2011年11月知识小总结

2011-2024年软考高级系统架构设计师论文真题回顾与分析 通过表格对2011年-2024年历年架构论文真题的梳理,可以发现试题围绕系统架构设计的核心方法论新兴技术应用非功能性需求企业级集成等方向展开,且逐渐向云原生分布式大数据智能化等现代技术倾斜。 阅读详情
 

1 $(document.body).mask("数据处理中,请稍候。。。");
2 var zllb=$("select[name=zllb] option[selected]").val();直接获取select选项值
3 ${SERVER_LOG_ROOT}/SystemOut.log
4  两日期比较
var comptime=function(datetime){
    var d = new Date();
    var month=d.getMonth()+1+"";
    if(month.length==1){
     month="0"+month;
    }
    var da= d.getDate()+"";
    if(da.length==1){
     da="0"+da; 
    }
    var datestr =d.getFullYear() + "-" +month + "-" + d.getDate() + " " + d.getHours() + ":" + d.getMinutes() + ":" + d.getSeconds();
     
    var beginTime = datestr;
    var endTime = datetime.toString();
    var beginTimes=beginTime.substring(0,10).split('-');
    var endTimes=endTime.substring(0,10).split('-');
    beginTime=beginTimes[1]+'-'+beginTimes[2]+'-'+beginTimes[0]+' '+beginTime.substring(10,19);
    endTime=endTimes[1]+'-'+endTimes[2]+'-'+endTimes[0]+' '+endTime.substring(10,19);
    
    var a =(Date.parse(endTime)-Date.parse(beginTime))/3600/1000;
    if(a>0){
     return false;
    }else if (a<0){
     return true;
    }else if (a==0){
     return false;
    }else{
     return false;
    }
   };


5 了解了functionchart      未学习 --了解

6 点一个按钮事件,触发一个js函数,js函数执行:
    document.getElementById('button1').style.display='';这个语句是让一个id名为‘button1’的按钮显示出来。
    反之,执行:
    document.getElementById('button1').style.display='none';这个语句是让一个id名为‘button1’的按钮隐藏起来。

7通过JS传参时候,如果有汉字可以在后台,java代码中通过这种方式处理
  String xm = request.getParameter("xm");
   xm = new String(xm.getBytes("ISO-8859-1"),"GBK");

8:格式化时间
SimpleDateFormat sf = new SimpleDateFormat("yyyy年MM月dd日");
  fjfkForm.setFysj(DateUtil.getDateFormat(sf.format(fjfy.getFysj())));


9:页面刷新一次:

<Script>
  function reurl(){

  url = location.href; //把当前页面的地址赋给变量 url

  var times = url.split("?"); //分切变量 url 分隔符号为 "?"

  if(times[1] != 1){ //如果?后的值不等于1表示没有刷新

  url += "?1"; //把变量 url 的值加入 ?1

  self.location.replace(url); //刷新页面

  }
  }

  onload=reurl

  </script>

S32K314 EB配置MCAL全模块讲解【Autosar——1 MCU模块详解】持续更新中 FIRC(fast internal RC Oscillator) :高速内部时钟,固定48MHZ;SIRC(Slow Internal RC Oscillator):低速内部时钟,固定32KHZ;FXOSC(Fast Crystal Oscillator Digital Controller):高速外部晶振(8-40MHZ),根据原理图选型进行配置;SXOSC():外部低速外部时钟,固定输入32.768KHZ;PLL_PHIn_CLK:时钟倍频锁相环时钟范围(640-1280MHZ); 阅读详情

相关推荐

SWMM建模与案例应用

4、排水系统控制规则通过控制功能,可以在模拟进行过程中,通过条件判断,对闸门、水泵、管道、孔口、堰进行控制,实现排水系统实时控制。5、SWMM与其他模型对比分析分析:STORM、MOUSE、Info Works、SUSTAIN、SWC。1、模型初始设置主要参数:雨量计、汇水区、节点、出水口、管渠、分流器、蓄水池等参数前缀的设置。2、气象数据设置温度、蒸发、风速、融雪、面积亏损、气候调整、雨量计。1、多软件数据交互:CAD、Arcgis、SWMM。(1)节点、管段、水泵、孔口、堰、雨水口和街道。

m0_74575633的博客 3424

大连程序员社区活动——敏捷之旅2011大连站暨QClub大连站2011年第三期

11月份的大连程序员社区活动已经确定,期待大家的参与。 敏捷之旅2011大连站暨QClub大连站2011年第三期 2011年11月19日,我们会非常高兴地看到,敏捷之旅作为全球性的敏捷活动,今年终于来到了海滨城市同时也是软件产业快速发展的城市——大连,为广大程序员朋友带来一场敏捷盛宴。 本次活动会和QClub大连站2011年的第三期活动联合举办,所以我们不仅请到了来自

凌云工作室 4239

记录:rk3568适配开源GPU驱动(panfrost)

摘要:本文介绍了在RK3568芯片上移植Mali-G52 GPU驱动的过程。主要包括内核dts文件修改和内核配置调整两部分。

xuesong10210的博客 2239

我的2011——贵州支教

2011年即将过去,2012近在咫尺,这是个开始总结的月份。而我今年所做的最有意义的一件事就是去了贵州的贫困山区支教。         2011年11月的7日至11日,对别人来说只是每年52个星期中一个普通的星期。然而对于我来说,却是意义非凡的一个星期。         在这个星期里,已经阔别学校快10年的我,又回到了校园里;         在这个星期里,做了十几年学生的我,走上了讲台,成

寒星轩 2万+

innovus 命令每日精要 | 掌控Innovus布线的利器——setNanoRouteMode详解

在数字IC后端设计的复杂世界里,布线优化是至关重要的一步。今天,我来给大家深入讲解Innovus工具中setNanoRouteMode命令的精妙之处,让你轻松驾驭布线策略,提升设计质量。setNanoRouteMode是Innovus中用于配置NanoRoute绕线行为的关键命令。通过其丰富的参数,你可以精细控制布局后阶段的绕线策略、信号完整性优化、工艺适配及设计规则修复等流程。下面,我将按功能分类总结其核心选项,并针对不同场景给出建议。

weixin_50820814的博客 3533

告别商业软件?实测用gnina(CNN打分版)做分子对接:从安装到跑通第一个案例

本文详细介绍了基于卷积神经网络(CNN)的开源分子对接工具gnina的安装与实战应用。从环境配置、编译安装到运行第一个COVID-19主蛋白酶抑制剂对接案例,全面解析了这款替代商业软件的强大功能,特别适合预算有限的研究团队进行药物发现和虚拟筛选。

weixin_42522320的博客 257

贵州支教之第一天(11月7日)

2011年11月的7日至11日,对别人来说只是每年52个星期中一个普通的星期。然而对于我来说,却是意义非凡的一个星期。         在这个星期里,已经阔别学校快10年的我,又回到了校园里;         在这个星期里,做了十几年学生的我,走上了讲台,成为了一名老师;         在这个星期里,我给贵州贫困山区的孩子们带去了一批捐助物资,并给他们介绍了大山外面的世界;

寒星轩 8117

TypeScript版LangChain环境配置全攻略:从零搭建AI应用开发环境

大语言模型(LLM)作为当前AI应用开发的核心技术,通过API接口为开发者提供了强大的自然语言处理能力。其工作原理基于Transformer架构,通过预训练和微调实现对人类语言的深度理解与生成。在工程实践中,开发者需要将LLM与外部工具、数据源和业务逻辑有效集成,这正是LangChain框架的技术价值所在——它提供了标准化的组件和接口,简化了复杂AI应用的构建流程。应用场景涵盖智能客服、内容生成、数据分析助手等多个领域。本文聚焦于TypeScript/JavaScript生态下的LangChain开发,详细

weixin_29055699的博客 254

贵州支教之第四天(11月10日)

2011年11月的7日至11日,对别人来说只是每年52个星期中一个普通的星期。然而对于我来说,却是意义非凡的一个星期。         在这个星期里,已经阔别学校快10年的我,又回到了校园里;         在这个星期里,做了十几年学生的我,走上了讲台,成为了一名老师;         在这个星期里,我给贵州贫困山区的孩子们带去了一批捐助物资,并给他们介绍了大山外面的世界;

寒星轩 1万+

FFmpeg魔改指南:让RTMP协议完美兼容H265的三种方法(含SRS适配技巧)

本文详细介绍了三种让RTMP协议兼容H265编码的FFmpeg魔改方案,包括基于官方补丁的标准改造、Intel的SVT-HEVC集成方案以及金山云的自定义扩展方案。文章重点解析了各方案的实现原理与适配技巧,并提供了在SRS 6.0服务器上进行深度配置和性能调优的完整实战指南,帮助开发者解决H265推流至传统RTMP服务器的兼容性问题。

weixin_29290947的博客 197

yolov5部署之七步完成tensorRT模型推理加速

目录前言step 1. 下载yolov5源码以及tensorrtx源码,并将yolov5s.pt转为.wts模型step 2. 确定并下载自己准备使用的CUDA版本。step 3. 根据自己的CUDA版本下载对应版本的cuDNN以及TensorRTstep 4. 根据自己使用的VS版本下载对应版本的OpenCVstep 5. 安装CUDAstep 6. 安装cuDNN、TensorRT以及验证TensorRT是否安装成功 前言     前段时间研究了Pytorch的环境配置,之后便从github上下载了yo

Christo的博客 4万+

开启我的技术博客

2011年11月8日,我开通了在51cto的技术博客,希望能够通过该博客积累我的IT技术,并与他人进行交流分享。 转载于:https://blog.51cto.com/pengjialiang/708674...

weixin_34124577的博客 75

大数据NiFi(十一):NiFi入门案例一

注意:数据写出的目录可以不需要提前在对应节点上创建,默认是可以自动创建,可以通过“Create Missing Directories”属性配置。将输出文件的权限设置为此属性的值,格式必须是UNIX rwxrwxrwx,用-来代替被拒绝的权限(例如rw-r--r--)或八进制数字(例如644),可以使用表达式,例如${file.permissions}。这里需要使用到的处理器是“GetFile”和“PutFile”,完成以上需求对“GetFile”和“PutFile”相关属性进行配置。

Lansonli(蓝深李)的博客 1490

贵州支教之第五天(11月11日)

2011年11月的7日至11日,对别人来说只是每年52个星期中一个普通的星期。然而对于我来说,却是意义非凡的一个星期。 在这个星期里,已经阔别学校快10年的我,又回到了校园里; 在这个星期里,做了十几年学生的我,走上了讲台,成为了一名老师; 在这个星期里,我给贵州贫困山区的孩子们带去了一批捐助物资,并给他们介绍了大山外面的世界; 在这个星期里,我抛去了我所有的身份,我只是一个...

mmdev 221

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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")

计算机比赛英语翻译,关于举办东北农业大学教职工计算机知识与技能竞赛和英语翻译比赛的通知...

一、计算机知识与技能竞赛(一)比赛内容计算机基础知识及上机应用技能。(二)比赛形式比赛由笔试和上机操作两部分组成。(三)比赛时间、地点笔试:2011年12月7日中午12:00—13:30主楼东二教室上机:2011年12月8日中午12:00—13:00主楼一楼机房(四)参赛人员除我校从事计算机专业的人员外,其他教职工均可报名参赛,名额不限,自愿报名。(五)报名要求各单位于2011年11月30日前;将...

weixin_42183486的博客 209

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

计算机知识新闻稿,计算机协会电脑爱心维修活动圆满结束(新闻稿)

关于计算机协会活动的新闻稿,活动总结。计算机协会电脑爱心维修活动圆满结束本网消息2011年11月12日计算计算机协会在西门广场举办了爱心电脑维修活动。活动的开展主要由会长和技术部全体会干主持开展。活动的主要内容是为全校的电脑有问题的同学修理电脑,处理问题。活动的开展吸引了很多在校同学的积极参与,很多本协会会员在通过看老会干是如何对一些常见电脑问题的处理上知道了如何对一些简单的电脑所出现的问题进行分...

weixin_35500243的博客 323

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

.NET Project Open Day(2011.11.20)

每周一个项目分享,每周一份收获,SAIKO .NET Project Open Day是为有一定.net编程基础的朋友准备的一份礼物,在学习项目过程中查漏补缺,在学习项目过程中巩固知识,在学习项目过程中提升自己。 本次活动主要讲解内容为 ASP.NET MVC 3.0 实现投票系统第二讲 活动时间为:2011年11月20日 下午 2:00 活动照片:       因为拿手机拍的,...

weixin_33901843的博客 75

The Begin

2011年11月24日,人在蜗牛。

liubei0001的专栏 339

复旦2011在职研究生计算机技术数据结构考试

2011-11-19 星期六 阴有小雨 邯郸路220号 上午8:30~11:00 总分:150 试题一,5道选择题,10分,不难,但是第五道竟然出现C和D答案是一样,堆排序,后来有个老师来说明把D改成归并排序,原意是选择一种稳定并且时间复杂度为O(n)的算法; 试题二,讲解画图,每道5分,40分 1,KMP算法 2,霍夫曼编码 3,AVL 4,快速排序 5,普利姆算法 6,笛卡...

9941052的博客 193

花花广告上线

2011年11月1日凌晨1点多,我写了一篇《关于广告》,里面简单提到了我对广告的一些观点和初衷。时间过去1个多月,今天花花广告(http://huahua1995.com/)平台终于上线了。虽然没有准备好,即没学习HTML,XHTML,CSS,也不懂PHP语言,各种该准备的东西都未准备,但它还是上线了。我很喜欢看优酷科技频道的原创达人TechMessager(王自如)的视频,记得他在一个视频中说过...

weixin_30439131的博客 128

近期个人学习资料整理

2011年11月22日 JavaScript与Canvas游戏开发教程(from brighthub博客) JavaScript的call方法(from MDN) jQuery教程(from w3school) Android游戏开发(from 雨松MOMO的优快云博客) Android游戏开发专栏(from 李华明Himi的优快云专栏) 2011年12月6日  CSS教程(fr

我想跟代码谈谈 1483

每周检视[2011.10.30-11.05]

本周: 一、个人 M,四次,小進步;健身周六没去,以跑步代替,主要是因为别人的安排; 周中的时候每月检视了,挣扎了一下,想通了一些事,现在开始实施; 二、学习 GRE看了一次;ML和database进度都没跟上,非常耗时间;    1、对比本周的计划,哪些任务没有达到目标?什麽原因? M,沒有自製力;GRE邏輯看了一次,不够; ML和db的進度都沒跟上,时间没有;

237

pmp沙龙免费pdu活动

PMP学友会茶话会 2010年11月20日,AVTECH PMP学友会成功举办了“项目管理茶话会”主题活动,参与此次活动的部分来自于社会PMP认证获得者及AVTECH各个班级的学友,会上AVTECH首席教练朱宏强对PMP学友会2010年的所有PDU活动进行了简单的回顾,并对2011年的PMP学友会发展提出了富有实战意义的设想,使PDU的活动更具实战意义和实用性。 PMI所推崇的PDU积攒活动是...

weixin_30496431的博客 189
上一篇: Hibernate3的DetachedCriteria支持
下一篇: JS常用技巧
hellonight
博客等级 码龄16年 31粉丝 8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