线形变换专题(1)

可逆线性变换 线性变换的逆变换 对于线性空间 V" role="presentation" style="position: relative;">VVV 上的任意一个线性变换 f," role="presentation" style="position: relative;">f,f,f, 若存在 V" role="presentation" style="position: relative;">VV 阅读详情

    首先,我们要明确,一个变换( 也可以理解为一个对向量进行处理并返回处理后的向量的函数 )能够被称为线形变换,需要满足的条件是:

    L( cU + V ) = cL( U ) + L( V )  ----- 为什么是这样恐怕要查下线形代数的相关资料了

    其中cU + V叫做两个向量的线形组合, 其中L()就是所谓的线形变换.

 

    旋转变换:M

    在DX中,U = VM, U,V是行向量.

    反射变换:R

    U = VR

 可以自己验证这两个变换是否满足条件.

 

     旋转与反射变换都是正交矩阵,也就是说MT*M = M*MT = E,而又已知(M的逆)*M = E,所以MT = (M的逆 ),也就是说,如果旋转阵M让向量旋转了x度,那么MT就让点旋转了-x度

  如果R可以得到向量关于平面N*X = 0的反射向量,那么RT则可以得到向量的本身.

 

 在游戏编程中,旋转的用处自不必说,而反射则可以得到类似镜子的效果.

 除了旋转与反射,还有很多变换属于线形变换,下次再做分析.

 

   

2.5 初等变换、线性变换 1 初等变换 一个非零常数乘矩阵的某一行(列);(倍乘) 互换矩阵中某两行(列)的位置;(互换) 将矩阵的某一行(列)的 kkk 倍加到另一行(列)。(倍加) 2 初等矩阵 由单位矩阵经过一次初等变换得到的矩阵称为初等矩阵。 E2(k)=[1000k0001]\boldsymbol{E}_2(k)=\begin{bmatrix} 1 & 0 & 0 \\ 0 & k ... 阅读详情

相关推荐

线性变换的值域与核

线性变换的值域 对于线性空间 V" role="presentation" style="position: relative;">VVV 上的任意一个线性变换 f," role="presentation" style="position: relative;">f,f,f, 定义: domf={f(α):α∈V}" role="presentati

jiongjiong 的专栏 1万+

刚性变换、仿射变换、透视变换和非线形变换

1. 几个变换的区别: 2. 坐标系 1) 笛卡尔坐标系 即数学中的直角坐标系. 2) 齐次坐标 齐次坐标就是用N+1维来代表N维坐标 我们可以在一个2D笛卡尔坐标末尾加上一个额外的变量w来形成2D齐次坐标,因此,一个点(X,Y)在齐次坐标里面变成了(x,y,w),并且有 X = x/w Y = y/w 我们把齐次坐标转化为笛卡尔坐标的方法是前面n-1个坐标分量分别除以最后一个分量即可. 你会发现(1, 2, 3), (2, 4, 6) 和(4, 8, 12)对应同一个Euclidean point (

九华宗的专栏 1万+

[Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换

前一篇文章讲解了图像灰度化处理及线性变换知识,结合OpenCV调用cv2.cvtColor()函数实现图像灰度操作,本篇文章主要讲解非线性变换,使用自定义方法对图像进行灰度化处理,包括对数变换和伽马变换。本文主要讲解灰度线性变换,基础性知识希望对您有所帮助。 1.图像灰度非线性变换:DB=DA×DA/255 2.图像灰度对数变换 3.图像灰度伽玛变换

杨秀璋的专栏 3万+

opencv 的 图像 变换 python 实现

图像变换的基本模型 变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图: 刚体变换(图像旋转) 如果一幅图像中的两点间的距离变换到另一幅图像中后任然保持不变,则这种变换称为刚体变换(Rigid Transform).刚体变换仅局限于平移,旋转和镜像. 在二位控件中,点(x,y)经过刚体变换到点(x',y')的变换公式为: ...

youandme520的专栏 1229

16、分辨率与仪器线形函数解析

本文详细解析了光谱仪中分辨率和仪器线形函数(ILS)的定义及其影响因素。重点探讨了扫描单色仪和傅里叶变换(FT)光谱仪在不同情况下的ILS函数形状、光谱带通及分辨率特性,并对两种光谱仪的性能进行了对比。此外,还讨论了实际应用中的选择策略及未来光谱仪的发展趋势,为光谱仪的正确选择和使用提供了理论支持。

vulkan6gpu的博客 169

PlatformIO串口监视器波特率配置实战:从乱码到清晰输出的关键步骤

本文针对PlatformIO串口监视器常见的乱码问题,深入解析了其根源在于波特率不匹配。文章核心在于指导开发者通过修改项目根目录下的platformio.ini配置文件,正确设置monitor_speed参数,确保与代码中Serial.begin()的波特率一致,从而实现从乱码到清晰输出的关键步骤。此外,还介绍了其他实用的串口监控配置与常见避坑指南。

weixin_29183637的博客 392

关于图像变换的总结(仿射变换,刚体变换等)

一、常用的图像变换模型 :刚性变换、仿射变换、透视变换和非线形变换等。如下图所示: 进一步理解 (1) 刚体变换  如果一幅图像中的两点间的距离经变换到另一幅图像中后仍然保持不变,则这种变换称为刚体变换(Rigid Transform)。刚体变换仅局限于平移、旋转和反转(镜像)。 (2)仿射变换 如果一幅图像中的直线经过变换到另一幅图像上仍为直线,并且保持平行关系,则这种变换称为仿射变换(Af...

造未来 1万+

手把手教你用示波器搞定PCIe 5.0 REFCLK时钟信号测量(附完整参数解读)

本文详细介绍了如何使用示波器进行PCIe 5.0 REFCLK时钟信号测量,包括示波器与探头的选择、关键参数的测量方法及解读,以及实战中的常见问题与解决方案。通过手把手教学和完整参数解读,帮助硬件工程师高效完成时钟信号测量,确保系统稳定性。

weixin_28704565的博客 361

MATLAB 平面线形变换 及验证多个点是否在同一直线

对于 y=A*x 第一中理解可以看成是 已知A y 求解x 第二种理解可以看成 同过线行变换 将x变换到y 例: x=[0 1 1 0 0 0 0 1 1 0]; A1=[-1 0 0 1]; A2=[1.5 0 0 1]; A3=[1 0 0 0.5] A4=[1 0.5 0 1] A5=[0.866 -0...

qq_39653453的博客 683

iqoo11如何获取root权限?

🏆本文收录于专栏,主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案,希望能够助你一臂之力,帮你早日登顶实现财富自由🚀;同时,欢迎大家!持续更新中,up!up!up!!

**My Coding Family** 5853

通过Simulink搭建一个智能微电网能量管理系统(Energy Management System, EMS)

通过上述代码实现,您可以逐步创建一个智能微电网能量管理系统。多源能量集成:整合光伏、风力发电、柴油发电机、电池储能等多种能源资源。负荷预测与调度:基于历史数据和天气预报,预测未来负荷和可再生能源输出,进行优化调度。储能系统优化:设计合理的充放电策略,确保储能系统的高效利用和寿命延长。经济性分析:评估不同运行模式下的经济性,考虑电价、维护成本等因素。环境影响评估:分析微电网对环境的影响,如减少碳排放、提高可再生能源利用率等。硬件在环仿真(HILS)

amy_mhd的博客 314

【项目实训】线形组件的细节

组件大致可以分为矩形类组件和线形组件,矩形组件最典型的就是普通矩形,它的变化形式较为规范,变换过程中外部轮廓始终是矩形。线形的变化则相对灵活,线形组件的绘制由转折点构成,按照特定的顺序连接。线形组件面临着一些细节问题1.线形组件关键点的增加和减少。2.如何正确维护线形组件关键点的顺序。对于第一个问题,采用动态数组去维护线形组件的关键点顺序。当移动透明关键点时,改关键点会变为非透明点,而且该点分别与其相邻的节点的中点会产生新的节点,产生新节点后,要将其插入改关键点的前后相邻位置。关键代码 对于第二个问题,

m0_51055929的博客 203

C# 上位机内存泄漏排查指南:3 个工具 + 4 个技巧,从 GC 频繁到稳定运行 720 小时

C# 上位机内存泄漏排查的核心是「先定位泄漏存在,再追溯引用根源,最后修复验证通过「Visual Studio 诊断工具(快速定位)+ dotMemory(深度分析)+ PerfView(生产监控)」三个工具的配合,结合「复现场景、排查静态成员+事件、检查非托管资源、GC 日志验证」四个技巧,可高效解决绝大多数泄漏问题。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 739

MATLAB之拉氏变换

一、复数和复变函数 1、复数的三种表现形式: 坐标形式: 三角形式: 指数形式: 2、复变函数:复数集E内的每一个复数z=a+b*i,都有(唯一确定的/无穷多个/有限个)复数与之对应,可以确定(单值/多值)复变函数。 3、零点和极点 零点: ...

STM89C56的博客 2万+

Unity最强动作战斗框架?Combat System Framework 深度解析

Combat System Framework 并不是一个简单的角色控制器,而是一套完整的动作游戏战斗开发框架。它借鉴了现代 AAA 游戏常见的架构思想,以 Gameplay Tag 为核心,结合 ScriptableObject 数据驱动设计,将技能、属性、Buff、伤害、武器、动画通知等系统有机整合在一起。同时,配套的可视化动画时间轴、Root Motion 工具和实时预览窗口,大幅优化了动作开发流程。当然,这套框架也有一定的学习门槛。

2403_88403568的博客 685

DW3000芯片驱动API介绍

详细介绍DW3000驱动程序API的调用流程说明和中断处理程序流程说明

DT程序员的博客 1526

几种图像变换 刚体变换 仿射变换 投影变换

转自:https://www.cnblogs.com/bnuvincent/p/6691189.html http://www.cnblogs.com/ghj1976/p/5199086.html 变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图: 参考:http://wenku.baidu.com/view/826a796027d3240c8447...

白雪 3278

【LE Audio】CAP精讲[1]: 从理论到实操,CAP 协同流程入门全攻略

LEAudio生态中的CommonAudioProfile(CAP)是一个关键协同框架,它通过整合基础音频协议(BAP/VCP/MICP等)构建多设备协同能力。CAP定义了三大核心功能:音频流管理、设备组控制和统一交互服务,解决了传统蓝牙音频在多设备场景下的协同痛点。其规范历经v1.0到v1.0.1的优化,修正了角色定义、连接流程等关键模块,提升设备兼容性。CAP采用严格的语言约定(shall/must/should)和术语体系(ContextType/CCID/协同集),确保不同厂商设备能相互理解。

byte轻骑兵的技术小窝 2万+

线性变换到底是什么以及与矩阵之间的联系

由于图形学碰到了线性变换的知识,仔细深究才发现之前学的都只是浅尝辄止,实在惭愧,因此所幸花点时间补一下相关知识。 首先,什么是线性变换? 百度百科说的当然是一些很牛逼的废话,没啥卵用。根据b站上的视频以及一些博客,实际上线性变换可以理解为在有一定条件(后面会细讲)的一个函数,实现将一个向量映射到另一个向量的效果,其中L是一个线性变换。 首先,观察下图,针对二维平面坐标系,任意一个向量都可以由下面形式的线性组合表示。而其中的向量x和向量y就称作基,可以说,有了基,就可以表示整个空间,因为空间上的任意一个向量

Xuuuuuuuuuuu的博客 9548

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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")

仿射变换

变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图: 参考: http://wenku.baidu.com/view/826a796027d3240c8447ef20.html 其中第三个的仿射变换就是我们这节要讨论的。 仿射变换(Affine Transform...

OneFine的技术博客 3006

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

线性变换和基变换

线性变换和基变换 在最初理解将PCA作用于图形时,一直卡在为什么PCA获取的协方差矩阵(3*3)可以作用向量完成特定的旋转和缩放操作。后来才发现是对矩阵的了解不够透彻,在明白矩阵到底做了什么之后,才知道为什么这些博士当时能想到这么精妙的方法。在这里,最主要的是线性变换和基向量的理解。 线性变换 我们可以把线性变换理解为一种函数,我们输入一个向量,可以产生一个新的向量, 如上图所示...

小龙虾的博客 3966

Statistics and Machine Learning Toolbox

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

小波变换

小波变换长期以来,傅立叶分析一直被认为是最完美的数学理论和最实用的方法之一。但是用傅立叶分析只能获得信号的整个频谱,而难以获得信号的局部特性,特别是对于突变信号和非平稳信号难以获得希望的结果。 为了克服经典傅立叶分析本身的弱点,人们发展了信号的时频分析法,1946年Gabor提出的加窗傅立叶变换就是其中的一种,但是加窗傅立叶变换还没有从根本上解决傅立叶分析的固有问题。小波变换的诞生,正是为

Embed98 1万+

图像处理基础——二维仿射变换矩阵变换

变换模型是指根据待匹配图像与背景图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有如下几种:刚性变换、仿射变换、透视变换和非线形变换等,如下图: 参考: http://wenku.baidu.com/view/826a796027d3240c8447ef20.html   其中第三个的仿射变换就是我们这节要讨论的。 仿射变换...

jiDxiaohuo的博客 3857

线性变换及其对应的矩阵

变换有很多种形式,它描述了输入和输出间的映射(mapping/map)关系,这篇文章主要讨论线性变换,每个线性变换都对应一个矩阵,线性变换与坐标无关,而矩阵与坐标有关,因此矩阵是基于坐标来描述线性变换,例如投影就是一种常见的线性变换,与其对应的是投影矩阵,判断是线性变换需满足以下两个条件: 其中v和w分别是向量,T表示对向量的变换,上两式表明线性变换应该保证加法和乘法的不变性,这两个条件可合并为...

android开发笔记 9633
上一篇: 为Win32建立临界区
下一篇: 如何实现D3D全屏与窗口的转换
ProgramRookie
博客等级 码龄18年 26粉丝 72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