上,接口更是五花八门,有的插着网线,有的连着光纤,旁边还贴着 “GE0/0/1”“Eth-Trunk1” 这样的标签。你可能会想:不就是插网线的地方吗?有啥区别?其实,这些接口分 “二层接口” 和 “三层接口”,它们的作用差得远了 —— 就像你家的门,有的是 “小区内的单元门”(只通小区内部),有的是 “小区的大门”(能通往外面的世界)。接下来,咱们用大白话 + 生活例子,一点点把这两种接口讲透。

jundao1997的专栏 565

多项式知识小全+全家桶学习小结

废话 大概用了两三个星期来搞多项式和生成函数,人都要被虐傻了qwq…… 下面是学到的所有知识的小结,应该是很适合初学者食用的教程,不过一定要按顺序看。 多项式全家桶 快速傅利叶变换FFT 快速数论变换NTT 多项式求逆 学接下来的东西需要的前置知识:微积分的一点初步知识,建议在这里学,看前 444 集大概就够了?泰勒展开与牛顿迭代,以及关于 eee 的一些知识。 多项式ln 多项式exp 多项式开根 多项式除法 多项式多点求值 任意模数NTT 在学的过程中同时也在膜拜师兄的优秀板子,所以每一篇的码风不尽相同

a_forever_dream的博客 1178

[HBM] RAM Cell Self Repair | 内存单元自我修复

对抗错误的大都是冗余,内存颗粒在设计的时候也考虑增加冗余。具体的说:添加冗余或备用的存储单元行和列,及时将测试中的故障进行修复和替换,存储器修复包括行修复,列修复或两者的组合。

串起点滴 783

java多项式求和线性表,用线性表表示一元多项式及多项式相加运算

在数学上,一个一元n次多项式可以按照升幂写成它由n+1个系数唯一确定。因此,一个一元n次多项式可以用一个线性表P来表示:多项式每一项的指数隐含在线性表的序号里。假设Q是另外一个一元m次多项式,同样也可以用线性表Q来表示如果m因此,多项式P和Q相加的结果可以用线性表R表示由此可以看出,一元n次多项式在计算机中可以用线性表来表示,其加法运算也可以在线性表的基础上进行。但在实际应用中,多项式的次数可能很...

weixin_39646695的博客 1557

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

数据结构一元多项式运算分析

一元多项式的加法,减法,乘法用到比较多的是插入,删除操作。所以一般选择单链表作为存储结构。每个结点分别有系数,指针作为数据域,以及指针域。 算法实现: 一.一元多项式加法: 1.建立多项式:尾插法建立一元多项式的链表,通过键盘输入多项式的系数和指数,以输入系数0为结束标志,并约定建立一元多项式链表时,总是按指数从小到大的顺序排列。 2.输出多项式:从单链表的第一项开始逐项读出系数和指数,按

smile_3229的专栏 6785

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")

链表倒置与合并小结(含稀疏多项式求值)

链表倒置与合并小结(共四个) 请看目录: 文章目录链表倒置与合并小结(共四个)一、链表整体倒置二、链表局部倒置三、有序链表的合并(包含链表有序化)四、稀疏多项式求值 注:代码均在Dev_C++中运行,可能存在谬误,但在此编译器均可通过 在目录中,一、二为一类,三四为一类,其中二为一的加强,四为三的加强 一、链表整体倒置 思路&&步骤: 设置前驱指针,遍历指针,前驱指针存上个节点的地址,遍历指针向后走,一直到尾部 前驱初始化为NULL,每一次前驱都要覆盖遍历指针所指节点指针域的地址,

qq_51340322的博客 392

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。

almon多项式_基于Almon变换的多项式阶数选择

龙源期刊网http://www.qikan.com.cn基于Almon变换的多项式阶数选择作者:王月虎来源:《商情》2011年第11期[摘要]在分布滞后模型中,为尽量避免多重共线性,常用Almon变换,这样对OLS估计量的解释才有意义。本文研究了进行Alomn变换时多项式的阶数选择问题。[关键词]分布滞后模型Alomn变换阶数选择一、阿尔蒙(Almon)多项式法1.主要思想:对有限滞后期模型,通过...

weixin_42503069的博客 1179

bigdecimal 怎么做除法_一篇文章搞懂多项式因式分解和多项式除法

1.引言 多项式因式分解和多项式除法应该是同学们初中时所学过的内容,但是,这一重要知识在初中除了作为不能套公式的因式分解的奇技淫巧而外,并没有什么用武之地。但是到了高中和大学,这些知识又是弥足重要的。希望笔者作为一个初中学过这个“奇技淫巧”的人,可以给那些没学过这些东西的同学一个指南。2.预备知识2.1代数基本定理(fundamental theorem of algebra)记 (其中 )...

weixin_28843191的博客 1090

一元稀疏多项式计算器

实验 一元稀疏多项式计算器 数据结构课设 发出来分享 水平有限 希望各位网友多多交流和指正 一、实验目的 1.了解线性表的链式存储结构,熟练掌握链表。 2.了解作为链表的多项式存贮方式。 3.熟悉掌握多项式加法的算法。 二、 实验原理 顺序存储的线性表有一些弱点,其一,插入与删除元素需要大量移动元素;其二,预先分配存储空间时必须按最大的空间来分配。其三,表长难以扩充。所以,必须引入链式存储结构。链式存储结构的特点是用一组任意的存储单元存储线性链表的数据元素,与顺序表的区别在于链式存储的存储单元可以是连续的,

qq_42897364的博客 1225

多项式回归

目录 多项式回归 一、多项式回归 二、scikit-learn中的多项式回归 三、关于PolynomialFeatures 四、sklearn中的Pipeline 五、过拟合和欠拟合 六、解决过拟合问题 七、透过学习曲线看过...

weixin_30408309的博客 295

多项式全家桶——Part.4 多项式ln、exp、快速幂

这拿头来学……

RainbowCrown_CGH's blog 1110

PAT 1010 一元多项式求导

题目描述: 设计函数求一元多项式的导数。(注:x​n​​(n为整数)的一阶导数为nx​n−1​​。) 输入格式: 以指数递降方式输入多项式非零项系数和指数(绝对值均为不超过 1000 的整数)。数字间以空格分隔。 输出格式: 以与输入相同的格式输出导数多项式非零项的系数和指数。数字间以空格分隔,但结尾不能有多余空格。注意“零多项式”的指数和系数都是 0,但是表示为0 0。 输入样例: 3 4 -5 2 6 1 -2 0 输出样例: 12 3 -10 1 6 0 思路分析: 题目.

可以混,但不能真的菜 461

多项式加法翁恺java_【C语言】多项式加法(mooc第七周测试题)

这个小题目吧我折磨的够呛,,主要在于特殊情况考虑不周,测试用例老是通不过。。小结:做法:用一个数组来存储多项式,用下标表示幂次数,数组元素值表示对应系数输出特殊格式考虑:系数和幂次数为0,1,-1的情况,负系数的对加号输出的影响题目内容:一个多项式可以表达为x的各次幂与系数乘积的和,比如:2x6+3x5+12x3+6x+20现在,你的程序要读入两个多项式,然后输出这两个多项式的和,也就是把对应的幂...

weixin_32223631的博客 857
上一篇: zzOPENCV XML函数完美支持中文方法
下一篇: 关于Java里面的传值调用
flybywind
博客等级 码龄19年 18粉丝 28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