arduino 下16进制转2进制

Arduino通过USB转TTL无BootLoader烧录程序的两种办法 Arduino通过USB转TTL无BootLoader(引导程序)烧录程序的两种办法 注意 (这个实验室基于stm32duino的,avr单片机并不直接通用,不过如果你准备尝试使用串口来给avr单片机(就是Arduino官方出的几款Arduino)烧录Arduino的BootLoader,建议直接放弃因为avr单片机并不支持直接使用串口上传程序,而且Arduino的BootLoader好像目的也就是让Arduino能够直接串口烧录程序。 也就是说你不能在没有BootLoader的情况下烧录avr-Ardui 阅读详情

在arduino下为了在像素屏中点亮灯珠,有些字符汉字和图像先生成了16进制的字符,然后又需要把16进制转成2进制来控制灯珠。

之前从网上找到了一个16进制转2进制的方法如下:

int *getBin(int Dec)
{
  //  Dec=128;
  static int a[8];
  for (int i = 7; i >= 0; i--)
  {
    if (pow(2, i) <= Dec)
    {
      Dec = Dec - pow(2, i);
      a[7 - i] = 1;
    }
    else
    {
      a[7 - i] = 0;
    }
  }
  return a;
};

测试后运行正常,最近又学习了一下位运算,所以下面的方法也是可以实现同样的功能:

int *getBin2(uint8_t data){
  static int a[8];
  for(int i=0;i<8;i++)        
  {
    if(data & 0x01)a[i]=1;//1
    else a[i]=0;//0
    data >>= 1;      
  }  
  return a;
}

上面这段代码从其实更简洁,注意下面这段代码可能二进制是反序的。

如果理解了位运算符,下面这段用起来更好。

其实这里基本不用区分是16进制还是10进制,甚至8进制,都可以用上面的函数转成2进制。

Arduino 下使用ws2812b 16*16 led点阵屏显示汉字,规避FastLED的大坑 使用Arduino连接16*16 的ws2812b 的led屏的时候,目前没有找到相关的第三方库可以直接显示汉字,所以只能使用笨办法,汉字驱模,然后对于模对应的16进制数转化成2进制, 例如 汉字你的16进制是: 你(0) {0x0C,0xC0,0x0C,0xC0,0x0C,0xC0,0x19,0xFF,0x19,0x83,0x3B,0x06,0x3E,0x30,0x78,0x30}, {0xD9,0xBC,0x19,0xB6,0x1B,0x36,0x1B,0x33,0x1E,0x3... 阅读详情

相关推荐

arduino串口接收数据包_arduino串口接收的问题

我用auduino的串口向人机界面发送了16进制数据串,例如:发送【013E0088A3】人机界面马上会返回一串16进制数【013E0423322E87EFA4】,所以发送完数据后需要马上开始接收,怎么写程序能...我用auduino的串口向人机界面发送了16进制数据串,例如: 发送【 01 3E 00 88 A3】 人机界面马上会返回一串16进制数 【01 3E 04 23 32 2E 87 E...

weixin_31162247的博客 2437

关于arduino串口接收16进制转换成int类型的问题

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34270865的博客 4719

【雕爷学编程】Arduino 手册之数据类型转换

通过数据类型转换,我们可以将浮点数转换为整数。4)当需要将一个较大的数据类型拆分成多个字节时,需要将字符类型(char)、整型(int)、长整型(long)等转换为字节类型(byte),可以使用lowByte()、highByte()、bitWrite()、bitRead()等函数实现。3)当需要将多个字节组合成一个较大的数据类型时,需要将字节类型(byte)转换为字符类型(char)、整型(int)、长整型(long)等,可以使用word()、bitWrite()、bitRead()等函数实现。

雕爷学编程 1718

arduino int转char_Arduino 数据类型转换

使用过Python的数据类型后,会发现C/C++的数据类型比较单一。Arduino实际上是C++,除了基础数据类型,增加了String类。通过了解标准库和类的头文件,可以减少不必要的、重复的、琐碎的、易错的手工代码。除了Arduino,其他的GCC和嵌入式C语言中也可以参照执行。IoT相关数据类型byte, unsigned charcharint, int and unsigned intflo...

weixin_28881749的博客 3961

【雕爷学编程】Arduino 手册之数据类型转换byte()

如果我们有一个变量brightness,表示LED灯的亮度,我们可以使用byte()函数将它转换为字节型数据,然后使用analogWrite()函数来控制LED灯的亮度。然后,我们使用 byte() 函数将字节数据转换为整型变量 receivedValue,将字节数据转换为整数进行处理。在Arduino编程中,数据类型转换有时是必要的,有时是可选的,具体取决于不同的情况。通过 byte() 函数,我们可以将整数转换为字节数据,或者将二进制数据转换为字节数据,方便进行数据处理和操作。

雕爷学编程 1605

【雕爷学编程】Arduino 手册之位操作 bitRead()

Arduino 2005 年时面世,作为意大利伊夫雷亚地区伊夫雷亚互动设计研究所的学生设计,目的是为新手和专业人员提供一种低成本且简单的方法,以建立使用传感器与环境相互作用的装置。例如,如果要提取一个long类型的变量的第17位的值,可以先右移16位,然后再用bitRead()提取。bitRead()函数常用于需要对数据的单个位进行操作的应用中,例如读取或检查特定的标志位、位掩码操作等。例如,如果要将一个int类型的变量右移4位,可以先用bitRead()函数提取其低4位,然后右移4位,再赋值给原变量。

雕爷学编程 829

int转化为16进制字符串_Arduino将String转换为16进制

由于移远的BC26或是BC95在给服务器发送数据时要求是16进制,因此需要将String转换为16进制后进行数据上传,写的转换函数贴出共享并记录。String data1 = "2019110572,00505,0,0,0099,0466,099,0869";String string_to_hex = "";void setup() { Serial.begin(9600); } void ...

weixin_42520661的博客 2994

基于FPGA的PCIe核系列:FPGA root模式生成工程例子分析(1)

一、 PCIE系统架构 1.1 PCIE分层结构 PCIE结构 1.2 TLP包 四种TLP类型。 Memory (内存空间操作) IO (IO空间操作) Configuration (配置操作) Message (信息操作) 四种类型TLP,如果有需要响应,称为Non-Posted TLP,如果没有需要响应,称为Posted TLP。 TLP包类型 1.2.1 TLP结构 TLP数据格式 1.2.2 Header各个字段的含义 Header格式 ...

huangshanhu的博客 3433

arduino串口输入数据转16进制

这个找了好多资料,试了好多次,终于可以了,小小记录一下~

doudou2weiwei的博客 3054

ZedBoard+Vivado(二)——PS + PL实现流水灯

硬件:Zedboard 软件:Vivado2018.2 + Win10 本文参考了http://blog.chinaaet.com/cuter521/p/35978的设计 1 设计 功能:PS + PL流水灯 语言:C 流程:创建工程-&amp;gt;IP Integrator-&amp;gt;综合、实现、生成Bitstream-&amp;gt;SDK 2 流程 2.1 创建工程 跟上一篇步骤完全相同,这里不用添加源文...

q416524389的博客 3695

交通规划仿真软件:TransCAD_(7).公交系统规划与分析

通过TransCAD进行公交系统规划与分析,可以有效地评估公交网络的性能,优化线路设计,提高服务质量。数据准备、模型建立、仿真运行和结果分析是公交系统规划与分析的关键步骤。在实际应用中,规划者和分析师可以根据仿真结果提出具体的优化建议,不断完善公交系统的运行效率和乘客体验。

kkchenjj的博客 955

Arduino Hex转字符串库

一、16进制转汉字 示例 输入: 3136BDF8D6C6D7AABBBB3136BDF8D6C6D7AABBBBCEC4B1BED7D6B7FBB4AE2CD4DACFDF3136BDF8D6C6D7AABBBBD4DACFDFB9A4BEDF 输出: 16进制转换16进制转换文本字符串,在线16进制转换在线工具 二、代码 MyHex_String.h #ifndef MyHex...

江江呀 5878

[AI] 本地部署 Dify 遇到 Internal Error?一文彻底解决密码不一致引发的问题

摘要:Dify本地部署常见InternalError错误主要由配置残留或密码不一致导致,特别是修改.env文件后未同步清除数据库记录。彻底解决方案包括:1)清理Docker数据;2)删除旧配置和数据库;3)还原源代码;4)重建.env文件;5)重新初始化部署。关键提醒:记录部署路径、备份.env文件并妥善保存密码。该错误本质是配置冲突,最有效方法是完全重置而非调试,保持清晰的部署管理可避免多数InternalError问题。(149字)

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 435

arduino十进制转十六进制

以下是arduino十进制转十六进制的方法,如果有什么可以改进的地方请留言 打印 Serial.print(inByte, HEX); 十进制转十六进制 //十进制转十六进制 String tohex(int n) { if (n == 0) { return "00"; //n为0 } String result = ""; char _16[] =...

丶诺风的博客 6万+

手把手教你学Simulink——基于Simulink的滑模控制器车辆稳定性仿真建模示例

本文详细介绍了基于Simulink的滑模控制器在车辆稳定性控制中的应用。通过建立二自由度车辆动力学模型(含魔术公式轮胎),设计横摆角速度与质心侧偏角滑模控制器,在Simulink中实现直接横摆力矩控制。文章包含完整的建模流程:从参考模型设计、滑模控制器推导(含等效控制和边界层法),到MATLAB参数设定和Simulink模块搭建。通过双移线测试和路面突变场景验证,证明该控制器能在低附着路面(μ=0.3)将横摆角速度误差控制在±5%以内,显著提升车辆稳定性。同时提供了工程实践要点和扩展方向(如高阶滑模、自适应

MHD0815的博客 106

3、图像中文字信息提取技术全解析

本文全面解析了图像中文字信息提取(Text Information Extraction,TIE)的技术原理、挑战及应用领域。详细介绍了图像中三种主要文字形式:场景文字、字幕文字和文档文字的特点及提取难点。系统阐述了TIE技术的主要流程步骤,包括文字检测、定位、提取与增强、识别等关键阶段,并对主流技术方法进行了分类比较,包括基于连通组件、边缘、纹理等方法的优缺点分析。文章还介绍了多种其他提取技术,如二值化方法、混合方法、基于梯度的方法等,并提出了一种基于立体帧的新型场景文字提取方法,通过实验验证了该方法在召

ll5678的博客 119

Arduino(c) 16进制转字符串

16进制转字符串 String hexToAscii( String hex ) { uint16_t len = hex.length(); String ascii = ""; for ( uint16_t i = 0; i < len; i += 2 ) ascii += (char)strtol( hex.substring( i, i+2 ).c_str(), NULL, 16 ); return ascii; } //houyawei 10转16进

houyawei的博客 7636

点云数据处理:体素滤波算法

体素滤波是一种简单而有效的点云数据处理方法,可用于去除离群点和平滑点云表面。体素滤波是一种常用的点云数据处理算法,用于去除离群点并平滑点云表面。在本文中,我们将介绍CloudCompare和PCL(Point Cloud Library)中的体素滤波算法,并提供相应的源代码示例。PCL是一个专门用于点云处理的开源库,提供了一系列高效的点云处理算法和工具。然后,我们创建了一个。方法执行体素滤波,并将滤波后的点云保存为"filtered_cloud.ply"文件。方法来执行体素滤波,指定体素大小为0.01。

ZyqfCss的博客 388

16进制与10进制互转,16进制转10进制,10进制转16进制

多位16进制与10进制互相转化,每个数字之间需要用空格间隔。适合串口数据分析,上传的不是源码,已经打包成软件了,新增删除功能,一键删除对应内容。 0A 07 31 00 00 33 95 39 A0 E3 0A 07 31 转化成10 7 49 0 0 51 149 57 160 227 10 7 49 35 62 54 85 3 88 66 33 22 54 36 15 转化成 23 3E 36 55 03 58 42 21 16 36 24 0F

weixin_37736311的博客 1779

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

16进制转十进制函数,十进制转十六进制函数。

计算十位数字:将hex对1000取模,再对100取模,得到十位数字的值,然后将结果左移4位,将结果赋给dec的尾字节(dec[1])。计算个位数字:将hex对1000取模,再对100取模,再对10取模,得到个位数字的值,然后将结果赋给dec的尾字节(dec[1])。计算千位数字:将hex除以1000得到千位数字的值,然后将结果左移4位(即乘以16),并将结果赋给dec的首字节(dec[0])。这样,最终结果即为将十六进制数转换为两个字节的十进制表示,存储在dec数组中。

weixin_51624736的博客 1376

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

十进制转二进制,格式化输出

描述 将十进制整数转换成二进制数 输入 输入数据中含有不多于50个整数n(-2^16<n<2^16)。 输出 对于每个n,以11位的宽度右对齐输出n值,然后输出 –> ,再然后输出二进制数。每个整数n的输出,独立占一行。 样例输入1 2 0 -12 1 样例输出1 2―->10 0–>0 -12–>

Code杂货店 2534

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")

Arduino串口自动发送16进制代码例程

原文地址:http://scus.space/?p=144 #include <SoftwareSerial.h> char tmp1[] = "AT+BAUD4"; char tmp2[] = "AT+RFID8899"; char tmp3[] = "AT+DVID1122"; char tmp4[] = "AT+RFC001"; char tmp5[] = "AT+POWE9"...

skyelan1999的博客 4526

Wemos d1 串口通信发送16进制数据

Wemos d1 串口通信发送16进制数据 问题:因为语音播放模块的原因可能需要板子发送一串16进制的数据,来激活语音播放模块或者其他模块使其正常工作。 1、Arduino 中先理解Serial.print()函数与Serial.write()函数的区别 例 1.发送十进制的数据 int i=1;分别用Serial.print()函数与Serial.write()函数发送: 在程序演示之前,我先推算一下运算过程: 用Serial.p...

HHHSSD的博客 5385

Arduino串口发送与接收16进制数据(HEX)(数据乱码)-JDY-10M组网

最近使用JDY-10M蓝牙组网,需要Arduino收发数据,将遇到的一些问题与最终解决方法分享给大家,如果内容有问题,还请大家指点。

gentle_cool_boy的博客 1万+

10进制转16进制

问题描述   十六进制数是在程序设计时经常要使用到的一种整数的表示方式。它有0,1,2,3,4,5,6,7,8,9,A,B,C,D,E,F共16个符号,分别表示十进制数的0至15。十六进制的计数方法是满16进1,所以十进制数16在十六进制中是10,而十进制的17在十六进制中是11,以此类推,十进制的30在十六进制中是1E。   给出一个非负整数,将它表示成十六进制的形式。 输入格式   输......

Cactus_Lrg的博客 9684
上一篇: 备份总结:位运算符异或的重新学习。
下一篇: arduino(esp8266)驱动74hc595进行流水灯异常一例
platform
博客等级 码龄26年 1117粉丝 351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