如果把日志文件跟这些WEB项目管理软件结合起来的话,这对系统管理员的工作将会有很大的帮助。win7除了以上这些特点之外,还不需要说明的一点就是,XML文件的压缩性比较好。由于系统日志的内容往往比较多,如果要保存完整的日志信息,往往需要占用比较多的硬盘空间。而如果采用XML格式的文件,往往可以比其他的文件使用更少的硬盘空间。
这主要是因为XML文件的压缩性比较好。因为在XML文件中,描述数据结构的标记可以重复使用,所以可以通过高压缩率来减少硬盘空间的占用量。
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
370平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄14年
压铸工艺基于壁厚参数的结构设计与工艺协同优化:铝合金压铸件缺陷控制与模具寿命提升方法研究
内容概要:本文系统阐述了压铸件结构设计与工艺参数之间的内在关联,强调结构设计是决定压铸成败的关键因素,约80%的模具与工艺问题源于设计不符合压铸成形规律。文章围绕壁厚、脱模斜度、圆角、加强筋、局部特征等核心结构要素,深入剖析其对填充、凝固、缺陷形成及模具寿命的影响,并建立“结构—工艺—缺陷”的因果链条。同时介绍了真空压铸、超低速层流+局部挤压、半固态压铸、一体化压铸及CAE仿真等现代技术如何优化传统设计约束,推动设计从经验导向转向预测导向。; 适合人群:从事压铸产品设计、模具开发、工艺调试的工程师,以及材料成型、机械制造等相关专业的技术人员与高校师生。; 使用场景及目标:①指导压铸件结构设计合理性评估,避免因结构问题导致缩孔、气孔、变形等缺陷;②优化工艺参数匹配,提升良品率与模具寿命;③应用现代压铸技术突破传统设计局限,实现高性能复杂铸件开发;④结合CAE仿真实现设计前置验证,减少试模成本。; 阅读建议:此文档兼具理论深度与工程实践性,建议结合具体设计案例对照文中参数标准与设计反例进行逐项核查,并充分利用CAE工具对充型、凝固、应力等过程进行模拟验证,真正实现“设计即正确”。
windows下xml安装
windows下xml安装 欢迎转载,转载请标明出处: 1 xml 可扩展标记语言XML,标准通用标记语言的子集,是一种用于标记电子文件使其具有结构性的标记语言。 在电子计算机中,标记指计算机所能理解的信息符号,通过此种标记,计算机之间可以处理包含各种的信息比如文章等。它可以用来标记数据、定义数据类型,是一种允许用户对自己的标记语言进行定义的源语言。它非常适合万维网传输,提供统
【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)
内容概要:本文研究基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同三维避障路径规划中的应用,旨在实现最低成本的飞行路径。目标函数综合考虑路径长度、飞行高度、环境威胁和转弯角度等因素,通过改进蜣螂算法提升搜索效率与全局优化能力,有效解决复杂三维空间中多无人机集群的路径规划与避障问题。文中详细阐述了算法改进策略、三维环境建模方法以及多无人机协同机制,并通过Matlab仿真验证了该方法在降低飞行成本、提高避障能力和路径平滑性方面的优越性能。; 适合人群:具备一定优化算法和无人机控制基础,从事智能优化、路径规划或集群控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多无人机在复杂三维环境下的协同任务执行,如灾害救援、军事侦察与智能巡检;②为解决多目标路径优化问题提供高效智能算法方案,提升无人机系统的自主性与安全性。; 阅读建议:建议结合Matlab代码深入理解算法实现细节,重点关注多策略改进机制与目标函数设计,可通过调整环境参数和算法配置进行仿真实验,进一步掌握其在不同场景下的适应性与优化效果。
在win7中搜索xml文件中的内容
选择【组织】-->【搜索】-->【始终搜索文件名和内容】--> 【确定】 即可
悬臂梁冲击事件的解析有限元解研究(Matlab代码实现)
内容概要:本文围绕“悬臂梁冲击事件的解析有限元解研究”展开,结合Matlab代码实现,系统探讨了悬臂梁在冲击载荷作用下的动力学响应问题。研究采用有限元方法对悬臂梁结构进行建模,涵盖一维杆单元与二维梁单元等多种单元类型,通过解析与数值相结合的方式求解结构的动态行为,重点分析冲击过程中的位移、应力与应变响应规律。文中详细阐述了有限元离散化策略、刚度与质量矩阵的构建、边界条件处理以及时间积分算法等关键技术环节,并通过Matlab编程实现全过程仿真,验证了数值方法的准确性与有效性。该研究为结构动力学问题提供了可复现的仿真框架,有助于深入理解冲击载荷下工程结构的力学行为机制。; 适合人群:具备结构力学基础知识和Matlab编程能力的理工科研究生、科研人员及工程技术人员,特别适用于从事结构动力学、振动分析、有限元仿真等相关领域的研究人员。; 使用场景及目标:①掌握悬臂梁冲击问题的有限元建模与数值求解流程;②学习Matlab在结构动力学仿真中的编程实现方法;③为复杂工程结构在动态载荷下的响应分析提供理论指导与代码参考。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,深入理解单元离散、矩阵组装、时间步进求解等核心步骤,同时可尝试扩展至不同边界条件、加载方式或更高维单元类型,以深化对有限元方法的理解与应用能力。
硬件单板类机考复习提纲
6、 功率晶体管低导通损耗时处于的状态(饱和状态、放大状态、截止状态)(放大器的采样频率特性)总结:元器件特性(电阻、电容、二极管、三极管、晶体、晶振、MOS、磁珠等)信号质量问题产生根因(单调性、边沿过缓、毛刺、回沟、抖动等)3、 几种电容容量范围大小(超级电容、钽电容、陶瓷电容、铝电容)66、背板连接器接触设计的接触顺序(先导向、再地针、最后信号针)28、逻辑电平接口的特性(CMOS、TTL、ECL、PECL)76、差分电平(lvpecl、RS-422/485、cml)
linux基于xml的格式文件保存不了,Windows7采用Xml格式保存日志文件
在Windows操作系统好几个版本中,都可以把系统日志另存为文本文件、CSV文件等等,以方.便系统管理员查询。不过同XP操作系统版本不同,在win7 中其日志另存为多了一个格式,即Xml格式。如下图所示[win7旗舰版系统下载],在win7中除了有XP操作系统所具有的三种格式外,还多了一个XML文件格式。这个格式也真是很多系统管理员所期.待的日志格式。由于采用这个日志格式,可以给我们日常管理带来很...
基因家族快速鉴定指南:Windows平台下的HMMER实战解析
本文详细解析了在Windows平台下使用HMMER工具进行基因家族快速鉴定的完整实战流程。通过手把手指导,从软件获取、数据准备到模型构建与序列搜索,帮助生物信息学新手无需Linux环境,即可高效完成bZIP转录因子等家族的鉴定工作,大幅降低分析门槛。
Win7采用Xml格式保存日志文件
在Windows操作系统好几个版本中,都可以把系统日志另存为文本文件、CSV文件等等,以方便系统管理员查询。不过同XP操作系统版本不同,在Windows7 中其日志另存为多了一个格式,即Xml格式。如下图所示,在Windows7中除了有XP操作系统所具有的三种格式外,还多了一个XML文件格式。这个格式也真是很多系统管理员所期待的日志格式。因为采用这个日志格式,能够给我们日...
多目标跟踪中使用trackeval评估dancetrack运行结果
trackeval使用
爬取信用中国里面的行政处罚
result字段名为行政处罚文书号、处罚决定日期、处罚内容、处罚金额、违法事实、处罚机关、公司名称,行政处罚次数。file_path=r'E:\Data analyze\python\行政处罚爬虫/'#路径需要按实际修改。writer = pd.ExcelWriter('统计.xlsx')# 写入Excel文件。src_workbook=file_path+r'行政处罚(名单).xls' #表格名称也要更改。# keyword = input("输入爬取的公司全称必须是全称")
笔记本电脑装机详细步骤图文教程
1健Ghost之家(www.1ghost.com)教您笔记本如何安装软件。 笔记本开机进入bios的选项是F2键 选择启动项菜单是ESC键。 拿到机器第一步就是进入Bios设置需要我们修改的项目 不管是什么品牌机器 其实第一步都应该这样。 Intel的机器 进入bios之后将高级选项里面的IDE Configuration 选项由默认的Enhanced 修改为Compatibl
《计算机网络》课程大作业- 《小区局域网的设计和规划》
8.1首先,在满足用户需求方面,通过详细的需求分析,充分考虑了居民和物业管理的不同业务需求。对于居民,无论是日常的高清视频播放、在线游戏、远程办公还是智能家居设备的连接,网络都能提供稳定的高速带宽支持。从有线网络的千兆以太网技术保障稳定的有线连接,到无线网络采用 Wi - Fi 6 技术确保无线覆盖区域的高速和低延迟,满足了居民多样化的娱乐和生活需求。对于物业管理,安防监控系统的实时数据传输、物业办公自动化系统的流畅运行以及社区信息的及时发布等业务,都有针对性的网络设计。
当部分键盘失灵时我们怎么去解决
其实,键盘失灵很大并不全是因为键盘本身的问题,电脑系统设置出错也可能会导致键盘失灵情况。总之键盘损坏和进水,键盘键位丢失,键盘连接出错,键盘设置等都可以造成键盘失灵情况出现,下面就和大家讲解一下当键盘失灵时我们怎么去解决这个问题! 造成键盘部分按键失灵,这种情况多数是电脑键盘内部线路板出现故障,这种现象一般都是因为在线路板或导电塑胶上有污垢,从而使得两者之间无法正常接通。也可能是因为键盘
MFC实现图书管理系统(附完整源码)
MFC实现图书管理系统(附完整源码)
华为OD机试 - 素数之积 - 数学问题(Java 2025 A卷 100分)
每一题都有详细的答题思路、详细的代码注释、样例测试,发现新题目,随时更新,全天优快云在线答疑。
快速将Win7默认字体还原的方法
可能有人不太满意Windows7默认的新版雅黑字体,已经装了很多款新字体,更有甚者不定已经把系统和软件的默认字体换成了另一种字体。 还有人会担心,如果换了系统字体,无法还原怎么办?不用担心,其实还原的方法也是很简单的. STEP1 打开“控制面板”,找到“外观和个性化”,点击进入。在“字体”菜单中,找到“更改字体设置”。单击进入Win7的字体设置界面。 ST
【思考模型框架】MECE原则,确保分析时,考虑到的所有因素,既不重叠又无遗漏
MECE原则,是Mutually Exclusive and Collectively Exhaustive的缩写,中文译为“相互独立、完全穷尽”。MECE原则,这是一种逻辑思维和组织信息的方法,旨在确保分析时既没有遗漏也没有重复。MECE原则,相互独立、完全穷尽(Mutually Exclusive,Collectively Exhaustive)的原则MECE原则,确保分析时考虑到的所有因素既不重叠又无遗漏。
怎样设置才能关闭Win7系统自动更新重启提示
有些网友甚至点错了选择了重新启动电脑,导致还没完成的电脑数据丢失让人很懊恼。那怎样设置才能关闭Win7系统自动更新重启提示?这里我们就需要在本地组策略里进行设置。接下来就给大家详细介绍。 首先,在win7系统下载界面下点击“开始菜单”按钮,然后在搜索框内输入“gpedit.msc ”点击确定。什么是“gpedit.msc ”有些网友可能会茫然,我顺便给大家介绍一下。它是电脑的组策略。组策
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Windows8垃圾文件批量处理让你的系统更干净
每个windows系统用的时间久了都会产生一些垃圾文件,现在网上也有很多关于垃圾清理的软件.Win8系统也一样,今天小编就来教大家一招简单的win8垃圾清理方法,就是做个.bat的批处理文件,执行一下这个批处理文件就可以快速的删除垃圾文件,让你的Windows8系统更干净,速度更快! 具体步骤 第一步:在Windows8桌面上按鼠标右键新建“文本文档”。 每个wind
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
Word邮件合并技巧提高办公效率
有时我们需要给不同的收件人发去内容大体一致,但是有些地方有区别的邮件。如寄给家长的“学生成绩报告单”,它根据学生总分不同,在不同的报告单中写上不同的内容,总分超过290分的学生,在报告单的最后写上“被评为学习标兵”,而对其它的学生,报告单中则没有这一句。怎样用同一个主文档和数据源合并出不同的邮件? 这时就要用到“插入Word域”。在邮件中需出现不同文字的地方插入“插入Word域”中的“i
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。
利用Windows7自带Diskpart命令分区后再安装系统
其实我们完全可以利用Windows7自带的Diskpart命令先进行分区再安装系统。 这样做的好处有三点:首先,不用借助第三方工具;其次,不产生100MB的“系统保留”分区;最后,分区操作直接生效,不用重新启动计算机。 Diskpart是Windows环境下的一个命令,正常运行该命令时需要系统服务的支持,所以在纯DOS、XP内核的WinPE环境下都是不能运行的,但是在Wind
电脑硬件很重要 系统软件也需要重视
电脑硬件是电脑运行的一个基本条件,如果硬件有什么问题的话,电脑室完全不能运作的,不像我们的软件,我们可以卸载了再重新装一次,所以硬件问题必须要得到我们的注意!引起我们的高度重视,到底应该怎么样保护好我们的硬件呢?一起来看看! 1. 在连接IDE设备时,应遵循红红相对的原则,让电源线和数据线红色的边缘线相对,这样才不会因插反而烧坏硬件。 2. 在安装硬件设备时,如果接口一
电脑显示器的保养
现在LCD越来越便宜,技术也越来越先进,所以使用它的人也越来越多,与CRT相比,LCD显得更为轻薄,所以也显得更脆弱(特别是它的液晶面板),用手对着LCD显示屏指指点点或用力地戳显示屏都是不可取的,虽然对于CRT显示器这不算什么大问题,但LCD显示器则不同,这可能对保护层造成划伤、损害显示器的液晶分子,使得显示效果大打折扣,因此这个坏习惯必须改正,毕竟你的LCD显示器并不是触摸屏,如果可以的话,花
更简单更轻松的创建Windows 8可启动U盘
在Win8USB主界面中,我们勾选格式化选项后,它将自动把U盘格式化为NTFS格式,这一步是必须进行的,所以,操作之前要确认U盘上的数据已经备份或全部清空。 接下来,它会自动将ISO映像展开到U盘中。这个过程会比较长,具体时间由你U盘的写入速率决定。最后将MBR引导记录写入到U盘,至此一个可引导Win8 U盘就算创建完成了。整个过程我们不过只是点击了几次鼠标而已。 写入过程中程

被折叠的 条评论
为什么被折叠?



