Windows 配置github的SSH公钥注意事项

修复SSH在 MacOS Ventura 系统上不能使用RSA签名的问题 好多朋友反馈说SSH在 MacOS Ventura 系统上不能使用RSA签名,那如何解决呢?macw小编就带来了具体的解决方法,希望能帮到你!教程如下:我们将修改 ssh_config 文件以再次允许 RSA 主机密钥,以下是如何执行此操作。您需要使用管理员密码进行身份验证。按Control+O保存,按Control+X退出。再次尝试使用 SSH 连接到带有 RSA 密钥的服务器,它应该可以正常工作。 阅读详情

具体参考https://blog.youkuaiyun.com/fzxyxf1314/article/details/101541078?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_title~default-0-101541078-blog-79799581.pc_relevant_default&spm=1001.2101.3001.4242.1&utm_relevant_index=3
这一步非常重要,需要添加字段到文件夹~/.ssh/config中

Host github.com
HostName github.com
User git
Port 22
HostkeyAlgorithms +ssh-rsa
IdentityFile C:\Users\yourname/.ssh/id_rsa
PubkeyAcceptedAlgorithms +ssh-rsa

然后这一步非常重要
强调一下

将SSH 的密钥的路径 添加到ssh-agent中,这样才能被识别
然后将SSH key添加到ssh-agent:

ssh-add ~/.ssh/id_rsa

如果执行ssh-add时出现Could not open a connection to your authentication agent

在执行 ssh-add ~/.ssh/id_ras 时发生此错,

执行如下命令

ssh-agent bash

然后再执行

ssh-add ~/.ssh/id_ras 

即可。

如何使用SSH 进行git commit +push

在配置好SSH公钥后,将本地仓库文件夹中的.git文件中的config文件中的http的url修改为github仓库的ssh链接。
在这里插入图片描述

在这里插入图片描述
之后再使用git push 就不会报错Failed to connect to github.com port 443 after 21107 ms: Timed out 或者OpenSSL SSL_read: Connection was reset, errno 10054 了。
————————————————
版权声明:本文为优快云博主「argleary」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.youkuaiyun.com/argleary/article/details/100638560

Windows上安装配置git客户端 git客户端配置 Windows上安装git客户端 下载地址 链接:https://pan.baidu.com/s/1hmpEo_ijM09f9hHysY8Z9A 提取码:ir01 下载安装就一路next即可,完成之后会有如下图,表示安装成功! [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CmOzDypP-1579324425534)(C:\Users\雷神\Ap... 阅读详情

相关推荐

SSH公钥认证原理与实战:从非对称加密到免密登录配置

非对称加密是现代网络安全通信的基石技术,它通过公钥和私钥的配对机制实现身份验证与数据加密。其核心原理在于数学上的单向函数特性,公钥可公开用于加密或验证签名,而私钥必须保密用于解密或生成签名。这一机制的技术价值在于解决了对称加密中密钥分发的安全难题,并提供了比传统密码认证更强的身份验证手段。在工程实践中,非对称加密广泛应用于安全外壳协议、代码仓库认证、自动化运维等场景。其中,SSH公钥认证作为典型应用,通过客户端持有私钥、服务器存储公钥的‘挑战-响应’模式,实现了无需传输密码的安全登录。本文聚焦于SSH免密登

weixin_30861459的博客 387

ubuntu22.04 ssh连接失败 userauth_pubkey: key type ssh-rsa not in PubkeyAcceptedAlgorithms

重启sshd。

qq_42362810的博客 1736

CentOS 9 Stream 上安装 MySQL 8.0+

根据提示进行设置,包括设置新的 root 密码、禁用远程 root 登录等。MySQL 在首次安装时会生成一个临时密码。这样就完成了 MySQL 8.0.37 的安装。这将安装最新的 MySQL 8.0 版本。

小强不是坑 1681

openssh升级8.8及之上rsa私钥兼容问题

openssh升级8.8及之上版本的免密登录问题

6168

OCR开发实战:如何用PaddleOCR C++版实现本地文字识别(附模型文件处理技巧)

本文详细介绍了如何使用PaddleOCR C++版实现本地文字识别,包括环境搭建、工程编译、运行时优化等全流程。重点讲解了在VS2019/VS2022环境下配置PaddleOCR的CPU推理性能优化技巧,以及模型文件处理的实际应用方法,帮助开发者高效完成OCR本地化部署。

devops8pract的博客 336

双三相电机控制避坑指南:为什么你的SVPWM谐波大?四矢量调制实战解析

本文深入解析双三相电机控制中SVPWM谐波大的问题,并提供四矢量调制实战方案。通过分析谐波来源、四矢量调制原理及工程实现步骤,显著降低电流THD至3-5%,提升系统效率2.3个百分点。特别适合需要优化电机控制的工程师参考。

weixin_30645617的博客 398

ubuntu22.04 服务器 SSH 密钥登录失败

SSH密钥登录,是将SSH公钥写入服务端的文件中。今天装了ubuntu22.04的系统,按照以往操作,在服务端配置了SSH公钥之后,发现竟然无法登录。

ljz0929的博客 9314

Autodesk Revit软件二次开发:Revit二次开发中的插件设计与实现

在 Revit 中,族是构成建筑模型的基本单元,可以是门窗、家具等。通过自定义族,可以创建符合特定需求的建筑构件。参数化设计允许族的尺寸、形状等属性根据参数变化而变化。使用 Revit API 创建自定义族涉及多个步骤,包括定义族类型、设置参数、创建几何形状等。// 创建族文档// 定义参数Parameter param = family.FamilyManager.AddParameter("Width", BuiltInParameterGroup.PG_LENGTH, "宽度");

kkchenjj的博客 2232

远程连接ubuntu服务器报错:userauth_pubkey: key type ssh-rsa not in PubkeyAcceptedAlgorithms

在最新版本的操作系统中,OpenSSH默认不再支持ssh-rsa(rsa/SHA1)签名算法,如果指定使用ssh-rsa(rsa/SHA1)签名算法将会登录失败。默认不支持ssh-rsa签名方案并不意味着停止使用RSA密钥,密钥可以通过多种算法进行签名,RSA密钥可以使用rsa-sha2-256(rsa/SHA256)、rsa-sha2-512(rsa/SHA512)等多种签名算法来进行签名,只有ssh-rsa(rsa/SHA1)签名算法被默认禁用。

Sablier的博客 2831

从生产订单到整车交付,SAP 离散制造在汽车行业里的真实落点

汽车行业谈数字化,很容易一上来就谈智能工厂、数字孪生、AI 排产、无人仓、视觉质检。可落到 SAP 项目现场,真正把工厂撑起来的,往往还是几个很朴素的问题,客户订单来了以后,BOM 能不能准确展开,物料能不能准时到线,产能有没有被过度承诺,生产订单能不能被车间正确执行,质量问题能不能追溯,成本能不能按工单和批次沉淀下来。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 115

070、人脸AE实战:基于人脸检测的亮度优先与背光补偿算法

本文分享了基于人脸检测的亮度优先与背光补偿算法的实战经验。针对逆光自拍场景下人脸过曝问题,作者提出了动态平衡方案: 通过内缩20%的人脸核心区域提取亮度,避免背景干扰 创新性地采用"亮度差+置信度"的背光判定机制 设计动态权重分配策略,人脸权重可在30%-70%间调整 引入平滑处理防止亮度跳变,补偿增益限制在1.5倍以内 关键点在于:不是简单提亮人脸,而是通过分析人脸与背景亮度差,在80-110目标亮度范围内动态调整,实现自然的人脸曝光效果。算法已在实际项目中验证,解决了传统AE在逆光场景下的失效问题。

zzfmlxs的博客 36

GIT的下载安装、与环境配置

GIT安装、开发环境配置、ssh公钥生成

apple_54125764的博客 2673

STM32实战开发(71):STM32人脸识别开发教程:基于摄像头模块的人脸识别系统

在嵌入式系统中,STM32凭借其强大的计算性能、丰富的外设接口以及低功耗特性,成为了实现人脸识别系统的理想平台。STM32虽然没有强大的计算能力,但可以通过合理利用外部硬件加速模块,如DSP、GPU、FPGA等,结合轻量级的人脸识别算法,实现高效的人脸识别系统。尽管STM32的计算资源相对有限,但通过合理的优化和使用高效的算法,我们依然能够实现高效的人脸识别功能。在本项目中,我们使用。在STM32开发中,虽然处理能力有限,但通过优化算法和合理利用硬件加速,我们仍然可以实现一个轻量级的、实时的人脸识别系统。

2201_76125393的博客 1663

在 Windows 上添加 github SSH 密钥

添加gihub ssh key 超详细步骤

3287

5ZCM6ZGrVDllSFLkv6Hmga/ljJbnrqHnkIbns7vnu58= GetFlowDropDown SQL注入

5ZCM6ZGrVDllSFLkv6Hmga/ljJbnrqHnkIbns7vnu58=、eHR/OA一体化智慧云平台、智慧一卡通云平台、行业软件开发与定制、智慧企业管理信息化咨询与项目服务为核心业务的顾问式管理咨询和软件个性定制开发的高科技股份集团公司。同鑫T9eHR信息华管理系统存在SQL注入漏洞,攻击者可通过该漏洞上传shell。关闭互联网暴露面或接口设置访问权限。利用sqlmap进行shell。

iSee857的博客 704

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

使用SSH进行GitHub的推送

使用SSH进行GitHub的推送是一种安全且便捷的方法。

qq_43298381的博客 1409

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

SSH服务详解(七)– SSH 连接 Github

SSH 连接 Github SSH服务详解(一)–Linux SSH 服务器与客户端的安装与启动 SSH服务详解(二)–使用私钥登录 SSH 服务器(免密登录) SSH 服务详解 (三)-- 使用 SSH 代理 SSH 服务详解 (四)-- 本地调用远程主机的命令 SSH 服务详解 (五)-- 远程文件拷贝 SSH 服务详解 (六)-- Windows SSH 主机 SSH 服务详解 (七)-- SSH 连接 Github 本地(Windows) Linux 网上教程较多,这里以 Windows 为例 配置

tyustli 2374

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")

Statistics and Machine Learning Toolbox

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

github 公钥 私钥_为Git设置SSH公钥及私钥

在使用 Git 进行代码管理时,如果不使用 SSH 公钥及密钥,那么就必须在每次执行 Git 命令后键入密码来验明正身,所以为 Git 配置 SSH 公钥及密钥是很有必要的。下文对 Windows 及 Linux 系统,自建 Git 及 Github 均适用。配置公钥首先通过 ssh-keygen -t rsa -b 4096 -C "name@trustauth.cn" 或者 XShell 的相...

weixin_39959298的博客 590

配置ssh公钥访问oschina

之前一直无法使用ssh访问oschina,尝试配置多次都没成功!这里总结ssh的公钥配置过程及注意事项。 我使用的是Cygwin环境,Cygwin中得安装好ssh工具,详细方法如下: ssh-keygen -t rsa -C "xiahouzuoxin@163.com"# Creates a new ssh key using the provided email # Genera

xiahouzuoxin 1万+

Git与TortoiseGit使用教程:第一章 Git的安装及SSH公钥配置

Git与TortoiseGit使用教程:第一章摘要 本文是Git与TortoiseGit系列教程的第一章,主要介绍Git的安装配置和SSH公钥设置。内容包括:Git作为分布式版本控制系统的基本概念(工作区、暂存区、本地/远程仓库)、常见代码托管平台、Windows系统下Git的详细安装步骤(重点说明PATH环境变量、行尾符号转换等关键选项配置),以及SSH公钥生成与添加的完整流程。教程针对Git初学者,通过图解和注意事项说明,帮助用户正确完成Git环境搭建,为后续版本控制操作打下基础。环境基于Windows

w134756的博客 929

GitHub SSH Key 配置:RSA 2048 vs Ed25519 算法在 Windows 端的 2 种生成与性能对比

本文详细对比了在 Windows 环境下生成 GitHub SSH Key 的两种算法:RSA 2048 和 Ed25519,包括它们的性能差异、安全性及兼容性。通过实测数据展示 Ed25519 在密钥生成和连接速度上的优势,并提供详细的配置步骤和最佳实践,帮助开发者优化 Git 使用体验。

weixin_34183910的博客 368

解决Gitee SSH公钥认证失效的完整指南

SSH公钥认证是Git代码托管平台安全连接的核心机制,其原理是通过非对称加密实现无密码登录。在实际工程实践中,开发者常遇到配置正确但认证失败的情况,这通常涉及SSH Agent管理、密钥权限或配置文件等底层问题。通过系统分析SSH协议栈的工作流程,可以定位到密钥加载失败、权限配置错误或多账户冲突等典型场景。针对Gitee平台,特别需要注意ED25519密钥格式兼容性和config文件规范,同时结合ssh -vvvT命令进行协议级调试。本文提供的全平台解决方案覆盖了从密钥生成到服务端验证的完整生命周期,并包含

weixin_30861797的博客 540

windows碰到ssh: connect to host github.com port 22: Connection refused解决办法

将本地库推送到远程库碰到了 ssh: connect to host github.com port 22: Connection refused

weixin_45260049的博客 6718

GitHub SSH密钥配置与排错全指南:告别git push认证失败

在软件开发中,版本控制系统是团队协作与代码管理的基石,而Git作为分布式版本控制系统的代表,其远程仓库操作依赖安全的认证机制。非对称加密技术通过公钥与私钥的配对,实现了无需密码的加密握手,为持续集成、自动化部署等场景提供了安全便捷的基础。SSH密钥认证正是这一原理的工程实践,它通过本地私钥与服务器公钥的匹配,确保代码推送与拉取操作的安全可靠。对于开发者而言,掌握SSH密钥的生成、配置与故障排查,能有效解决git push时常见的Permission denied等报错,提升开发效率。本文围绕密钥认证与连接测

weixin_33676492的博客 648

如何在 JetBrains IDE 安装 Kilo Code 插件并确认配置在各客户端共享

这篇文章面向希望在 JetBrains IDE 中使用 Kilo Code 插件、并确认其配置与 CLI、VS Code 扩展共享的开发者。Kilo Code v7 的 JetBrains 插件使用原生 JetBrains 界面,支持远程开发拆分模式,无需安装 Node.js。完成安装后,你可以在 **Settings → Tools → Kilo Code** 里配置插件,它读写与 CLI 和

gitblog_01039的博客 361

Windows 下 Git 安装配置及常见注意事项

Windows 下 Git 安装配置及常见注意事项

m0_47396773的博客 1045
上一篇: pytorch卷积网络特征图可视化
下一篇: 如何git上传代码避免出现! [rejected] main -> main (non-fast-forward)
practical_sharp
博客等级 码龄8年 500粉丝 148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