静态变量、常量和方法

第二十届全国大学生智能汽车竞赛极速光电组:MicroPython与恩智浦RT1021的硬件编程实战指南 本文为参加第二十届全国大学生智能汽车竞赛极速光电组的同学提供了一份详尽的MicroPython与恩智浦RT1021硬件编程实战指南。文章深入剖析了选择MicroPython与RT1021这对组合的优势,详细讲解了从开发环境搭建、基础硬件控制(如GPIO、PWM、编码器、CCD)到系统集成(平衡控制、循迹算法)与多任务调试的全过程,旨在帮助参赛者降低嵌入式开发门槛,高效备赛。 阅读详情

由static关键字修饰的变量、常量和方法被称作静态变量、静态常量和静态方法。还可以用static来修饰代码块,static修饰的代码块叫静态代码块。

静态变量、静态常量和静态方法称为静态成员。静态成员属于类所有,区别于个别对象,可以在本类或其他类使用类名和“.”运算符调用静态成员。

使用静态成员的作用通常是为了提供共享数据和方法。

静态成员都存放在“静态区”,具有全局作用范围,内存中静态区在程序运行结束之后才会释放。

注意:1、static只能修饰在类里定义的成员部分,包括成员变量、方法、内部类和初始化块,不能将局部变量使用static修饰。
2、静态变量属于类,随类的初始化而初始化(静态代码块中);实例变量属于对象,随对象的初始化而初始化(构造方法或代码块中)。

静态变量

静态变量又叫类变量,属于类所有,类的所有对象共享同一个类变量,在内存中只有一个副本,它当且仅当在类初次加载时会被初始化。而非静态变量是对象所拥有的,在创建对象的时候被初始化,存在多个副本,各个对象拥有的副本互不影响。

例如:

public class Test {
	public static void main(String[] args) {
		A a1 = new A();
		A a2 = new A();
		
		System.out.println(a1.num);
		System.out.println(a2.num);
		
		a1.num = 9;
		
		System.out.println(a1.num);
		System.out.println(a2.num);
	}
}

class A {
	static int num = 0;
}

运行结果:

在这里插入图片描述

从运行结果可以看到,类A中定义了一个static修饰的静态变量num,初始值为0,并且实例化了两个类A的对象a1和a2,一开始a1和a2调用num打印的值都是0,执行了a1.num = 9;之后a1和a2调用num打印的值都是9了。

注意:不建议使用对象来调用类变量,建议使用类名和“.”运算符调用,例如:A.num。

静态常量

静态常量由static和final共同修饰,其值在程序运行过程中不可改变,并且必须在定义的时候显示初始化。静态常量和静态变量一样属于类,类对象共享。

静态方法

静态方法是类中由static修饰的方法,静态方法中不可以调用非静态成员变量和非静态方法,因为非静态成员方法/变量都是必须依赖具体的对象才能够被调用。

例如:

class A {
	static int num = 0;
	static final int NUM = 99;
	private int number =999;
	public static void show() {
		System.out.println("num:" + num);
		System.out.println("NUM:" + NUM);
		System.out.println("number" + number);//不能调用非静态常量
	}
}

但是要注意的是,虽然在静态方法中不能访问非静态成员方法和非静态成员变量,但是在非静态成员方法中是可以访问静态成员方法/变量的。

main()方法

main()方法是Java类中的一个特殊的静态方法,其声明为:
public static void main(String[] args) {}

main()方法是程序的入口,程序在运行的时候,第一个执行的方法就是main()方法,方法的名字必须是main,方法必须是public static void 类型的,方法必须接收一个字符串数组的参数。

【华为OD机试真题】7、字符串筛选排序 | 机试真题+思路参考+代码解析(C++、Java、Py) 题目描述 >输入一个由N个大小写字母组成的字符串 按照ASCII码值从小到大进行排序 查找字符串中第K个最小ASCII码值的字母(k>=1) 输出该字母所在字符串中的位置索引(字符串的第一个位置索引为0) k如果大于字符串长度则输出最大ASCII码值的字母所在字符串的位置索引 如果有重复字母则输出字母的最小位置索引 阅读详情

相关推荐

ReportStudio入门教程(四十一) - 固定报表列宽

我们继续上一篇博客,让他看起来

什么是江湖? 3519

Java static 静态变量、方法、块,(非)静态内部类

静态对象静态对象的数据是全局唯一的,一改全改。引用方便。直接用 类名. 静态方法名 或者 类名 . 静态变量名 就可以直接应用并可以直接修改其值,不需要 get 和 set 方法。保持数据的唯一性,修改他的任意一处地方,其他所使用到的地方都将随之改变。有效减少多余的浪费。static 和 final 用来修饰成员变量和成员方法,可简单理解为“全局常量”。对于变量一旦给值便不能被更该,对于方法表示不...

HopperZheng的博客 721

注册电气工程师详细教材

注册电气工程师详细教材

qq_40844444的博客 4262

java基础-静态变量和静态常量以及静态方法的理解

静态变量是用static修饰符修饰的变量,静态常量是final static修饰的变量;声明和访问权限:静态变量:必须是成员变量,static不能修饰局部变量

陌岸花香的博客 2734

USB2.0信号完整性测试之眼图

名称线缆颜色引脚描述红色绿色白色GND黑色。

qq_53766840的博客 3289

Ta-Lib源码解析(三):蜡烛图指标 (Candlestick Indicator) #(附Python重构代码和示意图)(补充中)

蜡烛图指标为识别K线形态的指标,笔者认为重点在于定义方式所提供的思路,背后的投资逻辑可以借鉴但不建议直接参考文档的翻译内容和源码逻辑存在不一致的现象,笔者分别列出中文百科中的定义和源码实际逻辑,供大家参考技术分析理论中的一些模糊词,ta-lib中给出了精确的定义源码

量化就是探索生活 3254

变量、常量、静态变量、静态常量

静态变量、成员变量、常量

u014365523的博客 5161

多机器人编队人工势场法协同避障算法原理及实现

ROS及SLAM进阶教程(十一)多机器人编队人工势场法协同避障算法原理及实现避障算法原理避障算法仿真 多机器人协同编队需要将理论和实践紧密地结合起来,其应用包括编队队形生成、保持、变换和路径规划与避障等等都是基于图论的理论基础完成的。 详细请参考ROS及SLAM进阶教程(八)多机器人协同编队算法原理及实现 自主避障功能是机器人编队在各种环境中保持自身安全的重要功能,在编队的基础上加入避障的功能,机器人可扫描到一定范围内的障碍物(包括其他机器人),在即将与之发生冲突时提前规避冲突,以保证自身的安全性,同时

Redglass的博客 1万+

【静态变量与常量的区分】

共同点 1、static和const在编译时直接分配内存 区别 1、(本质)static是类型引用,const是实例引用。 2、(初始化)静态变量的初始值必须是一个常量。静态初始值默认为0,而常量也默认为0(吗?)。 3、(赋值)静态变量的值在运行时可以更改赋值,而常量的值是不可改变的,运行一开始已经固定,之后修改会报错。 ...

qq_40788793的博客 1192

避坑指南:SAP CO模块维护成本控制范围的5个常见错误及解决方法

本文深入剖析了SAP CO模块中维护成本控制范围时最易犯的5个常见错误,包括货币参数配置不当、标准层次结构缺失、财政年度变式不一致、功能激活遗漏及集成参数设置错误。重点针对事务码OKKP的配置,提供了详细的排查步骤与实战解决方案,帮助顾问有效规避陷阱,确保成本核算体系稳定运行。

stone的博客 234

Klipper-源码模块

Klippy上位机程序采用多线程架构,包含四个主要进程:主线程处理G代码命令、串口IO线程(C语言实现)、MCU响应处理线程(Python实现)和独立日志线程。代码结构分为三大模块:chelper(C语言辅助函数)、extras(扩展功能如温度控制)和kinematics(运动学模型实现)。核心功能模块包括串口通信(serialhdl.py)、步进电机控制(stepper.py)、运动学计算等,其中C语言实现的底层模块通过serialqueue.c处理高效IO。扩展模块支持热床、传感器等外设,运动学子模块提

weixin_44258581的博客 993

静态变量和常量的区别

共同点: 1、static和const在编译时直接分配内存。 区别: 1、(本质)static是类型引用,const是实例引用。 2、(初始化)静态变量的初始值必须是一个常量。静态初始值默认为0,而常量也默认为0(吗?)。 3、(赋值)静态变量的值在运行时可以更改赋值,而常量的值是不可改变的,运行一开始已经固定,之后修改会报错。 4、(内存)静态变量存放在全局数据区中,伴随着这

haobaworenle的专栏 2万+

【STK】手把手教你利用STK进行光电红外仿真03-STK/EOIR模块属性之三 合成场景生成设置

这一节主要介绍如何生成合成场景。

weixin_44184852的博客 1546

Java中的静态变量、常量和方法

由static修饰的变量、常量和方法被称作静态变量、常量和方法。 被声明为static的变量、常量和方法被称为静态成员。静态成员属于类所有,区别于个别对象,可以在本类或其他类使用类名和"."运算符调用成员变量 语法如下: 类名.静态类成员 通过以下示例说明语法的使用: public class staticTest1 { static double PI = 3.1415; //定...

为你灯明三千的博客 354

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

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")

Java中静态变量、常量、方法

由static修饰的变量、常量和方法被称做静态变量、常量和方法。 静态成员属于类所有,区别与个别对象,可以在本类或其他类使用类名和“.”运算符调用静态成员。语法 类名.静态类成员 public class StaticTest { static double PI = 3.14;                      //在类中定义静态常量 static int id;

稻草屋 2304

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

【Java笔记】静态变量、常量和方法

下面是我对静态变量、常量和方法的一些理解,因为是学生所以不那么专业,有问题希望大家提出纠正!   import java.lang.Math; public class Test{ public static void main(String[] args){ System.out.println("The number of circle is " + Circle.circleN...

Cody's Blog 475

方法区元空间实现之jdk7和8字符串常量池、运行时常量池、静态变量到底在哪?

方法区(落地实现jdk7永久代,jdk8元空间),元空间并不在虚拟机中,而是使用本地内存 1、此区域是线程共享的。储存已加载的类信息、常量、静态变量、即时编译器编译后的代码等数据; 2、常量池:编译器生成的各种字面量和符号引用; 3、关于字符串常量池和运行时常量池的位置说明: jdk1.6 存在永久代,字符串常量池、运行时常量池都是在永久代中; jdk1.7 存在永久代,字符串常量池被移动到了堆当中,运行时常量池还是在永久代中; jdk1.8 不存在永久代,实现形式是元空间,字符串常量池仍然在堆当中,运行.

qq_43012792的博客 5891

Java中的静态变量,常量和方法

将变量,常量或是方法设置为静态的目的在于实现不同类在同一内存区域共享一个数据。假设我们定义了一个球类和一个圆类,在这两个类中都需要使用PI这个常量,如果分别在两个类中各定义一个PI常量,那系统会将这两个不在同一个类中定义的常量分配到不同的内存空间中,有没有方法让两个类共用一个PI常量进而节省内存空间呢?为解决这个问题,就可以将这个常量设置成为静态的。 static关键字 由static修饰的变量,

Slow_Soul的博客 2512

java静态变量静态方法静态常量

案例一 静态常量 案例二 总结 静态方法 main方法 默认字段初始化

weixin_64618264的博客 486

java学习之路:14.类的构造方法,静态变量,常量和方法,类的主方法

类中除了成员方法,还有一种特殊的方法,那就是构造的方法。构造方法是一个与类同名的方法,对象的创建就是通过构造方法完成的,每当类实例化一个对象时,类都会自动调用构造方法。在构造方法中可以为成员变量赋值,这样当实例化一个本类的对象时,相应的成员变量也将被初始化,如果类中没有明确定义构造方法,编译器会自动创建一个不带参数的默认构造方法。如果在类中定义的构造方法都不是无参的构造方法,那么编译器也不会为类设置一个默认的无参构造方法,当试图调用无参构造方法实例化一个对象时,编译器会报错,所有只有在类 构造语法如下:

花狗Fdog的博客 1621

【转】Java静态变量、静态常量、静态方法

Java静态变量、静态常量、静态方法        静态变量和静态方法都属于静态对象。在外部调用静态方法时,可以使用"类名.方法名"的方式,也可以使用"对象名.方法名"的方式。而实例方法只有后面这种方式。也就是说,调用静态方法可以无需创建对象。 1、Java静态对象和非静态对象的区别                                         静态对象          ...

mygodhome的专栏 543

Java 静态变量,静态方法,静态常量简介说明

Java 静态变量,静态方法,静态常量简介说明

qq_25073223的博客 498

C++中静态变量、常量、静态整型常量、静态非整型常量、引用变量的初始化方法

C++中静态变量、常量、静态整型常量、静态非整型常量、引用变量的初始化方法

GeorgeGuo 4714

实例变量、静态变量、常量和方法

实例变量 绑定到类的某个特定实例的,它是不能被同一个类的不同对象所共享的,实例变量存储在不同的内存位置,互相不影响。 静态变量 也称类变量,变量值存储在一个公共的内存地址,可以被一个类的所有实例共享,若有一个对象修改了静态变量的值,那么同一个类的所有对象都会受到影响。Java支持静态方法和静态变量,无须创建类的实例就可以调用静态方法。 final 声明为final的变量是类中的常量,...

qq_38497266的博客 617

Java学习笔记-静态变量、静态常量与静态方法

1.静态变量 看到一位大神写得非常赞,我直接copy了这一段 什么叫静态与非静态? 静态:对于该类的对象来说,都只有一个。叫作类变量。 非静态:每个该类的对象都各有一个拷贝。叫作成员变量。 比如工商银行卡类:他们有一个静态的银行卡名称叫:工商银行卡–>静态。 每个卡又月自己的卡号–>非静态。 在创建对象的时候,需要每个成员变量(非静态)开辟内存空间,类变量(静态变量)则是在类加载的时候...

编程使我快乐 942

静态变量,常量和方法

1.为什么要使用静态变量,常量和方法 通常,在处理问题,会遇到多个不同的类要使用同一变量,常量或方法,然而,同一个常量在不同i的类中创建时系统都会为之分配内存,造成内存浪费,如果能将这些不同类中的变量共享到一个内存中,那就大大减少了内存的使用,而静态变量(关键字 static)就是解决这个问题的。如下图所示: 2.被声明的static的变量,常量和方法被...

weixin_34280237的博客 157

java靜態常量_Java靜態變量、靜態常量、靜態方法

Java靜態變量、靜態常量、靜態方法靜態變量和靜態方法都屬於靜態對象。在外部調用靜態方法時,可以使用"類名.方法名"的方式,也可以使用"對象名.方法名"的方式。而實例方法只有后面這種方式。也就是說,調用靜態方法可以無需創建對象。1、Java靜態對象和非靜態對象的區別靜態對象非靜態對象擁有屬...

weixin_35089715的博客 140
上一篇: 构造方法
下一篇: 计算机系统硬件基本组成
is_Peng
博客等级 码龄8年 25粉丝 97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