Linux04 常用权限命令

Linux 权限常用命令 在 Linux 系统中,权限管理是非常重要的一项任务。通过正确配置文件和目录的权限,可以确保系统的安全性和可靠性。本文将介绍一些常用的 Linux 权限命令,帮助您更好地理解和管理权限。 阅读详情

 

linux三种文件类型

                    普通文件: 包括文本文件、数据文件、可执行的二进制程序文件等。

                   目录文件: Linux系统把目录看成是一种特殊的文件,利用它构成文件系统的树型结构。 

                   设备文件: Linux系统把每一个设备都看成是一个文件(了解,和驱动有关)

文件类型标识

         -       普通文件

        d       目录

         l        符号链接

        c       字符设备文件

        s        块设备文件

        s        套接字

        p       命名管道

文件权限管理

 chmod  变更文件或目录的权限

           赋权方式一: 用数字相加的和的方式赋权    第一个数字代表用户 第二个代表组 第三个代表其他用户的权限

                                            最小赋权                    chmod  000 a.txt 

                                             最大赋权                   chmod 777 a.txt 

             赋权方式二:       u代表用户  g代表组   o代表其他用户                             

                                        chmod u=rw,g=wr,o=rx a.txt                         

            

chown 变更文件或目录所属用户和组

             chown userA:public a.txt  :      变更当前的目录或文件的所属用户和组           userA是用户    public为组  

             chown -R userA:public a:        变更目录中的所有的子目录及文件的所属用户和组  a是目录

 

2025年(第十一届)全国大学生统计建模大赛论文及选题分析 基于数据驱动决策:整个研究围绕给定的洪水灾害相关数据进行深入挖掘和分析,从数据清洗、特征分析、模型建立到最终预测,每一步都以数据为基础,通过对数据的有效利用来揭示洪水灾害发生的相关规律和特征,为洪水灾害的风险评估和预测提供依据,符合数据引领未来决策的理念。实际应用导向:洪水灾害是现实中严重影响人类生命财产安全和社会经济发展的重要问题,本研究旨在实现对洪水灾害的预测,其成果可直接应用于防洪减灾工作,如洪水预警、风险评估与区划等,对实际防灾减灾工作具有重要的指导意义,体现了以数据为支撑服务实际应用的特点。 阅读详情

相关推荐

通义千问语言模型Qwen2.5架构详解

此外,将基于API的模型 Qwen-Plus 与领先的专有和开源模型进行了对比,包括 GPT4-o、Claude-3.5-Sonnet、Llama-3.1-405B和DeepSeek-V2.5。Qwen2.5-Math-72B-Instruct的整体性能超越了Qwen2-Math-72B-Instruct和GPT4-o,甚至是非常小的专业模型如 Qwen2.5-Math-1.5B-Instruct也能在与大型语言模型的竞争中取得高度竞争力的表现。近来也出现了明显的转向小型语言模型(SLMs)的趋势。

搏博的专栏 1万+

Linux权限管理命令

Linux权限权利命令 改变文件或目录权限 改变文件或目录的所有者 改变文件或目录的所有组 显示、设置文件的缺省权限

C_aflte的博客 978

Matlab激活失败?手把手教你解决License checkout failed问题(附详细截图)

本文针对Matlab激活后出现“License checkout failed”错误的常见问题,提供了详细的解决方案。核心在于精准定位并正确填写Windows系统用户名,而非计算机名或账户全名。文章通过分步截图和命令指引,手把手教你使用`whoami`命令获取正确信息,并重新运行激活程序,从根本上解决因用户名填写错误导致的许可检查失败问题。

weixin_29062823的博客 585

Linux用户和权限命令大全

权限可以用3位数字来代表,第一位数字表示用户权限,第二位表示用户组权限,第三位表示其它用户权限。比如,针对某文件,可以控制用户的权限,也可以控制用户组的权限。注意,只有文件、文件夹的所属用户或root用户可以修改。命令,可以修改文件、文件夹的所属用户和用户组。命令,同样可以查看当前系统中有哪些用户组。在我们得知root密码的时候,可以通过。命令,可以查看当前系统中有哪些用户。命令,修改文件、文件夹的权限信息。用户拥有最大的系统操作权限,而。su命令用于账户切换的系统命令。

柯哆的博客 2667

Dify 从入门到熟悉100 天的学习大纲

理解 Dify 的核心概念,熟悉操作界面,并能创建简单的 AI 应用。祝你在这 100 天的旅程中学有所成,成为一名优秀的 AI 应用开发者!掌握生产环境部署、监控、调优,并关注 Dify 生态和前沿动态。探索多模态、Agent、API 集成、性能优化等高级主题。掌握工作流编排、高级提示词技巧、知识库优化等核心功能。

IT深耕十余载,大道之简 1740

山东大学软件工程应用与实践——GMSSL开源库(六)——SM9密钥交换协议

2021SC@SDUSC 文章目录基本概念符号及辅助算法SM9密钥交换协议 基本概念 1976年,Diffie和Hellman在其题为《密码学的新方向》的论文中首次给出了公钥密码学的定义,并提出了Diffie-Hellman密钥交换算法。该算法解决了对称密码体制中的密钥分发问题,使得通信双方可以通过公开信道安全地交换共享密钥。 使用SM9通信的双方通过对方的标识和自身的私钥,经过两次或者可选的三次信息传递过程,计算获取一个由双方共同决定的共享秘密密钥。该密钥可以作为对称密码算法的会话密钥,其中可选步骤用来实

m0_51588039的博客 1988

Linux系统权限操作命令大全

在Linux系统中,文件和目录的权限对于系统安全和用户访问控制至关重要。权限定义了哪些用户(文件的所有者、文件所属的组内的成员、以及系统中的其他所有用户)可以对文件或目录进行哪些操作。

byte轻骑兵的技术小窝 2887

清洁机器人之屏幕(中,大LCD)方案--ITE 联阳986x系列 soc显控芯片介绍

清洁机器人之屏幕(中,大LCD)方案--ITE 联阳986x系列 soc显控芯片介绍

AIoT深度探索者 | 嵌入式系统架构师 深耕物联网(IoT)与人工智能(AI)融合技术,聚焦​​边缘计算、图像开发、低功耗通信协议​​,致力于智能硬件,关注我获取最新技术文章信息与海量资源~ 2669

【Linux】——Linux 常用命令及权限

Linux 常用命令及小细节

潘潘的博客 1807

在jetson上对fastdeploy进行源码编译(完整版)

在大多数Linux发行版中,你可以使用包管理器安装Python开发包。根据jetpack的版本选择对应的推理库版本。在~/.bashrc中写入这三行。

如果想成为中心,那么就到中心去吧。 680

基于强化学习的多无人机路径规划

我们使用了Dueling Double Deep Q-Network(DDDQN)算法来训练智能体,这个算法在深度Q学习算法的基础上进行了升级,具有更快的收敛速度和更好的性能。本文提出了一种基于强化学习的算法,实现了多无人机路径规划,并提供相应的MATLAB代码。通过基于强化学习的多无人机路径规划算法,我们能够高效地解决复杂环境下的任务需求,并在实际应用中取得了良好的效果。首先,我们定义了状态空间和动作空间。实验结果表明,我们的方法能够有效地解决多无人机路径规划问题,提高了任务完成的效率和准确率。

DjjPython的博客 822

linux修改last权限,Linux常用命令2/3(有关用户、权限管理的命令)--Unix/Linux操作系统04...

用户是Unix/Linux系统工作中重要的一环,用户管理包括用户与组账号的管理。在Unix/Linux系统中,不论是由本机或是远程登录系统,每个系统都必须拥有一个账号,并且对于不同的系统资源拥有不同的使用权限。Unix/Linux系统中的root账号通常用于系统的维护和管理,它对Unix/Linux操作系统的所有部分具有不受限制的访问权限。在Unix/Linux安装的过程中,系统会自动创建许多用户...

weixin_35747785的博客 243

【Mode】多模干涉仪的设计 Multi-mode interferometer(MMI)

与 Splitter 器件一样,MMI 器件也是一种常见的分光器件,可以根据用户的需求将光束分成不同的比例。本文,我们将介绍如何仿真 MMI 器件。这里我们使用的是 1x2 MMI,其本质上是由四个部分组成的,中间的矩形多模式干涉区域以及左右两侧的三个 taper 模式转换区域。之前的教程中我们也提及了,为了获取稳定的模式场分布,通常,我们需要进行模式收敛性扫描。这里以官网给出的案例为例。如何提取 S 参数我们先暂时不做介绍,后续有时间了我们再做介绍。

u011699626的博客 1220

linux 快速入门

本文介绍了**linux** 以及常用命令(以**ubuntu18.04**为例),能够应付实际开发中的一般场景,重点在文件权限和用户组管理这两节,其涉及到了**linux**的核心问题——权限,其次关于**crontab** 系统定时任务,其涉及到了**shell脚本**的知识。

qq_56109699的博客 900

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")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【Linux】Linux下常用搜索命令及其常用选项小结

版本信息:Ubuntu 18.04.6 LTS最后更新日期:2023.8.18。

C/C++攻城狮 1410

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。

Linux(ubuntu16.04 | ubuntu 18.04)下的一些常用命令操作细节整理

# 本文整理了Linux(ubuntu16.04)上常用的大约几十个命令,并讲述了相关的操作细节: # cd、pwd、ls、clear、mkdir、touch、rm、cp、mv、tree、chmod、find、grep、重定向>、ln 软链接、硬链接 、压缩zip tar 、exit 等等 -------------------------------------------------...

DefaultTest的 编程试验场 1568

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

3-Ubuntu 16.04 终端操作及常用命令综合

例如,如果用户在当前目录下创建一个名为test的新目录,使用mkdir -v test命令,系统会显示类似于“Created directory 'test'”的信息,从而确认目录已经被创建‌;命令用于在文件系统中创建新的目录。若还存在其他文件/目录/命令,再按一下tab 键,系统会提示可能存在的 “ 文件/目录/命令 ”,同时将已经敲出的命令复制在下一行(可根据提示再添上字母或再用tab键补全)。ls是英文单词list的简写,其作用是列出目录的内容,是用户最常用的命令之一,类似于DOS下的dir命令。

Eva20192020的博客 5191

linux系统学习(4.常用命令)

每个文件只能有一个所属用户,一般是这个文件的创立者,也只有一个用户组,这个用户组里的用户可以对这个文件进行操作。这个命令本质维护一个数据库,他把一些文件和所在目录记录在这个数据库里面,这个数据库会定期更新。本质上因为硬链接建立的文件,两个文件具有相同的index索引号。linux系统中对文件权限进行更改,只有root用户和文件所有者用户可以操作。源文件依然保留,可以压缩的比gzip更小,windows和linux都可以使用。所谓文件属性,就是文件所属用户组,修改时间什么的。上面是前面的9个字符的代表意思。

qq_62737390的博客 879

Linux常用命令整理_Ubuntu 18.04.5(2)

3 远程管理指令 3.1 shutdown eg: shutdown -r now -r now 立即重启 now 现在关机 11:15 11:15关机 +10 十分钟后关机 -c 取消计划 3.2 ifconfig 测试本地网卡用本地回环地址 127.0.0.1 ifconfig 查看网卡配置信息 ifconfig | grep inet 查看IP地址 3.3 ping pin

chengzz618的博客 637

VMware Workstation下新建用户及Linux常用操作命令

一、实验环境 Windows10 ,VMware Workstation 12.1.1 ,Ubuntu kylin 16.04 二、实验内容与完成情况 1、新建用户Hadoop (1)安装时新建 (2)使用命令(用户名hadoop已经存在) sudo useradd –m hadoop –s /bin/bash sudo passwd hadoop sudo adduser hadoop sudo 2、sudo命令 这是Linux的管理命令 sudo useradd –m hadoop –s /bin

weixin_45683301的博客 6100

Linux 系统安装与基本命令总结

Linux 系统安装与常用命令Linux 系统安装Linux 常用命令 Linux 系统安装 系统安装:虚拟机+Ubuntu系统 虚拟机:VMware Workstation Pro 2015 版。 Ubuntu系统:32位1604版本 安装步骤: 1、启动BIOS的虚拟化设置(参考百度经验) 参考链接:https://jingyan.baidu.com/article/ab0b56305f288...

qq_39982235的博客 615

【Linux系统管理】Ubuntu 22.04 目录结构与基础指令全解析,新手入门必看!

本文系统介绍了Linux(Ubuntu)的核心目录结构和基础操作指令。主要内容包括:1)Linux"万物皆文件"的哲学思想;2)详细解析/bin、/home、/etc等核心目录的功能;3)文件管理、内容查看、重定向、查找等基础命令;4)用户权限和服务管理;5)实用技巧如远程连接、历史命令等。文章强调通过实践掌握这些知识是成为合格Linux用户的基础,适合初学者快速入门Linux系统管理。

2402_85519509的博客 1935

linux命令1-常用命令

【代码】【小技巧】

cx1573的博客 53

Linux系统安装、常用命令以及相关软件用法

在本机安装虚拟机软件Vmware Workstation pro 16软件;然后在虚拟机软件Vmware workstation pro 16上安装Ubuntu22.04.3操作系统。(3)切换到当前登录Linux系统的用户的自己的主文件夹。(1)切换到目录“/usr/local”(30)查看JAVA_HOME变量的值。(2)切换到当前目录的上一级目录、

Justwhy_7的博客 306

linux使用入门教程

说实话在第一次接触Linux系统时,确实很不习惯,尤其是在用了多年的Windows后,可是项目需要又不得不顶着头皮去学习了,下面就自己一点点摸索做下总结,以供后面学习。 1、安装Linux系统 由于Linux的开源性,我们可以有很多选择,常见的有Ubuntu,centos,Fedora, Debian ,RedhatEnterpriseLinux ,SUSE OpenSUSE,Mindriva, Gentoo, Arch , Slackware等等这些主流发行版几乎占据了大多份额。这里我选择的是Ubun

zhaidada01的博客 4803

单兵作战ROS 2商业项目:把AI编码助手当CTO的工程化实践

在机器人软件开发中,ROS 2凭借DDS通信、生命周期节点和QoS配置等机制,成为构建复杂分布式系统的主流框架。其核心原理在于通过节点解耦与通信拓扑设计,实现高可靠、可扩展的数据流管理。对于独立开发者而言,掌握ROS 2工程化实践不仅能提升商业项目的交付质量,还能在传感器数据处理、实时控制等场景中显著降低维护成本。然而,单兵作战面临时间紧、知识面广的约束,如何高效完成架构设计、编码测试与部署交付成为关键挑战。将AI编码助手作为CTO级技术合伙人,辅助需求拆解、接口定义与代码审查,正成为一种务实路径。本文结合

weixin_34187862的博客 464
上一篇: Linux02 用户管理命令
下一篇: Linux01 目录结构
object_oriented_uy
博客等级 码龄8年 195粉丝 136原创
评论 1
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