中国嵌入式开发从业人员调查揭晓

中国嵌入式开发从业人员调查报告 中国嵌入式开发从业人员调查报告,本文档描述了近几年中国嵌入式开发从业人员调查基本情况。 立即下载
作者:   时间:2009-03-31  来源:电子产品世界   浏览评论
2018-2019中国开发者调查报告 2018-2019中国开发者调查报告.1. 30岁以下软件开发者人数占比超7成,全国近半数的开发者工作在一线城市。2. 软件开发者学习热情高涨,9成开发者通过技术媒体、技术社区、技术论坛等渠道了解行业最新 动态、获取新知识。3. 7成开发者在使用Java语言,近6成开发者近期最想学Python语言。4. 超7成软件开发者主要来自二本以上院校,超8成毕业于计算机与软件专业。5. 大数据技术应用开始普及,但大数据应用场景相对单一。6. 86%的企业正在使用云服务,近8成企业利用云平台已经开发应用或正在开发应用。7. 区块链技术近两年刚刚兴起,27%开发者有应用或准备应用,66%开发者尚处于初步了解阶段, 7%开发者完全不了解,但是相比于2017年,这项技术被了解和关注的程度大幅度提高。8. 人工智能技术日益受到企业和市场的关注,应用前景广阔。9. 物联网产业链上企业主要集中在智能设备环节,智能家居是物联网最大的应用领域 立即下载

相关推荐

2012-2013中国嵌入式开发从业人员调查报告(最终版)

2012-2013中国嵌入式开发从业人员调查报告(最终版)

认识嵌入式工程师

嵌入式工程师做嵌入式系统设计和开发,包括硬件系统的建立和相关软件开发、移植、调试等工作。 工作内容: 嵌入式分为操作系统和硬件两个方面,就业的方向更广、更深,就业机会和入职待遇比普通软件工程师好。 开发一些与硬件关系最密切的最底层软件,如BootLoader、Board Support Package(像PC的BIOS一样,往下驱动硬件,往上支持操作系统),最初级的硬件驱动程序等

a13526758473的专栏 1936

中国嵌入式开发从业人员调查报告.pdf

中国嵌入式开发从业人员调查报告:详细分析嵌入式行业的发展前景,及嵌入式从业人员的发展趋势,有志于从事嵌入式开发的同仁们可以看看

2009-2010年中国嵌入式开发从业人员调查报告

嵌入式软件是嵌入式系统的核心技术之一。在2008年中国软件业收入的7570亿元中,嵌入式软件就占了14.8%,在软件出口中占了2/3左右;目前中国前10家最大的软件企业中,5家是嵌入式软件企业。可以说,嵌入式软件对于中国的重要性,相当于离岸外包对于印度的重要性。而随着城市信息化和行业信息化的持续深入,嵌入式技术已成为信息产业中发展最快、应用最广的计算机技术之一,并被广泛应用于网络通信、消费电子、医疗电子、工业控制和交通系统等领域。每年全球嵌入式系统相关工业产值已超过1万亿美元,全球嵌入式系统硬件和软件开发工

华清远见 | 程序员的学习天堂 1506

4、I3C协议详解

I3C最初的设计目的是为移动设备创建一个能够使用多个传感器的单一接口。随着现代化移动设备对于传感器数量的增加以及对性能的提高,I2C和SPI已经达到了他们所能支持的临界点,而I3C的出现就是为了解决这一问题,I3C可以在同一根主线上支持更多的传感器设备,而且不会因为要支持中断或睡眠模式而增加额外的逻辑信号。I3C可以在更低功耗的情况下提供更快的传输速率,该特性的提升不止是对移动设备,对其他的嵌入式设备也都是很大的帮助。例如穿戴设备,需要在有限的物理空间中使用多个传感器并且要求更小的耗电。 一、简述..

迟子涵925的博客 2万+

DeepSeek赋能CAD:从API调用到智能设计工作流的实战指南

本文详细介绍了如何利用DeepSeek AI技术赋能CAD设计工作流,从API调用到智能设计优化的实战指南。通过Python环境配置、API接入详解以及四大智能设计场景的实战案例,帮助CAD设计师实现参数化设计优化、自动规范检查等高效工作方式,大幅提升设计效率和质量。

weixin_29092579的博客 615

“口罩”结束后,2023年的程序员会饱和吗?

中国的程序员是否过多了?实际上这问题几乎每年都见过几次。有网友说,早在2000年左右,配合美国互联网泡沫破裂,就有无数人说“别学计算机,饱和了。”可现实是怎样的呢?

Python84310366的博客 1583

LED单元板驱动(HUB75接口)

开始之前先吐槽一下,搜这个的资料。要么都是Arduino,要么单片机的收费。小小的一个LED单元板,凭什么? 用Arduino是你速度快还是我ST,树莓派不好用?收费更离谱,这点东西还藏私?给你个中指凸。把原理都写出来看你怎么收费。 一、接口定义及原理 如图,有两个RGB通道,共占用6个IO。剩下的ABCDE为地址通道,LAT为行数据锁存通道,CLK为数据时钟,OE为低电平使能LED显示。图片这里没有E,证明它是16扫的,有E就会把B上面的地改为E。这样就是5位,2的5次方32扫。1.

a3748622的博客 3万+

【2023年中国开发者调查报告】之个人总结

2023年中国开发者调查报告

m0_47020908的博客 1203

骁龙X Elite笔记本重装Windows 11 Arm64系统完整指南与避坑手册

UEFI安全启动和Arm64架构是理解现代计算设备系统部署的基础。UEFI取代传统BIOS,提供了更安全的启动环境和模块化固件接口,而Arm64架构则以其高能效特性,在移动和新兴PC领域日益重要。其技术价值在于为设备带来更快的启动速度、更强的安全防护以及更优的功耗表现。在应用场景上,这直接关系到搭载高通骁龙X Elite等Arm处理器的笔记本电脑的系统安装与维护。对于这类设备,重装系统远非插入通用安装盘那么简单,核心挑战在于必须使用专为Arm64编译的Windows镜像,并需提前集成芯片组、网络等硬件的专属

weixin_33428613的博客 474

【数学基础】基于欧拉角表达的旋转顺序

欧拉角旋转顺序

FalschxMico 1384

2025年嵌入式人才需求与发展趋势:百万缺口背后的机遇

智能家居、楼宇监控、农业气象站等领域需求旺盛,熟练掌握ESP32/STM32+MQTT+云平台技术的工程师,薪资可达8k-15k。除C/C++基础外,企业还要求掌握现代C++特性(如C++20模块、协程),华为、大疆等企业笔试中高频考察模板元编程。2025年,新能源汽车、智能家居、工业自动化等领域的技术革新,推动嵌入式岗位需求同比增长37%,其中头部企业校招规模平均扩大25%。具备5-10年经验的嵌入式工程师年薪中位数达30-50万元,而掌握AI边缘计算和功能安全知识的工程师,薪资增幅更是高达47%。

xafarsight的博客 2877

线性自抗扰控制(LADRC)系统算法框图

NLADRC自抗扰控制从Simulink仿真到PLC控制实现_自抗扰控制器 simulink仿真-优快云博客本文介绍了如何将ADRC自抗扰控制算法从Simulink仿真应用到PLC控制中,包括Simulink框图、TD微分器模型、MATLAB函数的使用、SCL控制代码,以及非线性状态误差反馈控制率的实现。提供了详细的MATLAB仿真步骤和PLC源代码链接。ADRC自抗扰控制算法(含梯形图完整源代码和算法公式)_adrc算法-优快云博客。

RXXW_Dor的博客 1461

2013-2014(第六届)中国嵌入式开发从业人员调查报告

2013-2014(第六届)中国嵌入式开发从业人员调查报告查看 》》调查背景       在嵌入式、移动互联网、物联网等热门技术日益普及的今天,以实现智能化为核心目标的典型技术,已经成为了整个信息产业毋庸置疑的主旋律。特别是近1年,以智能家居、智能医疗、可穿戴设备等为首的大量智能硬件批量的进入到人们的生活,更让这一场智能技术的变革成为势不可挡的潮流。事实上,随着产业的变革和发展,IT行业也

华清远见 | 程序员的学习天堂 1万+

SonarQube 完整手册(2026 最新)

摘要: SonarQube是一款静态代码分析(SAST)平台,支持20+语言(如Java/Go/Python),提供Bug、漏洞、代码异味等检测,集成DevOps流水线。其架构包含服务端、扫描器和SonarLint插件。2026年四大版本:免费社区版(基础功能)、开发者版(多分支/PR分析)、企业版(合规治理)、数据中心版(高可用集群)。核心功能包括质量门禁(QualityGate)、密钥泄露检测及六大质量指标。部署推荐Docker+PostgreSQL,扫描支持Maven/CLI方式。

SmallBull的博客 670

Qwen2.5-VL多模态微调超参数深度解析(上):训练流程与优化策略的量化机制分析

上篇文章通过系统化的对比实验,回答了多模态微调中的三个基础问题:“选什么方法”(LoRA/Full/Freeze/OFT对比)、“用什么配置”(60+组超参数组合)、“达到什么效果”(ROUGE-L/BLEU-4指标)。这些结果为后续工作奠定了实验基线,但也留下了更深层的疑问:为何相同方法在不同数据集上表现迥异?为何某些超参数的微小调整会引发性能剧变?如何在未见过的任务上快速找到最优配置?本文是对前文实验数据的二次挖掘与机理解析。我们将关注点从"做了什么实验"转移到"实验揭示了什么规律",实验视角从"结果对

羊城迷鹿的博客 1004

嵌入式的发展怎么样?

这份资料包含了各类语言编程教学、问题讲解、语言类教学以及 800 套毕设,即使是小白也能学会,对于有基础的人来说,也有助于精通嵌入式技术。据统计,目前嵌入式人才处于供不应求的状态,对嵌入式工程师的需求达到了全部需求量的 60%至 80%,而且每年还以 20%的速率在增长。让我再为大家举个例子。在疫情期间,各种测温机器人、消毒机器人、清洁机器人、宣导机器人、巡逻机器人、配送机器人等的需求暴增,呈现出井喷式的发展态势。总之,嵌入式系统的发展前景广阔,对于想要进入这个领域的人来说,现在是一个非常好的时机。

单片机一哥的博客 360

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")

现在嵌入式工程师还好就业吗?

目前国家在大力发展国产化,特别是芯片领域,而芯片的应用正需要嵌入式技术,这就造成了嵌入式人才的极度稀缺。在所有软件开发类人才的需求中,对嵌入式工程师的需求达到全部需求量的60%~80%,并且每年以20%的速率在增长需求,学嵌入式对于广大人群来说是比较好找工作。嵌入式工程师可以说是多元化的,可以从事消费电子、安全安防、汽车电子、医疗电子、电信等行业的计算机应用设计开发岗位就业,担任嵌入式产品及应用系统的设计与开发工程师,从事嵌入式技术的应用项目设计开发、产品维护与技术服务等工作。

cd_farsight的博客 995

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

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

干货丨嵌入式系统分类介绍

嵌入式现在可以说是很热门的IT技术之一了,据调查,每个公司就有2-3个嵌入式工程师,当然这是小公司,大公司可想而知,不止这样,在比较热门的招聘平台上,嵌入式占据了3分之一,而且薪资待遇都是很不错的,前景也很好。那么问题来了,好多人都在问我嵌入式系统怎么学,嵌入式系统的分类有哪些?像这种问题,是学习嵌入式系统必须要掌握的,下面我就来总结一下嵌入式系统分类。 首先我们简单的说一下嵌入式系统:嵌入式系...

teach2004的博客 716

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

嵌入式工程师的真实现状,有人月薪 8 千,有人年薪快 40 万!

在百度搜索“嵌入式”、“嵌入式开发”、“嵌入式发展前景”等字眼,出来的都是一大堆培训机构,以及大篇幅的他们所谓的对嵌入式行业的“见解”,不否定其内容有一定的专业性,但“卖瓜赞瓜”的道理谁都懂。 因此,作为一名一线企业嵌入式软件工程师的笔者,想通过自己的实际经历理性地评论当今嵌入式行业的真实状况。 1.嵌入式的定义和举例分析 官方定义: 根据IEEE(国际电气和电子工程师协会)的...

优快云资讯 7万+

一线工程师告诉你嵌入式真实现状与发展前景

点击上方“大鱼机器人”,选择“置顶/星标公众号”福利干货,第一时间送达!阅读文本大概需要 2 分钟。 0前言有位哥们在微信中问了我一个这样的问题。基于我自己的一些...

张巧龙的博客 7408

关于第一次面试总结(嵌入式软件开发工程师)

第一次面试总结 首先,笔试: 一、问死锁是什么,死锁的原因有哪些?死锁的四个必要条件是神马?如何解开死锁? 死锁: 指多个进程在运行过程中因争夺资源而造成的一种僵局,当进程处于这种僵持状态时,若无外力作用,它们都将无法再向前推进。 死锁的原因有两个: a. 竞争资源 系统中的资源可以分为两类: (1)可剥夺资源,是指某进程在获得这类资源后,该资源可以再被其他进程或系统剥夺,CPU...

nan_lei的博客 3万+

嵌入式工程师的真实现状,有人月薪8千,有人年薪快40万!

作者:陈明。来源:优快云公众号,有删减。 在百度搜索“嵌入式”、“嵌入式开发”、“嵌入式发展前景”等字眼,出来的都是一大堆培训机构,以及大篇幅的他们所谓的对嵌入式行业的“见解”,不否定其内容有一定的专业性,但“卖瓜赞瓜”的道理谁都懂。 因此,作为一名一线企业嵌入式软件工程师的笔者,想通过自己的实际经历理性地评论当今嵌入式行业的真实状况。 1 嵌入式的定义和举例分析 官方定义: 根据IEEE(国际...

韦东山嵌入式专栏 1万+

优快云 2018-2019 中国开发者调查报告

优快云 2018-2019 中国开发者调查报告 摘要版:https://mp.weixin.qq.com/s/ulIRJGza1ZbIgkRQHog5Kg 优快云 2018-2019 中国开发者调查报告 完整版:http://hdg12tzyd1ot89h9.mikecrm.com/8z9C2RJ ...

大强博客 2006

嵌入式领域:人才供需失衡,发展潜力巨大

我国每年约缺50万嵌入式人才。初级软件开发月薪3000-5000元,中高级工程师月薪超过10000元。嵌入式技术正快速发展,ARM处理器、嵌入式操作系统、LINUX等技术助力嵌入式领域崛起。然而,行业新颖且门槛高,缺乏专业指导。因此,嵌入式人才稀缺,身价水涨船高。未来几年,嵌入式系统将在信息化、智能化、网络化发展中蓬勃。嵌入式应用广泛,如自动控制、移动通讯、GPS等领域,发挥巨大作用。嵌入式领域前景广阔,但人才缺口仍存在。有相关技术与知识者可迎来职业机遇,嵌入式开发助你实现职业价值和稳定薪资增长。

linlaoshi2009的博客 884
上一篇: 制作Linux中的SCIM输入法
下一篇: 解决WindowsXP中无线网络连接故障
Linux先生
博客等级 码龄20年 97粉丝 43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