GPS中出现名词收集

2、电子元件知识全解析:从基础概念到GPS应用 本博客全面解析了电子元件的基础知识及其应用,涵盖了电子元件的分类、学习方法、传感器输出处理、术语与符号规范、单位使用说明以及GPS技术的工作原理和组件类型。此外,还介绍了电子元件在智能穿戴设备、智能家居系统和工业自动化等领域的应用案例,探讨了电子元件的未来发展趋势,并提供了常见问题的解决方法。无论是电子初学者还是资深工程师,都能从中获得实用的知识和指导。 阅读详情

POI(Point of Interest):可以翻译成“兴趣点”,每个POI包含四方面信息,名称、类别、经度、纬度。

Geo:是外文中常见的前缀,表示地球、土地、地理等含义。如:geophysics(地球物理学)、geopark(地质公园)、geography(地理学)。

            通常GEO是指英文Geostationary Orbit的缩写,即对地静止轨道。另外,GEO也可以是英文Geosynchronous Orbit的缩写,即对地同步轨道。这两者表示的意义是不一样    的,对地静止轨道是轨道倾角为0°的对地同步轨道。GEO的轨道高度为35786.3km 。


告别密码本!用Windows NPS给华为/华三交换机做Radius认证,SSH登录更安全 本文详细介绍了如何利用Windows NPS实现华为/华三交换机的Radius认证,提升SSH登录安全性。通过集中化管理、精细化控制和完整审计追踪,企业可告别传统密码本,大幅提升网络设备管理效率。文章包含NPS服务部署指南、交换机配置详解及调试技巧,助力企业构建安全高效的统一认证体系。 阅读详情

相关推荐

UDS诊断ISO14229新手入门篇

这个命令的格式稍微复杂一点。sub-function = 0x06 用于读取某个 DTC 及其相关的环境数据,此时 parameter 为 4 个 byte,前三个 byte 用于标识我们要读取的 DTC,第四个 byte 用于标识要读取的环境数据的范围,UDS 规定使用 FF 来表示读取所有的环境数据,各厂家可以要根据自己的需求定义其他的值来代表要读取的环境数据的范围。环境数据包括 DTC 状态,优先级,发生次数,老化计数器,时间戳,里程等,厂家还可以根据自己的需求定义一些此 DTC 产生时的测量数据。

weixin_45387165的博客 1976

关于百度地图poi和geo搜索服务的应用

整里了一下公司项目中关于百度地图poi和geo检索服务的应用,两个工具类,无侵入,代码详细见链接:百度poi和geo搜索服务的应用

coderErics的博客 928

避开这些坑!医疗影像数据增强的6个安全操作指南(附PyTorch代码)

本文详细介绍了医疗影像数据增强的六大安全准则,包括解剖结构守恒、密度值物理意义保留和病灶特征保护等关键原则,并提供了PyTorch实战代码。通过具体案例和参数建议,帮助开发者在肺结节检测和MRI分割等医疗AI应用中实现安全有效的数据增强,避免因不当操作导致的诊断误差。

cola5的博客 556

地图(定位、POI、地理编码……)

iOS中的地图,有两种:             1、苹果自带的地图SDK,(MKMapKit)但是它在中国使用时,内部还是使用的是高德地图。(高德为苹果在中国的地图合作方)             2、第三方地图SDK  (例如:高德的地图SDK,( MAMapKit)、百度地图SDK(BMapKit))。    使用方法: 第一种,苹果自带的地图SDK:

转身扭到脖子的专栏 1万+

P4语言实战:如何用Barefoot Tofino实现自定义网络协议(避坑指南)

本文是一份详尽的P4语言实战指南,重点讲解如何利用Barefoot Tofino可编程交换芯片实现自定义网络协议。内容涵盖从P4编程模型解析、自定义协议头定义,到匹配-动作流水线构建、性能优化及生产环境部署的全过程,并特别分享了在资源管理、字节序、调试技巧等方面的宝贵避坑经验,旨在帮助网络开发者和研究人员掌握数据平面编程的核心能力。

echo99的专栏 640

企业级 Agent 在 K8s 上的运行模型

Kubernetes├── Agent Orchestrator(控制面)├── Agent Runtime Pods(执行面)├── Graph DSL(流程层)├── Tool Services(能力层)K8s(调度)+ Graph(流程)+ Agent(决策)+ Tool(执行)+ Guard(治理)

一起修行,不孤单。这里有编程语言、开发工具、学习方法论和踩坑笔记。用简单的话说复杂的事,陪你从小白到进阶。周更干货,欢迎一起成长! 1177

百度地图POI的边界GEOJSON数据采集

经过数天的技术攻关,终于成功从百度地图APP采集到POI的边界数据,并成功进行了坐标数据还原和边界数据验证。下面详细介绍一下。 如下所示,是从百度地图APP采集到的某小区(uid为ba9b506a87e4f43cf32d8314)的基本信息和边界GEOJSON数据: view plaincopy to clipboardprint? uid: ba9b506a87e4f43cf32d8314 name: 振业泊公馆 addr: 西安市灞桥区广安路800号 geo: Point [x=1213920

weixin_52026996的博客 2182

LangChain学习及应用(超详细)

Model I/O 部分是与语言模型进行交互的核心组件,包括输入提示(Prompt Template)、调用模型(Model)、输出解析(Output Parser)。简单来说,就是输入、处理、输出这三个步骤。LLM 因其具有海量参数,需要花费相当的物力与时间成本进行预训练和微调,同时商用 LLM 还需要进行各种安全测试与风险评估等。因此 LLM 会存在知识滞后的问题。在专有领域,LLM 无法学习到所有的专业知识细节,因此在面向专业领域知识的提问时,无法给出可靠准确的回答。

weixin_39764056的博客 4263

poi 获取单元格坐标_GeoHash在POI的地理围栏定位使用

LBSLBS英文全称为Location Based Services, 通过电信移动运营商的无线电通讯网络(如GSM网、CDMA网)或外部定位方式(如GPS)获取移动终端用户的位置信息(地理坐标,或大地坐标),在GIS(Geographic Information System,地理信息系统)平台的支持下,为用户提供相应服务的一种增值业务。如寻找用户当前位置1公里范围内的宾馆、影院、图书馆、加油站...

weixin_39968823的博客 1007

【OpenClaw企业级智能体实战】第09篇:OpenClaw金融投研实战:17个场景+完整代码,打造专属数字研究员

金融投研面临信息过载、流程重复、数据安全合规三大核心痛点,OpenClaw作为本地部署的新一代AI智能体,凭借“长期记忆+主动执行+数据不出域”的优势,成为券商分析师集体追捧的效率工具。本文基于8家头部券商公开研报,拆解OpenClaw在金融投研的17个核心应用场景(信息处理、研报撰写、量化策略、流程自动化),详解原理、技术选型、实操流程,并提供可直接运行的完整代码与执行结果。文章兼顾新手入门与进阶提升,强调安全隔离部署与幻觉防范,读者可按步骤搭建专属投研智能体,将信息处理、数据整理等重复工作效率提升80%

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 679

解决gradle下载慢的问题

allprojects块的repositories用于多项目构建,为所有项目提供共同所需依赖包。而子项目可以配置自己的repositories以获取自己独需的依赖包。buildScript块的repositories主要是为了Gradle脚本自身的执行,获取脚本依赖插件。根级别的repositories主要是为了当前项目提供所需依赖包。慢的问题在于下载时链接的是官网,而官网下载速度太慢;1、解决gradle不同版本下载慢的问题。但是这个镜像站的版本不全,低版本可以用;有公司做的国内镜像站;

weixin_42551921的博客 2056

大量POI点展示的一种解决方案

概述:不论是在Arcgis for js还是Openlayers中,当POI点比较多的时候,在前台页面的展示在效率上是一大问题。经过一段时间的研究,发现百度地图在这一问题上的处理思路比较好:将要展示的POI点在服务器端生成图片,页面只调用图片的话效率会比较高。本文讲述如何在java后台实现POI点在服务器端的实时生成以及在Openlayers2的展示。实现后效果:技术难点:要实现POI点在服务...

weixin_30535913的博客 442

Android 14.0 首次开机默认授予app运行时权限(去掉运行时授权弹窗)

在14.0的系统rom产品定制化开发中,在6.0以后对于权限的申请,都需要动态申请,所以会在系统首次启动后,在app的首次运行时, 会弹出授权窗口,会让用户手动授予app运行时权限,在由于系统产品开发需要要求默认授予app运行时权限,不需要用户默认授予运行时弹窗,所以需要在首次开机默认授予所有app运行时权限

安卓兼职framework和app工程师的博客 2531

GPS名词解析

GPS 编辑 GPS是英文Global Positioning System(全球定位系统)的简称。GPS起始于1958年美国军方的一个项目,1964年投入使用。20世纪70年代,美国陆海空三军联合研制了新一代卫星定位系统GPS 。主要目的是为陆海空三大领域提供实时、全天候和全球性的导航服务,并用于情报收集、核爆监测和应急通讯等一些军事目的,经过20余年的研究实

Allen.Yao的专栏 9853

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")

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

GPS测量原理及应用整理前几章(个人认为较重点)

能够捕获到按一定的高度截取角捕获卫星信号,并跟踪卫星的运行,对接收到的GPS信号进行变换、放大和处理,以便测量出GPS信号从卫星到接收机天线的传播时间,解译出GPS卫星发送的导航电文,实时计算出测站的三维位置及速度和时间。(1)收集、处理本站和监测站收到的全部资料,编算出每颗卫星的星历和GPS时间系统,将预测的卫星星历、钟差、状态数据以及大气传播改正编制成导航电文传入注入站;:具有全球性、全能性、全天候、连续性和实时性的导航、定位、授时功能,能为各类用户提供精密的三维坐标、速度和时间。

qq_42858292的博客 1535

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

GPS 介绍

   随着科学的发展GPS已经不是一个陌生的名词了,GPS在海湾战争中大显身手并给人以深刻的印象,但是有谁能了解GPS的真正含义呢?  GPS 是有美国国防部( U.S. Department of Defense --DOD)开发的一套基于卫星的无线导航系统。 无论是陆地、海洋还是太空用户都可以通过GPS系统全天侯、一天24小时、全球任何位置的精确定位他们的三维坐标、速度和时间,其定位精度比

大家好,才是真的好 1431

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

GPS测量原理与应用_第四版_徐绍铨_武汉大学出版社_考试复习资料

本文内容为《GPS测量原理与应用》考试复习资料

孙悟空 1万+

计算机对GPS的重要性,计算机GPS原理及应用简述.doc

GPS原理及应用简述1.名词解释全球卫星定位系统(Global Positioning System) 是一种结合卫星及通讯发展的技术,利用导航卫星进行测时和测距。全球卫星定位系统(简称GPS) 由美国从本世纪70年代开始研制,历时20余年,耗资200亿美元,于1994年全面建成。具有海陆空全方位实时三维导航与定位能力的新一代卫星导航与定位系统。经过近十年我国测绘等部门的使用表明,全球卫星定位系统...

weixin_36272416的博客 745

为何在Google地图、百度地图进行GPS定位时,开启WiFi有助于提高定位速度和精度,可达到20m级别?

主要讨论一下室外定位,所知有限,抛砖引玉。会有原理分析过程,可以直接看结论部分。 目前应用最广泛的定位技术可分为两类:卫星定位技术和地面三角测量技术。 1. 卫星定位技术 名词解释:全球导航卫星系统(Global Navigation Satellite System,GNSS) 它是欧空局和国际民航组织倡导发起的全球定位和测时系统。其中最著名的全球定位系统(GlobalPositi

wx_mdq的专栏 2303

物联网行业常用技术名词

1、蓝牙 是一种支持设备短距离通信(一般10m内)的无线电技术。能在包括移动电话、PDA、无线耳机、笔记本电脑、相关外设等众多设备之间进行无线信息交换。利用“蓝牙”技术,能够有效地简化移动通信终端设备之间的通信,也能够成功地简化设备与因特网Internet之间的通信,从而数据传输变得更加迅速高效,为无线通信拓宽道路。蓝牙采用分散式网络结构以及快跳频和短包技术,支持点对点及点对多点通信,工作在全球...

weixin_30735745的博客 299

物联网智能产品WiFi/蓝牙定位原理

名词解锁:WLAN和WiFi的区别 【区别一】WIFI包含于WLAN中,发射信号的功率不同,覆盖范围不同。 (1)从包含关系上来说,WIFI是WLAN的一个标准,WIFI包含于WLAN中,属于采用WLAN协议中的一项新技术。 (2)WiFi的覆盖范围则可达300英尺左右(约合90米),WLAN最大(加天线)可以到5KM。 【区别二】覆盖的无线信号范围不同。 (1)WLAN无线上网其实包含WIFI无线上网,WLAN无线上网覆盖范围更宽. (2)WIFI无线上网比较适合比如智能手机,平板电脑等智能小型数码..

m0_46159772的博客 1702

Android应用开发之(Location in Android-定位)

Android应用开发之(Location in Android-定位) 转自:http://iandroiddev.com/post/2011-12-31/14886014 如何在Android上开发LBS(“基于位置的服务”),那么首先要明白如何获得位置。传统意义上的位置,就是指门牌号一类的描述,虽然可以被人理解,但是无法被计算机理解。为了让计算机能够理解“位置”,地理学上

c18111655332的专栏 511

基站位置查询百科

基站位置查询 目录 词条名片 名词释义 技术原理 主要应用 技术要求 区别GPS 基本解释 展开 词条名片 名词释义 技术原理 主要应用 技术要求 区别GPS 基本解释 展开 词条名片   基站定位部署图 基站位置查询一般应用于手机用户,手机基站位置查询服务又叫做移动位置服务

echo3的专栏 2万+

【总结备用】Android应用开发之(Location in Android-定位)

如何在Android上开发LBS(“基于位置的服务”),那么首先要明白如何获得位置。传统意义上的位置,就是指门牌号一类的描述,虽然可以被人理解,但是无法被计算机理解。为了让计算机能够理解“位置”,地理学上的位置,即经纬度被引入进来。 获取经纬度信息,一般都会想到GPS(Global Positioning System)。这个前身为美国军方卫星定位系统,在推出之后迅速发展成为最大的民用定

云上 3255

保护自己之手机定位信息收集

啦绯哥 · 2013/07/26 11:460x00 名词解释M.N:mobile number,11位数字组成,拨打国内默认在号码前加+86,为确定国家位置;IMEI:IMEI由15位数字组成(如862698014111114),全球唯一,一一对应每台手机,前6位是“型号核准号码,代表手机机型”(如862698),接着2位代表产地(如01),之后6位代表生产顺序号(其实就是厂家的SN)(如411...

weixin_33697898的博客 601

“3S”简介

   “3S”是全球定位系统(GPS)、地理信息系统(GIS)、以及遥感(RS)的总称。下面分别介绍:   GPS:   随着科学的发展GPS已经不是一个陌生的名词了,GPS在海湾战争中大显身手并给人以深刻的印象,但是有谁能了解GPS的真正含义呢?GPS 是有美国国防部( U.S. Department of Defense --DOD)开发的一套基于卫星的无线导航系统。 无论是陆地、

2460
上一篇: jni java.lang.UnsatisfiedLinkError
下一篇: Source Insight操作
汉袋物联
博客等级 码龄18年 123粉丝 24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