ECMAScript2016新特性

智驾域控制器硬件架构:从接口丛林到算力核心的工程解码 本文深入解析了智驾域控制器硬件架构的设计挑战与工程实践。面对复杂的接口丛林,文章详细探讨了如何高效融合摄像头、雷达等多源传感器数据,并构建以多SOC为核心的强大算力平台。同时,文章强调了电源、时钟、散热等最小系统及车规级可靠性设计的关键作用,为工程师提供了从接口驯服到算力核心协同的完整硬件解码指南。 阅读详情

ES2016 正式名称叫做 ECMAScript2016,发布于 2016 年 6 月,与 ES2015 相比 ES2016 只是一个小版本更新,只包含两个小功能。

数组的 includes 方法

首先,就是数组实例的 includes() 方法,这个方法可以用来检查数组当中是否包含指定成员变得更加简单。在这之前想要检查某个数组当中是否存在某个指定的成员,就必须使用数组的 indexOf() 方法来实现。如下代码所示:

const arr = ['foo', 1, NaN, false]

console.log(arr.indexOf('foo'))

上述代码的运行结果如下:

0

从打印的结果可以看到,indexOf() 方法可以返回成员在数组中的索引值。在没有找到指定成员的情况下,这个方法会返回 -1。如下代码所示:

const arr = ['foo', 1, NaN, false]

console.log(arr.indexOf('bar'))

上述代码的运行结果如下:

-1

但是这种方式判断数组当中是否存在某一个成员也会存在一个问题,就是不能查找数组当中为 NaN 的成员。如下代码所示:

const arr = ['foo', 1, NaN, false]

console.log(arr.indexOf(NaN))

上述代码的运行结果如下:

-1

ECMAScript2015 之后为数组新增的 includes() 方法就可以直接检查数组当中是否存在某个成员,这个方法返回一个 Boolean 值来表示存在还是不存在。如下代码所示:

const arr = ['foo', 1, NaN, false]

console.log(arr.includes('foo'))

上述代码的运行结果如下:

true

还有就是 includes() 方法相比于 indexOf() 方法来讲,includes() 方法可以用来查找 NaN 这样的数值。如下代码所示:

const arr = ['foo', 1, NaN, false]

console.log(arr.includes(NaN))

上述代码的运行结果如下:

true

指数运算符

除了数组实例的 includes() 方法之外,ECMAScript2016 还新增了指数运算符。在 ECMAScript2016 之前想要进行指数计算的话,需要借助 Math 对象的 pow() 方法来实现。如下代码所示:

console.log(Math.pow(2, 10))

上述代码的运行结果如下:

1024

ECMAScript2016 新增的指数运算符就是在 JavaScript 语言层面可以直接进行指数计算,就像加减乘除运算符一样。如下代码所示:

console.log(2 ** 10)

上述代码的运行结果同样为 1024。这个指数运算符对于数学密集型的应用是一个很好的补充,不过在日常的应用开发很少会用到指数计算

使用 MATLAB/Simulink + Simscape Electrical + SimPowerSystems + Stateflow,构建一个多能互补微电网系统的动态响应仿真模型 本文详细介绍了使用MATLAB/Simulink构建多能互补微电网动态响应仿真模型的方法。文章从系统架构设计入手,包含光伏、风电、柴油发电机、锂电池储能等多种组件,重点讲解了建模过程、控制策略(下垂控制、PLL、SOC管理)和模式切换逻辑(Stateflow)。通过四种典型场景(负荷突增、光伏出力骤降、并网/孤岛切换、电动机启动)的仿真分析,验证了微电网在动态响应中的关键性能指标,并提出了高可靠性设计建议。该模型为微电网的稳定性分析和优化设计提供了有效工具,特别强调了储能系统在快速功率支撑中的重要作用。 阅读详情

相关推荐

QGroundControl或者华科尔地面站安装完打不开问题解决

QGroundControl 华科尔 打不开

wv112406的博客 4892

ES7新特性 (2016)

ES7(2016) 新增了两个新特性: 1. 数组includes()方法,用来判断一个数组是否包含一个指定的值,根据情况,如果包含则返回true,否则返回false。 2. a ** b指数运算符,它与 Math.pow(a, b)相同。 1.Array.prototype.includes() includes() 函数用来判断一个数组是否包含一个指定的值,如果包含则返回...

weixin_34380948的博客 212

别再手动画柜子了!用EPLAN导入STEP模型,5分钟搞定一个标准机柜

本文详细介绍了如何利用EPLAN Pro Panel的3D布局功能,快速将STEP模型转化为智能机柜宏,大幅提升电气工程设计效率。通过实战步骤解析,包括模型导入、智能解析、安装面定义及拼柜技巧,帮助工程师5分钟内完成标准机柜设计,避免传统手动建模的尺寸偏差问题。

weixin_26875109的博客 433

ECMAScript 2024(ES15)将带来这些新特性,超实用!

ECMAScript 语言规范每年都会进行一次更新,而备受期待的 ECMAScript 2024 将于 2024 年 6 月正式亮相。目前,ECMAScript 2024 的候选版本已经发布,为我们带来了一系列实用的新功能。接下来,就让我们一起先睹为快吧!全文概览:Promise.withResolversObject.groupBy / Map.groupByArrayBuffer.protot...

奇舞周刊 1359

不只是抓取:用五指灵巧手(ROH-A001/RH56)玩转ROS2下的力控与混合控制

本文深入探讨了在ROS2环境下使用五指灵巧手(ROH-A001/RH56)实现力控与混合控制的实战技巧。从硬件通信协议解析到ROS2节点开发,详细介绍了力感知架构、实时数据处理和混合控制策略,帮助开发者在Ubuntu系统中高效实现精密操作。通过鸡蛋抓取等实例,展示了力控技术在机器人灵巧操作中的关键作用。

weixin_28221501的博客 286

基于PLC智能立体车库控制系统设计

摘要 本系统设计以三层立体车库为研究对象,通过对立体车库的原理分析、动作流程设计和一系列的软硬件设计,达到立体车库自动化控制的目的。系统采用可编程控制器作为立体车库控制系统的控制单元,实现该系统的工艺要求,通过程序仿真调试,完成系统的各种动作要求,达到自动控制的目的。系统设计分为总体设计、硬件设计以及软件设计。按照立体车库控制系统的控制策略进行图纸设计;重点分析工艺流程图,对立体车库控制系统进行程序编译和MCGS上位机调试,通过系统的调试和修改,达到了基本控制的要求。系统设计明确了工艺要求,确定

DX884164131的博客 3600

【ES】2087- ECMAScript 2024 正式发布,新特性一览!

2024 年 6 月 26 日,第 127 届 ECMA 大会正式批准了 ECMAScript 2024 语言规范,这意味着它现在正式成为最新 ECMAScript 标准。下面就来看看 ECMAScript 2024 都有哪些新特性吧!Promise.withResolvers()Object.groupBy / Map.groupByString:isWellFormed() / toWellF...

pingan8787 616

企业级防火墙实战:用深信服AF8.0打造安全办公网络(含流控/僵尸防护配置)

本文详细介绍了如何利用深信服AF8.0防火墙构建企业级安全办公网络,涵盖设备初始化、多接入方式配置、三维一体安全防护体系(包括应用控制、僵尸防护和智能流控)以及典型问题排查。通过实战案例和配置模板,帮助IT管理员高效部署和优化网络安全管理,提升企业网络安全防护能力。

weixin_28716443的博客 279

ECMAScript 2016(ES7)新特性简介

自从ES6(ECMAScript 2015)在2015年发布以来,ECMAScript以每年一个版本的速度持续向前发展。到现在已经是ECMAScript 2020了。 每个版本都有一些新的特性,今天本文将会讲解ES7中带来的新特性。

程序那些事 6807

360可视门铃双摄版数据恢复实战:BIN文件解析与视频重组

本文详细解析了360可视门铃双摄版BIN文件的数据恢复过程,包括文件结构分析、双摄像头数据存储机制及视频重组技术。通过Python开发环境和FFmpeg工具链,成功实现了H.265视频流的解析与重组,为智能家居设备数据恢复提供了实用解决方案。

weixin_29196891的博客 908

华为OD机试真题 新系统2026-04-01 Python&JS 实现【空间占用计算】

员工A的磁盘空间经常被耗尽,他需要找到占用空间最大的目录或文件,然后决定如何清理文件释放空间。给定某一目录,请编写程序帮助他统计该目录内一级子目录和文件的占用空间,并返回目标目录一级子项(文件或子目录)中占用空间最大的项。

MISAYAONE的博客 1298

ECMAScript 新特性整理汇总全集

ECMAScript 演进摘要(2015-2023) ES2015(ES6):里程碑更新,引入let/const、箭头函数、类、模块化、解构赋值、Promise等核心特性,奠定现代JS基础。 ES2016-2018:逐步增强,包括async/await异步方案、扩展运算符、对象/数组新方法(includes()、Object.values())、正则表达式改进等。 ES2019-2021:完善细节,新增数组扁平化(flat())、空值合并运算符(??)、可选链(?.)、BigInt大数类型、逻辑赋值运算符等

油墨香^-^的博客 753

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

ECMAScript2016(ES7)新特性

摘要: ECMAScript 2016(ES7)是首个采用年度发布机制的版本,仅引入两项新特性: Array.prototype.includes:优化数组元素存在性检查,支持查找NaN且不区分±0,但时间复杂度为O(n),高频搜索建议改用Set.has。 指数运算符**:简化幂运算(如x**y等价于Math.pow(x,y))。对比ES5方法,includes弥补了indexOf无法检测NaN的缺陷,而**提供了更简洁的数学表达。两项特性均需注意浏览器兼容性。

Jinuss的博客 325

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ECMAScript 2016新特性

按照w3c的说法: 2009发布的js 称为ES5 2015发布的js 称为ES6 但是注意:之后不叫ES系列了 而是该用年份 ECMAScript +年份称呼 JavaScript 命名约定始于 ES1、ES2、ES3、ES5 和 ES6。 但是,ECMAScript 2016 和 2017 未被称为 ES7 和 ES8。 自 2016 年以来,新版本按年份命名(ECMAScript 2016/2017/2018)。 这里探讨一下ECMAScript 2016新特性 1.求幂 (**) 2.求幂赋值 (*

qq_44472790的博客 569

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")

api es7 删除所有数据_【译】ECMAScript 2016 (ES7) 新特性一览

本文回答了关于下一版 JavaScript(ECMAScript 2016)的以下几个问题:谁在设计?如何设计?会有什么特性?本文会持续更新以及时反馈最新进展。1、谁在设计 ECMAScript?答:TC39 (Technical Committee 39)。TC39 是推进 JavaScript 发展的委员会。其会员都是公司(其中主要是浏览器厂商)。TC39 定期召开会议,会议由会员公司的代表与...

weixin_39553600的博客 202

进阶学习10:ECMAScript——ES2016、ES2017新特性

目录 一、ES2016 1.数组实例对象的includes方法 2.指数运算符 二、ES2017 1.Object.values 2.Object.entries 3.Object.getOwnPropertyDescriptors 4.String.prototype.padStart / String.prototype.padEnd 5.允许函数参数中添加尾逗号 6.Async / Await 一、ES2016 这是一个小版本,仅包含2个小功能 1.数组实例对象的includ

JIZQAQ学习&踩坑笔记本 629

ECMAScript 2016, 2017, 2018 新特性之必读篇

原文链接地址:https://medium.freecodecamp.org/here-are-examples-of-everything-new-in-ecmascript-2016-2017-and-2018-d52fa3b5a70e JavaScript (ECMAScript). 版本的频繁更新,让我们很难去跟进又新增了哪些新特性。就不要说,找一些实用的代码示例。但在这篇文...

YITA90的专栏 5125

ECMAScript 2016 获得批准,主要增加两新特性

Ecma国际批准了第七版的ECMAScript语言规范(ECMAScript 2016)。ECMAScript是标准化的JavaScript语言,1997年发布了第一版,1998年和1999年发布了第二和第三个版本,之后ECMAScript沉寂 了许多年,直到Ajax流行起来后标准工作才再次起步,2009年发布了第五个版本,2015年发布了第六个版本,第...

weixin_34279184的博客 91

ECMAScript新特性(2016-2021)

一、ECMAScript2021新特性 ECMAScript更新日志 参考种草ECMAScript2021新特性 1、String.protoype.replaceAll 字符串替换 const str = 'Stay Hungry. Stay Foolish.' const newStr = str.replace(/Stay/g, 'Always') console.log(newStr) // Always Hungry. Always Foolish. 2、Promise.any 对比: Pro

weixin_40466351的博客 819

ECMAScript 2016(ES7) - ECMAScript 2024(ES15)新特性全览

ECMAScript 2016 - 2024 : ES7 - ES15

知识点沉淀包括不限于前端 1322

ECMAScript 2016(ES7) 的新特性总结

快速通道:ES6、ES7、ES8、ES9、ES10、ES11、ES12、ES13新特性大全老样子,先纵览下 ES2016 的新功能,ES2016添加了两个小的特性来说明标准化过程:数组includes()方法,用来判断一个数组是否包含一个指定的值,根据情况,如果包含则返回true,否则返回false。a ** b指数运算符,它与 Math.pow(a, b)相同。Array.prototype.includes()includes() 函数用来判断一个数组是否包含一个指定的值,如果包含则返回 true,否.

江一铭 1523

ECMAScript 2016/2017/2018新特性详解

作者|rajaraodv译者|无明出处丨前端之巅要跟踪 JavaScript(ECMAScript)究竟提供了哪些新特性并不容易,找到有用的代码示例更加困难。在本文中,我将介绍在 ES2016、ES2017 和 ES2018 中添加的 18 个特性,并提供有用的示例。ECMAScript 2016 1. Array.prototype.includesincludes 是 Array 的一个方法,...

weixin_34088838的博客 326

部分JavaScript ECMAscript 2016 新特性

let块级作用域function fn(){ let a = 10; } console.info(a);//报错衡量 constconst a = 10;衡量a的值将无法改变;字符模板${变量}let a = 1,b = 2; //a的值是${a}; //b的值是${b};测试字符串starstWith //测试字符串是不是以什么开头的 endsWith //测试字符串是不是以什么结尾

wy01272454的博客 323

ECMAScript 2015 2016 2017 (ES6)新特性概念解析

const 与let相同但多出只读属性 const name = 'tom' const name = { } name.name = 'jack' //不会报错 因为他只是改变了地址的值 name = {} //会报错,const不能被赋值 这相当于给name赋值了一个新的空数组 数组的解构 const arr = [1,2,3] const [foo,baz,bar] = arr console.log(foo,baz,bar) // 1,2,3 const [,,bar] = arr console

weixin_42499553的博客 266

JavaScript 62 JavaScript 版本 62.4 ECMAScript 2016

JavaScript 62 JavaScript 版本 62.4 ECMAScript 2016

代码改变世界 516

标准制定过程展示及ES7新特性披露

2015年6正式发布的ES6是ECMAScript的最新版本,它的发布具有里程碑意义,不仅带来了众多的新特性, 而且自此将改变ECMAScript的发布策略。本文将会介绍ECMAScript标准的最新制定过程, 并简要的介绍将会出现在ECMASCript 2016中的主要新特性。 基础知识 ES6作为ECMAScript的最新版本,在ES6发布的近6年后才被正式标准化(2009年12月

OpenRS 656
上一篇: ES2015 生成器与生成器的应用场景
下一篇: ECMAScript2017新特性
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