回校了

STM32F407+LAN8720网口不通?别慌,手把手教你用CubeMX和HAL库搞定RMII配置与调试 本文详细介绍了STM32F407与LAN8720网口不通的全面排查与解决方法,涵盖硬件检查、CubeMX配置、PHY芯片初始化和LWIP协议栈优化。通过RMII接口配置、时钟树设置和PHY芯片调试,帮助开发者快速定位并解决网络连接问题,提升嵌入式网络开发效率。 阅读详情

16号早上六点半火车开到南京,一夜的火车,十个多小时,没睡一个囫囵觉也没吃饭,在火车上没有吃饭的习惯,又困又累但不饿。拿着简单的行李,就被后边的人簇拥着走下了火车。刚下车就感到冷冷的,南京的天气突然冷了许多。


出站后,和在车上一路走来的人道别,互相笑着说了声“再见”。我转过头却再也笑不出来,因为我知道不会再见。有些人注定只能相遇在路上,却不能走入你的生活。有时间相遇,却没有足够的时间相处,这也许就是所谓的人生的戏剧性吧。何必多想,生活也许就是这样,没有人会去在意别人的生活,不是吗?早已习惯了一个人背着行囊独自上路,一路的遇见,一生的告别,没有什么会永垂不朽的。


想起了自己暖和的被窝,我不尽加快了步伐,匆匆忙忙买了票,就跟着人群上了地铁。说来,真得感谢政府,修了地铁,方便了俺们南大学生,地铁从火车站直接通到南大门口。以前,坐公交要一个多小时,现在不到十分钟。还不到凌晨七点,车上人很少,座位都是空的。以前哪有这种待遇,坐地铁的时候多数人满为患,很少有坐的时候。一会就到站了,出了站,才发现原来在下雨,不大,但打在脸上,凉。抬头望去,一切都是灰蒙蒙的,冷风吹过来,我才开始慢慢地清醒。


在这个离家近千里的城市生活了半年,依然觉得如初来乍到般陌生,唯一熟悉和习惯的,就是这清凉而孤寂的天气。想到这里,心里一阵酸,走进雨里。 

赛豆科技 AIVA 汽车智能体架构演进面试题与答案 摘要 赛豆科技AIVA汽车智能体架构从座舱AI演进到整车智能体,最终实现自进化的超级智能体。其核心是"先有AI再有车"的理念,将AI作为产品主轴而非附加功能。架构设计采用端-边-云协同,确保低延迟响应;整车智能体通过Planner、Tool Registry等关键组件实现自主决策;自进化机制结合车端个性化学习和云端群体学习,并设置多重安全验证。多域协作采用分层架构,关键安全功能仍由确定性逻辑控制。该架构实现了从被动响应到主动服务的范式转变,使车辆能够持续进化。 阅读详情

相关推荐

Apple CarPlay Certification Guide December 2022 解析V1.0

Apple CarPlay Certification Guide December 2022更新说明

m0_74450450的博客 703

回校分享经验.

今天回校分享工作和学习经验哦!10个班,500人左右.还蛮多漂亮的小师妹嘛.HAHA.前两天(星期六日)还加班.少儿模特大赛...不过,表演还蛮好看的.呵~~~现在的小朋友啊.老接滚嘛!不错不错!

xdk的专栏 972

HAMi 核心模块与架构设计

HAMi 的架构设计是围绕 Kubernetes 生态系统构建的,通过扩展 Kubernetes 的调度能力和设备管理能力,为用户提供了高效、灵活的异构设备虚拟化和管理解决方案。

北斗云的博客 2552

python+django+vue大学生返乡回校查询统计系统flask

在设计中采用“自下而上”的思想,在大学生返乡回校统计实时查询系统模块中实现了个人中心、学生管理、学院信息管理、物品分类管理、核酸信息管理、防疫物品管理、物品申领管理、离校申请管理、回校申请管理、暂不返校申请管理、留校申请管理、在线论坛、系统管理等的功能性进行操作。返乡报备管理:对学生上传的返乡信息进行增、删、改、查以及进行审核。返校报备管理:对学生上传的返校信息进行增、删、改、查以及报备审核(利用可视化的数据图表查询和展示返校人数和目前未返校人员的占比)(利用Excle进行返校人员信息的导出)。

QQ_402205496的博客 992

【网络】PFC背景和原理 、文档(DCB=PFC + ETS,DCBX=DCB扩展)

目录 零、背景 一、PFC 1.概述 2.报文格式 3.工作机制 二、ETS 产生原因 基本原理 优先级组的调度 优先级的调度 三、DCBX 产生原因 基本原理 DCBX TLV介绍 五、PFC 拥塞研究(文档收集) 六、DC-QCN算法 (网络工程师必会) 7.1 α更新 7.2 降速 7.3 提速 8.总结 ...

小鱼菜鸟的博客 2165

MATLAB演示元胞自动机算法

一、元胞自动机理论 元胞自动机与格子理论是一个非常好的模型,许多复杂的问题都可以通过它来建立模型,下面就简要介绍一下。 元胞自动机 实质上是定义在一个具有离散、有限状态的元胞组成的元胞空间上,并按照一定的局部规则,在离散的时间维度上演化的动力学系统。 元胞 元胞又可称为单元、细胞,是元胞自动机的最基本的组成部分。 元胞具有以下特点: 元胞自动机最基本的单元。 元胞有记忆贮存状态的功...

frange zone 2万+

【计算机毕业设计】287大学生返乡回校统计实时查询系统

基于web的大学生返乡回校统计实时查询在设计中采用“自下而上”的思想,在大学生返乡回校统计实时查询系统模块中实现了个人中心、学生管理、学院信息管理、物品分类管理、核酸信息管理、防疫物品管理、物品申领管理、离校申请管理、回校申请管理、暂不返校申请管理、留校申请管理、在线论坛、系统管理等的功能性进行操作。最终,对基本系统开展了检测,包含系统功能测试、还对测试进行分析;测试分析结果表明,该系统能够实现所需的功能,运行状况尚可并无明显缺点。管理员:系统登录。用户管理:对用户信息进行增、删、改、查。

QQ58850198的博客 1113

uniapp [安卓苹果App端] - 实现支付宝支付功能+拉起支付宝app付款支付后返回跳转到原页面,详解uniApp如何唤起本机支付宝并跳转到支付页面全流程及示例源码(APP端支付宝支付,支持打包

全网最详细的uniapp支付宝支付教程,uniapp支付宝支付流程,uni-app项目在APP端使用支付宝支付功能,uniapp前端实现支付宝支付,uniapp中唤醒支付宝进行支付并返回app,uniApp调起支付宝支付失败报错,uniapp app端调支付宝支付接口,uniapp开发安卓App对接支付宝支付,uniapp苹果ios唤起支付宝支付,uniapp调用支付宝支付uniapp开发app-调用支付宝支付,uniapp开发安卓苹果app如何接入支付宝支付,UniApp中实现支付宝支付功能,支付报错,调

🏆 前端领域优质创作者 1万+

一位码农的人生自述(一)------回校

回校 本站文章均为 ch_984326013原创,转载务必在明显处注明:  原文链接:http://blog.youkuaiyun.com/ch_984326013/article/details/7711353(版权所有,翻版必究。)        今天收拾好行李,踏上了回校的列车,说实话心情异常复杂,有欣喜也掺杂着感伤。我兴奋,阔别半年多的同学即将集聚一堂,大伙终于又可以打着地铺睡屋顶,彻夜长谈了。

ch_984326013的专栏 1395

华为OD机试新系统真题 【LLM推理批次最大化】

华为OD机试 新系统真题【LLM推理批次最大化】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【LLM推理批次最大化】多语言题解。

qq_45776114的博客 573

《UDS协议从入门到精通》系列——图解0x22:通过ID读数据

如何向车辆ECU通过DID写入数据?有哪些注意事项?图解+示例带你快速上手0x22服务!!

车载系统攻城狮 8712

java+vue计算机毕设大学生返乡回校统计实时查询【开题+程序+论文+源码】

在当今全球疫情背景下,高等教育机构面临着前所未有的挑战,尤其是在学生管理、疫情防控及物资调配方面。随着大学生因疫情或其他个人原因频繁往返于家乡与学校之间,高效、准确的学生流动信息统计变得尤为重要。传统的纸质申报和人工审核方式不仅耗时费力,还容易出错,难以满足当前复杂多变的防控需求。因此,开发一个集学生返乡回校统计与实时查询功能于一体的信息系统,成为提升高校疫情防控效率、保障师生安全的关键举措。

明思计算机毕设 925

Python爬虫零基础入门【第九章:实战项目教学·第17节】内容指纹去重:URL 变体/重复正文的识别!

我长期专注 Python 爬虫工程化实战,主理专栏 👉 《Python爬虫实战》:从采集策略到反爬对抗,从数据清洗到分布式调度,持续输出可复用的方法论与可落地案例。内容主打一个“能跑、能用、能扩展”,让数据价值真正做到——抓得到、洗得净、用得上。

喵手的博客 824

回校后的第一篇log

  回校了,偷懒睡了一天的觉。其实吧,回到学校就自然而然有了一种颓废感。一方面可能是室友们都无所事事的样子所致,另一方面也是因为突然没了工作的压力,不需要早起吧。说起来即将要去ZTE Soft工作了,还是蛮期待的。以后要加油啊! 转载于:https://www.cnblogs.com/PengJohn/p/10676692.html...

anqiongtong0779的博客 104

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

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")

大学生返乡回校统计实时查询系统

返乡报备管理:对学生上传的返乡信息进行增、删、改、查以及进行审核。返校报备管理:对学生上传的返校信息进行增、删、改、查以及报备审核(利用可视化的数据图表查询和展示返校人数和目前未返校人员的占比)(利用Excle进行返校人员信息的导出)。2.防疫物申领:通过分类以及搜索的方式查看所有的防疫物品信息,对有库存的防疫物品可以进行申领,套通过教务人员的审核。物品申领管理:对物品信息进行增、删、改、查以及完成申请的审核。信息上传管理:对学生上传的信息进行增、删、改、查。物品管理:对物品信息进行增、删、改、查。

qq840612233的博客 603

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

准备回校

后天就要回学校了,挺期待的,真希望自己能静下心来认真的钻研一个月,当开学时大家都回校时,我希望自己已经领先别人了。。。。这几天就在家好好玩玩吧,其实这么快就离开家里有点舍不得。。。。怎么庭哥不跟我一块回学校呢,好希望我们能一起奋斗,我记得这还她说过的“我们一起奋斗”,哎,我说什么她都不怎么相信我。。。。。还是自己一个人回去吧,别想那么多了。加油!!!!!

Smile 662

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

基于springboot框架的大学生返乡回校统计实时查询系统vue

本次毕业设计主要围绕老师要求的设计与实现展开,通过综合运用现代信息技术,旨在解决传统管理系统中存在的流程冗杂、信息孤岛化、评审透明度不足等问题。在系统的设计与实现过程中,我们采用了SpringBoot框架和MySQL数据库等先进技术,实现了系统的前后端分离、模块化设计以及高效的数据处理与存储功能。通过本次毕业设计,我成功构建了一个高效、安全、易用的毕业设计定系统。该系统不仅提高了传统的效率和透明度。同时,系统的无纸化操作也符合当前环保和可持续发展的理念。

QQ_1963288475的博客 850

回校

在五一前返回了学校,希望能推动paper进展。

Alice's JAVA 2797

要回校了

   还有三天就回学校了,感觉好像回家一样,有那么多的朋友,好开心啊。   回学校,是托了考试的福啊,哈哈,要不是因为考试我可能要到毕业设计才能回去了。   这次的实习,感觉自己成长了不少,对人,对事,学习。。。。。   这次要见的朋友好多,大家在一起的时间不多了,毕业了,也许再也见不到了,想想真觉得伤感。好久没有写日记了,为了让这个博客数量多点,哈哈。。。。。   Im coming back

meteorWJ's Home—Floating clound 815

回校;回家

回校;回家颠沛了12个小时,终于到了北京。下车后扑面而来的清新,带着首都的包容,将我紧紧包围。畅饮了一口的周身细胞,激发出回校的无穷动力。奔跑,追寻,我踏上103的车厢,向着学校逐去。清晨的日晖,隔着车窗抚摸着我的倦容;我就在渐趋喧嚣的大街上,走进了学校的大门。似乎,胸口有什么跳动了一下,那是欣喜的讯号;我提着行李,飞奔在校园里,像是随着稻香河流一起奔跑的孩子。。。。。。回校...

weixin_34198797的博客 90

基于python框架的大学生返乡回校统计实时查询系统vue

该系统通过Python后端提供高并发数据处理能力,结合Vue的响应式前端,可实现每分钟500+行程记录的实时处理,定位精度达到街道级,适合高校疫情防控场景需求。对于本系统,我们提供全方位的支持,包括修改时间和标题,以及完整的安装、部署、运行和调试服务,确保系统能在你的电脑上顺利运行。需要成品或者定制,如果本展示有不满意之处。点击文章最下方名片联系我即可~,总会有一款让你满意。数据库工具:Navicat/SQLyog/ MySQL Workbench等都可以。查看详细的视频演示,或者了解其他版本的信息。

懒人的博客 169

想回校

昨天一鸿发短信告诉我他考上公费研究生了,真的很替他高兴,很多次的在考研和工作之间徘徊,最终还是坚定信心,执著于向理想进发。就像一个励志的故事在身边真实的发生,我很幸运,在我的身边有那么多的人值得我去学习,提到他们我心里也充满骄傲。我曾经和那么多优秀的人一起度过了最宝贵的大学时光,终生无憾了。 今天起床的时候好想现在已经身在长春,虽然那个地方并不是山清水秀,但在

haojieguangxin的专栏 388

回校有感

阅读全文 类别:我准备我成功?查看评论

iteye_21066的博客 178

回校 离校

任务完成了,,,还有一分钟下班。回家收拾东西回学校,回校就意味着离校。 不知道有多少同学和我一样嘞? 加油吧! 无论我们选择哪条路都会有崎岖,但是我相信终究会过去! A za A za!...

kaka 159

springboot大学生返乡回校统计实时查询_mu89w

开发工具:IntelliJ IDEA,VScode;数据库管理软件:Navicat;服务器运行平台:Tomcat;开发技术框架:MyBatis,Spring Boot,Vue;客户端运行平台:Google。(1)框架搭建:利用IntelliJ IDEA、MySQL,构建Spring Boot、Spring MVC、MyBatis 集成开发项目环境。(2)系统界面的设计,排版简洁美观。(3)数据库的设计,数据库设计的好坏也会直接影响到管理系统能否正常运行。(4)确保系统功能没有问题。

qq_3166678367的博客 835
上一篇: gcc创建共享库
下一篇: 属性文法
mindview
博客等级 码龄19年 7粉丝 10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