有点晕,inline, crossinline,noinline小计

kotlin:inline、noinline、crossinline还傻傻分不清楚?看这一篇就够了 详细说明inline、noinline与corssinline对比 我们先看一段代码: /** * 高阶函数 */ fun action(block: () -> Unit) { println("hello") block() } fun main() { //调用处 action{ println("world") } } //输出 hello world 熟悉kotlin的都知道没毛病的,但是java原生是不支持kotlin高阶函 阅读详情

inline 主要用于展开铺平函数,用于高频访问但是代码不是很多的方法,减少函数对象的定义

fun <T> List<T>.normalForeach(action:(T)->Unit){
    for(item in this){
        action(item)
    }
}

inline fun <T> List<T>.inlinedForeach(action: (T) -> Unit){
    for(item in this){
        action(item)
    }
}

inline就好像把函数内部的代码拷贝一份到调用的地方,减少了函数对象的中间产生。

带来的变化是,可以非本地的返回

fun main(){

    val list = (1..100).toList()
        
        list.normalForeach { 
            println(it)
            return@normalForeach
        }
        
        
        list.inlinedForeach { 
            println(it)
            return
        }

}

普通的函数只能返回 return@normalForeach

内敛函数,因为相当于被拷贝过来了,可以直接返回到main,

另外内敛带来的变化还有

fun main(){

    val list = (1..100).toList()
    CoroutineScope(Dispatchers.Default).launch {
        delay(1000)
        list.normalForeach {
            println(it)
            delay(1000) //错误!非内敛,无scope环境
            return@normalForeach
        }

        list.inlinedForeach {
            println(it)
            delay(1000)
            return@launch
        }

    }
}

我们启动了一个协程,但是在normalForeach的lambda中无法使用delay,因为这里其实是一个函数对象,会指向到另外一个函数方法,没有协程的上下文环境,但是内敛函数就不一样了,他相当于是把lambda中的内容拷贝平铺过来了,所以,在inlinedForeach中可以使用协程的上下文环境,delay可以执行。

但是当一个函数被声明为内敛函数的时候,只能直接的运行函数参数,或者在另外一个内敛函数中运行函数参数,

inline fun <T> List<T>.inlinedForeach(action: (T) -> Unit){
    for(item in this){
        action(item) //直接运行方法参数
        kotlin.run {
            action(item) //或者在另外一个内敛函数中运行

        }
        Thread{
            action(item) //报错!不可以跨scope或者context
        }
    }
}

那如果我们必须要参数中的函数可以切换调用呢?

那我们需要在函数参数上crossinline关键字,允许函数被跨上下文调用

inline fun <T> List<T>.inlinedForeach(crossinline action: (T) -> Unit){
    for(item in this){
        action(item) //直接运行方法参数
        kotlin.run {
            action(item) //或者在另外一个内敛函数中运行

        }
        Thread{
            action(item) //因为crossinline关键字,不报错了
        }
    }
}

这样,就可以在Thread中调用action了,但是因为函数参数被声明了crossinlne,原本的非本地返回就不可以用了

所以要不要非本地返回和跨上下文调用,只能二选一

另外,当把一个函数声明为inline的时候,他的lambda参数也是inline的,所以无法通过函数地址引用的方式来调用

但是我们需要再inline声明的函数参数中,通过地址的方式来引用的话,就要noinline来声明


inline fun <T> List<T>.inlinedForeach(
    crossinline action: (T) -> Unit,
    noinline onError: (Exception) -> Unit
) {
    try {
        for (item in this) {
            action(item) //直接运行方法参数
            kotlin.run {
                action(item) //或者在另外一个内敛函数中运行

            }
            Thread {
                action(item) //因为crossinline关键字,不报错了
            }
        }
    } catch (e: Exception) {
        e.printStackTrace()
        handleError(e,onError)
    }

}

fun handleError(exception: java.lang.Exception,onError: (Exception) -> Unit) {

    println("handle ")
    onError(exception)
    
}

inline, noinline, crossinline傻傻分不清楚 本文同步发表于我的微信公众号,扫描左侧二维码即可关注。 概念 内联函数(inline function):在计算机科学中,内联函数(有时称作在线函数或编译时期展开函数)是一种编程语言结构,用来建议编译器对一些特殊函数进行内联扩展(有时称作在线扩展);也就是说建议编译器将指定的函数体插入并取代每一处调用该函数的地方(上下文),从而节省了每次调用函数带来的额外时间开支。但在选择使用内联函数时,必须在程序占用空间和程序执行效率之间进行权衡,因为过多的比较复杂的函数进行内联扩展将带来很大的存储资源开支。另外还. 阅读详情

相关推荐

Oracle VM VirtualBox虚拟机网络配置与静态IP设置实战

本文详细讲解了Oracle VM VirtualBox虚拟机的网络配置,特别是如何设置静态IP以实现稳定访问。文章对比了NAT、桥接、仅主机等网络模式,并提供了从VirtualBox管理界面到Linux系统内部的完整配置步骤,帮助用户解决IP变动问题,构建可靠的本地开发测试环境。

weixin_28365523的博客 512

kotlin中inline、noinline、crossinline

inline修饰的函数,内联函数。内联函数不仅可以内联自己函数体内部的代码,还可以内联函数体内部函数体的代码(Lambda表达式中的代码)。crossinline:局部加强内联优化,让内联函数里的函数类型的参数可以间接被调用,代价是不能在Lambda表达式里使用return。内联高阶函数的函数类型参数只能传递给内联高阶函数, 不能传递给普通高阶函数, 此时可以使用noinline禁止该lambda参数内联。noinline(非内联): 内联高阶函数的形参中,不希望内联的lambda参数。

bugyinyin的博客 584

银河麒麟V10 SP1忘记密码?3分钟搞定单用户模式密码重置(附详细截图)

本文详细介绍了银河麒麟V10 SP1操作系统忘记登录密码后的应急恢复方法。核心是通过GRUB引导菜单进入单用户模式,无需密码即可获得root权限,从而快速重置用户密码。文章提供了从捕捉GRUB界面、编辑启动参数到执行密码修改命令的完整步骤图解与常见问题解决方案,帮助用户在几分钟内恢复系统访问。

w3x4y的博客 926

详细对比 inline 和 crossinline

在Kotlin中,inline关键字用于优化高阶函数(即函数作为参数或返回值的函数)。通过将函数的代码在编译时直接插入到调用位置,它能够减少函数调用的开销,尤其是在处理高阶函数时。

jiet_h的博客 1063

手把手教你用Trae配置Python开发环境(含Claude 3.5代码生成实战)

本文详细介绍了如何使用字节跳动推出的Trae智能开发环境配置Python开发环境,并实战演示了Claude 3.5代码生成功能。从环境准备到项目初始化,再到AI辅助编码和调试优化,全面展示了Trae在提升开发效率方面的强大能力,特别适合Python开发者快速搭建项目和解决复杂问题。

weixin_28309571的博客 978

利用arpspoof + sslStrip尝试进行arp欺骗

利用arpspoof + sslStrip尝试进行arp欺骗

qq_63575829的博客 362

kotlin的内联函数之inline、noinline、crossinline、reified

首先看下方法的调用流程 调用一个方法其实就是一个方法压栈和出栈的过程,调用方法时将栈帧压入方法栈,然后执行方法体,方法结束时将栈帧出栈,这个压栈和出栈的过程是一个耗费资源的过程,这个过程中传递形参也会耗费资源。 为什么要使用内联函数inline 我们在写代码的时候难免会遇到这种情况,就是很多处的代码是一样的,于是乎我们就会抽取出一个公共方法来进行调用,这样看起来就会很简洁;但是也出现了一个问题,就...

XueQiYa的博客 1180

Doris存储层设计介绍2——数据写入及删除流程

Doris存储层设计介绍2——数据写入及删除流程

爱吃辣条的博客 4592

kotlin中inline、noinline、crossinline三者的区别

这是因为内联函数在编译期间仅仅是代码替换,它支持在lambda表达式中进行外部函数的返回,而高阶函数的匿名类实现中是不允许对外部函数进行返回的,这在语法上是一个错误,kotlin编译器识别出了这个问题,发出了错误提示。那么我们该如何解决这个问题呢?而调用一个函数类型的参数,它的语法类似于调用一个普通的函数,只需要在函数名的后面加上一对括号,并在花括号中传入必要的参数即可。在实际开发中如果你需要将一个内联函数的函数类型参数传递给另外一个非内联函数的函数类型的参数时,那么我们就可以使用noline来禁用内联。

huangyi 927

海光(hygon)CPU ESXI vSphere 紫屏问题修复记录

海光服务器ESXI 紫屏问题修复

edison202302的博客 3564

某联达OA任意用户登录漏洞复现

由于`/WebService/Lk6SyncService/DirectToOthers/GetSSOStamp.asm`j接口未作限制,导致可以通过该接口调用`admin`的`cookie`值,通过对`LoginCredence`和`LoginTimestamp`的参数修改,进而实现任意登录进去系统.

千寻的博客 1590

Kotlin的inline、noinline和crossinline关键字

一、inline inline翻译成中文的意思就是内联,在kotlin里面inline被用来修饰函数,表明当前函数在编译时是以内嵌的形式进行编译的,从而减少了一层函数调用栈: inline fun fun1() { Log.i("tag", "1") } //调用 fun mainFun() { fun1() } //实际编译的代码 fun mainFun() { Log.i("tag", "1") } 这样写的一点好处就是调用栈会明显变浅: 但是这个好处对应用程序

qq_37159335的博客 5628

【乐企-业务篇】乐企开票具体代码实现

【代码】【乐企-业务篇】乐企开票具体代码实现。

九七的博客 493

Kotlin:你必须要知道的 inline-noinline-crossinline

本文由 jidaoyang 授权投稿作者博客:https://blog.jiyang.site在 Kotlin 中使用内联函数时,有时结合这几个关键字可提高程序性能。概览...

singwhatiwanna 1694

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/

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

Kotlin inline、noinline、crossinline 深入解析

主要内容:如果有C语言基础的,inline 修饰一个函数表示该函数是一个内联函数。编译时,编译器会将内联函数的函数体拷贝到调用的地方。我们先看下在一个普通的 kotlin 函数上使用 inline 关键字: 会发现 IDE 会给出警告: 建议我们在高阶函数上使用 inline 关键字。好,那我们来看下高阶函数。下面是一个简单的高阶函数,函数参数是一个 function type 类型: 编译后对应的 Java 代码为: 会将 function type 编译成 Function0 类型,因为 action:

Chiclaim 1883

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")

kotlin - inline、noinline、crossinline使用

kotlin - inline、noinline、crossinline使用

maoning20080808的专栏 1024

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Kotlin学习系列之:inline、noinline和crossinline

inline:我们在之前已经对其做了专题描述,具体可参阅Kotlin学习系列之:inline noinline. 当我们的内联函数中有多个lambda参数时,如果我们想要其中某一个lambda参数不进行内联,则可以使用noinline关键字。 fun main() { myMethod(former = { println("former") }...

xlh1191860939的博客 2537

kotlin中的内联函数:inline,noinline,crossinline,参数内联,非局部返回

Kotlin中的inline、noinline和crossinline关键字详解: inline关键字用于函数内联,将函数体直接复制到调用处,减少函数调用开销,允许lambda参数非局部返回。适用于高阶函数以减少对象创建,但会增加代码体积。 noinline关键字标记不被内联的lambda参数,用于需要保留函数对象的情况(如作为返回值或传递给非inline函数)。当inline函数的参数需要作为对象使用时必须添加。 crossinline关键字确保lambda参数不会非局部返回,防止lambda中的retu

Huang兄 1022

[没那么难懂] Kotlin inline noinline crossinline详细并通俗版讲解,一篇就够

1. 普通函数的lambda表达式参数: 会生成函数对象,不适合在循环里调用,有开销。**可以间接调用,不能非局部返回**(直接return)。 2. inline函数: 内联该函数(在对应位置展开),以及它的lambda参数。**不可以间接调用,允许非局部返回**。 3. noinline修饰符: 标记lambda参数,让被标记的参数不被内联。**可以间接调用,不能非局部返回**(跟(1.)一样)。 4. crossinline修饰符: 内联该参数,但由于return作用域

qq_40731846的博客 2035

搞清kotlin中的inline、noinline和crossinline

Kotlin 使用高阶函数也会带来一些隐性地成本:产生函数对象实例、造成方法数量的增加、产生函数的调用等等。 在 Kotlin 中使用内联函数时,有时结合这几个关键字可提高程序性能。 概览 inline: 声明在编译时,将函数的代码拷贝到调用的地方(内联) noinline: 声明inline函数的形参中,不希望内联的lambda crossinline: 表明inline函数...

qq_28898075的博客 1178

Kotlin内联函数inline、noinline、crossinline

文章目录高阶函数内联函数inlinenoinlinecrossinline总结参考 高阶函数 首先来看下kotlin里的高阶函数定义:如果一个函数接收另一个函数作为参数,或返回类型是一个函数类型,那么该函数被称为是高阶函数。 比如下面的代码: private fun highFuc(name: String, block: (String) -> Unit) { block(name) } 其中highFuc是函数名,函数中传入了2个参数,第一个参数为String类型,第二个参数即是函数类型

小马快跑的博客 3206

解析Kotlin中的内联函数,inline、noinline、crossinline【笔记摘要】

解析Kotlin中的内联函数,inline、noinline、crossinline

weixin_40261082的博客 1192

Kotlin语法基础篇五:inline、noinline、crossinline

在前两篇文章中我们介绍到Kotlin中的函数高阶函数和Lambda表达式。这篇文章我们来讲解Kotlin源码中常见的三个关键字inline、noinline、crossinline的使用,当然这是在掌握了前两篇文章的基础上来展开介绍的。如果对Kotlin中的函数高阶函数和Lambda表达式不熟悉的读者,可以看下这两篇文章。下面我们开始本篇文章的学习。

huangyi 1506

Kotlin:你必须要知道的-inline-noinline-crossinline

我传递的那个 lambda 被转换为 Function1 类型,它是 Kotlin 函数(kotlin.jvm.functions包)的一部分,它以 1 结尾是因为我们在 lambda 函数中传递了一个参数(result:Int)。当使用 inline 时,如果传递给 inline 函数的 lambda,有 return 语句,那么会导致闭包的调用者也返回。当一个 inline 函数中,有多个 lambda 作为参数时,可以在不想内联的 lambda 前使用 noinline 声明.

2501_90213380的博客 548
上一篇: coroutine 陷阱
下一篇: livedata,stateflow,sharedflow,flow啥时候使用
lynn8570_blog
博客等级 码龄10年 254粉丝 87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