找了无数篇什么是绝径路径和相对路径,还不如我画的这张图

【上海大学计算机组成原理实验报告】七、程序转移机制 学习实现程序转移的硬件机制//掌握堆栈寄存器的使用//手动方式实现子程序调用转移过程//手动方式实现子程序返回转移过程//编程实现`OUT`寄存器交替显示`11`和`55`//若要求`11`和`55`各显示`50`次后停机,应该如何修改程序?//根据实验指导书的相关内容,实验箱系统的程序转移硬件机制在于,当`LDPC`有效时,如果此时`DUBS`上的值就是转移的目标地址,则此目标地址被打入`PC`,从而实现程序的转移;若`LDPC`为`0`是附带条件的,就形成“条件转移”。 阅读详情

路径文件概念

文件好理解,比如D盘下的a.txt就是一个文件。

路径是指的文件在操作系统上的位置,比如D盘下,就表示一个位置,也就是路径。

windows和linux对路径的不同处理

好比两个程序员,写程序的时候习惯不同,两个操作系统对路径写法的规定也是不一样的。

windows是用\,而linux是用/,windows根目录是盘符C:\,而linux根目录是/

例如

C:\a.txt
/mnt/a.txt

文件路径的字符串表达

  • Linux非常好理解,直接加上单引号或双引号
    “/mnt/a.txt”
    ‘/mnt/a.txt’

  • windows下因为使用的\是转义字符,所以要用才能在字符串中表达一个的真正含义

    “C:\a.txt”
    “C:\a.txt”

绝对路径与相对路径

所谓绝对路径,是指从根目录算起来的路径。
所谓相对路径,是指相对于当前工作目录来说的,当前工作目录就是指的程序锁在的目录。
一般用.表示当前目录,用…表示父目录。
比如:
程序文件:C:\temp\a.py
a.txt表示C:\temp\a.txt
.\a.txt表示C:\temp\a.txt
…\a.txt表示C:\a.txt
…\tt\a.txt表示C:\tt\a.txt


在这里插入图片描述

如果对软件测试、接口测试、自动化测试、持续集成、面试经验。感兴趣可以进到893694563,群内会有不定期的分享测试资料。还会有技术大牛,业内同行一起交流技术

YOLOv8【第十二章:数据增强与数据工程篇·第10节】主动学习(Active Learning):如何挑选最有价值的样本进行标注! 🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。 阅读详情

相关推荐

基于Dify构建银行智能客服:从意图识别到多RAG架构的实战解析

本文深入解析了如何利用Dify平台构建银行智能客服系统。从传统客服痛点出发,详细阐述了基于意图识别精准分类用户需求,并通过多RAG架构解决知识混淆问题,实现高效、准确的业务响应。文章重点介绍了结合工具调用实现业务流程自动化,并强调了数据本地化部署、内容安全过滤等银行级安全合规实践,为金融行业AI应用提供了实战指南。

yog99的博客 926

怎么区分相对路径和绝对路径(图解)

文章目录前言1. 相对路径:当前资源与目标资源的相对位置关系情况1情况2情况3情况4关键原理2. 绝对路径:是指文件在硬盘上真正存在的路径缺点 前言 在HTML里只要涉及文件的地方(如超级链接、图片等)就会涉及绝对路径与相对路径的概念。 1. 相对路径:当前资源与目标资源的相对位置关系 大家先了解一下几个概念: 当前目录: 以 ". / " 或者 省略 开头 上一级目录:以" . . / " 开头 网页1.html 的当前目录是web文件夹,上一级目录就是test文件夹。 bg1.jpg

weixin_622464的博客 3640

VASP实战:从非共线磁矩到自旋轨道耦合磁各向异性能的完整计算流程解析

本文详细解析了VASP中从非共线磁矩计算到自旋轨道耦合磁各向异性能的完整流程。通过实战案例和参数配置技巧,帮助研究者掌握非线性磁矩计算的关键步骤,包括SOC参数设置、文件传递逻辑以及磁各向异性能的精确提取方法,为材料磁性研究提供实用指导。

weixin_31102231的博客 411

什么是绝径路径和相对路径,我敢说还有很多人搞不懂

路径文件概念 文件好理解,比如D盘下的a.txt就是一个文件。 路径是指的文件在操作系统上的位置,比如D盘下,就表示一个位置,也就是路径。 windows和linux对路径的不同处理 好比两个程序员,写程序的时候习惯不同,两个操作系统对路径写法的规定也是不一样的。 windows是用\,而linux是用/,windows根目录是盘符C:\,而linux根目录是/ 例如 C:\a.txt /mnt/a.txt 文件路径的字符串表达 Linux非常好理解,直接加上单引号或双引号 “/mnt/a.txt” ‘

Action_Code的博客 538

【ArcGIS Add-in编程】如何创建ArcMap的下拉菜单插件

step1. VS2010中创建一个空的解决方案step2.创建一个项目 直接点击finish。step3 为该项目创建项目,选择Menu,作为根菜单,而后修改xml中的items项,添加需要放在下拉菜单中的项目,例如一个按钮; step4 现在可以创建项目,作为菜单中的项目。为该项目添加新的项目,选择button 此时 xml文件中,多了该button的项目,将该项目添加到items

吃货小跟班的博客 4431

基于stm32f407VGT6控制WS2812的TIM1+PWM+DMA实现方式

项目中使用到了ws2812灯带,作为产品的外观显示灯,经过开发之后,整理一下,仅供大家参考。 WS2812B是一个集控制电路与发光电路于一体的智能外控LED光源。 其外型与一个5050 LED灯珠相同, 每个元件即为一个像素点。 像素点内部包含了智能数字接口数据锁存信号整形放大驱动电路, 还包含有高精度的内部振荡器和可编程定电流控制部分, 有效保证了像素点光的颜色高度一致。数据协议采用单线归零码的通讯方式, 像素点在上电复位以后, DIN端接受从控制器传输过来的数据, 首先送过来的24bit数据被第一个像素

weixin_43608153的博客 9214

一张图带你理解 绝对路径 和 相对路径

绝对路径和相对路径是用于定位文件或目录位置的两种不同方式。

风也温柔☆的博客 3315

从像素到光影:解析《黑神话:悟空》中Nanite与Lumen的协同渲染革命

本文深度解析了《黑神话:悟空》如何利用Unreal Engine 5的Nanite与Lumen技术实现渲染革命。Nanite处理亿级多边形几何细节,无需传统LOD优化;Lumen提供全动态全局光照,实现实时光线反弹。两者协同工作,为游戏带来电影级视觉体验,重塑了实时渲染的技术标准与工作流程。

f6g7h8i9j的博客 425

img绝对路径图片显示_面对相对路径和绝对路径的分岔口,你选对了吗?

本文作者:崔赵雯,中南财经政法大学金融学院文字编辑:任 哲技术总编:张馨月爬虫俱乐部云端课程  爬虫俱乐部于2020年暑期在线上举办的Stata与Python编程技术训练营和Stata数据分析法律与制度专题训练营在不久前已经圆满结束啦~应广大学员需求,我们的课程现已在腾讯课堂全面上线,且继续提供答疑服务。现在关注公众号并在朋友圈转发推文《来腾讯课堂学Stata和Python啦!》或《...

weixin_39602891的博客 1018

[内网基础] 内网基础知识 —— Windows 工作组

在一个大型单位里,可能有成百上千台计算机互相连接组成局域网,如果不对这些计算机进行分组,网络的混乱程度是可想而知的。Windows 为了解决这一问题,就产生了工作组(Work Group)这个概念。Windows 工作组尝试将不通的计算机按功能(或部门)分别列入不同的工作组,例如技术部的计算机都列入 “技术部” 工作组、行政部的计算机都列入 “行政部” 工作组。要想访问某个部门的资源,只要在 “网络” 里双击该部门的工作组名,就可以看到该部门里的所有计算机了。

Blue17 の 小窝 1617

提示词编写:从新手到专家的进阶之路

本文旨在为提示词编写者提供一条从新手到专家的进阶之路。我们将详细探讨提示词编写的背景与意义、基础与进阶技巧、实战应用以及最佳实践。通过逐步深入的分析与实操,读者将掌握提示词编写的核心要点,提高编写效率和作品质量。提示词是用于引导人工智能生成文本的关键词或短语,它包含了作者想要传达的主题、情感和细节。随着人工智能技术的普及,自动化写作工具逐渐应用于各行各业。为了提高写作效率,项目团队决定开发一款基于人工智能的自动化写作工具。成功开发了一款自动化写作工具,生成文本质量较高。

AI天才研究院 1087

解析相对路径和绝对路径(以图片为例)

以图片为例,详细解释了相对路径与绝对路径的区别及其用法

SSS4362的博客 7184

CAM350常用快捷键

CAM350快捷键 CAM350常用快捷键

bhxc809751502的博客 3066

Web 图片引用之相对路径与绝对路径

欢迎来我的博客查看原文。 相对路径与绝对路径,在 Web 开发中我们会经常遇到,本文将尽可能详细的讲解相对路径与绝对路径的区别,并举例说明。 一、基本概念 相对路径(Relative Path): 相对路径就是指由这个文件所在的路径引起的跟其它文件(或文件夹)的路径关系。也就是指相对于当前位置的路径。 绝对路径(Absolute Path): 绝对路径是指目录下的绝对位置,直接到达目标位置...

桌子LZT的博客 9059

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")

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

img的src使用绝对路径显示图片

<div> <img alt="" src="images/废物点心.jpg"> <img alt="丢失" src="E:/帅哥合集/好好笑.jpg"> </div> 第一张图片,存在和html文件并列的一个文件夹images中,使用相对路径;第二张在E盘中,复制路径得到绝对路径。用eclipse中Internal web browser打开结果如下: 但用外部浏览器打开,得到结果如下: 可见,使用外部浏览器打开时,第二张图片绝对路径未生效。修改

Cosmoshfx的博客 1万+

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。

css中插入图片时的相对路径和绝对路径

css中插入图片时的相对路径和绝对路径

sunshine5050的博客 3万+

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

以html中插入图片为例,聊一聊绝对路径和相对路径的区别

我们都知道,在网站上插入图片要用到html的img标签中的src属性。src即source(来源)的缩写,也就是图片的url(或者说地址、路径)。通过查阅文档(例如w3school网站),可以看到这个属性的语法。 如下图 里面有提到相对路径和绝对路径两种说法。相信还是有一些朋友比如我第一次看到上图的解释是懵的。 相对路径与绝对路径的区别 ❶首先,绝对路径是指目录下的绝对位置,直接到达...

weixin_43723935的博客 8440

Java 获取图片的绝对路径方法

ImageIcon imglogo = new ImageIcon(ClassLoader.getSystemResource("com/code/test/image/loading.gif"));

夕慕慕的博客 9634

解决页面绝对路径下的图片不显示问题

问题描述: 我将图片保存到本地磁盘下,然后数据库中保存的是图片的绝对路径。可是在jsp页面中显示的是图片的绝对路径,但不是图片,具体代码如下:&lt;img src="E:\Cache\Img_Cache\20171213091911.jpg"/&gt;原因分析 :原来tomcat默认是在项目的根目录下去找图片,&lt;img src="http://localhost:8080/znkj/ima...

hans的博客 2万+

img绝对路径图片显示_图片

使用img标签来显示一张图片,是单标签。对于img标签,只需要掌握它的3个属性:src、alt和title。(1)src属性:指定这个图片所在的路径,这个路径可以是相对路径,也可以是绝对路径。两种路径的区别可以百度查看,挺好理解的。(2)alt属性:当图片无法显示时,页面会显示alt中的文字。(3)title属性:当鼠标指针移到图片上时,会显示title中的文字,对这个图片进行说...

weixin_39926042的博客 3022

HTML:使用绝对路径插入图片后在浏览器中无法显示的问题

在HTML5中,插入图片有两种方式,一种是相对路径,一种是绝对路径。 在做网页和WEB项目的时候,大家还是用相对路径好一点(包括但不限于图片资源,包括其他资源文件),因为,用绝对路径容器出问题。下面,就是我今天使用绝对路径插入图片遇到的问题: 却出现了一个这样的错误: 大概意思就是web服务器无法访问本地文件。怎么办呢?其实,不用web服务器打开就没问题,直接找到这个项目的路径,在文件

cslucifer的博客 5万+

css图片的绝对路径和相对路径

在CSS文件里,有时要用到background,即加一个背景图片,添加的路径根据图片及css文件的相对位置分以下两种类型: 1.同包下:background : url(xxx.jpg); 2.不同包: 在这种情况下有2中方法可以设置,一种是使用绝对路径,即C:\Users\dellpc\Desktop\Pro\test\images\xxx.jpg或者是http://www.xxx.com/xxx.gif这种,不过一般不推荐这么用,不利于项目移植;一种是使用相对路径,首先需要找到图片文件和css文件共同的

qq_45716607的博客 7031

绝对路径与相对路径(html,css插入图片的位置方式)

加粗样式 在学习了html后发现,很多时候图片的引用会出错,如果图片不是正好保存在html文件目录下,可能就会找不到图片路径,所以,今天就是记录一下图片的位置要怎么确定。 首先,是绝对路径,就是把图片的所有信息都包括进去,例如D:\图片\cartoon\1.jpg。 其次是相对路径,第一种,html和Jpg图片保存在同一个文件夹,这时可以直接利用图片名引用,如1.jpg; 第二种,html文件与保存图片的文件夹同级,如图二第二种,这是应该利用文件夹名+图片名引用,如img/1.jpg; 第三种,图片与保存h

qq_44128305的博客 1万+

html里面怎么展示绝对路径的图片

我这边遇到一个问题,spring boot 打jar包,图片路径会出问题 所以这边最后讨论出一个解决方案。图片设置到当前项目的一个路径下面,然后通过二进制流访问图片 为什么要这样子写呢?因为我们的图片地址是一个绝对路径展示,而在html上面,是不能展示绝对路径的。 所以我们通过二进制流来访问图片地址@RequestMapping("/getImage") public void get

rendeyishi的专栏 7958
上一篇: 看了这么多Python基础资料,只有这篇讲楚了列表所有的用法
下一篇: 我把datetime里的2个常量和5个,给你分析的清清楚楚, 这次你肯定知道怎么用了
码上开始
博客等级 码龄9年 1780粉丝 294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

打赏作者

码上开始

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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