Python实战7——游戏百科

Python实现元胞自动机(生命游戏) 生命游戏是一个零玩家游戏。它包括一个二维矩形世界,这个世界中的每个方格居住着一个活着的或死了的细胞。一个细胞在下一个时刻生死取决于相邻八个方格中活着的或死了的细胞的数量。如果相邻方格活着的细胞数量过多,这个细胞会因为资源匮乏而在下一个时刻死去;相反,如果周围活细胞过少,这个细胞会因太孤单而死去。实际中,玩家可以设定周围活细胞的数目怎样时才适宜该细胞的生存。如果这个数目设定过高,世界中的大部分细胞会因为找不到太多的活的邻居而死去,直到整个世界都没有生命;如果这个数目设定过低,世界中又会被生命充满而没有什么变化 阅读详情

这个程序实现的效果是能在控制台上查询《我的世界》的生物攻击值,写下'exit'退出程序之后能自己自动排序,如果输入程序没有的角色的话还可以显示重新输入。

 

 

 Python源代码如下:

mc = {'卫道士':8,'流浪者':2,'潜影贝':4,'史莱姆':3,'烈焰人':5,'末影龙':6,'劫掠兽':7,'幻术师':1}
d = {}
while True:
    n = input('请输入角色(卫道士,流浪者,潜影贝,史莱姆,烈焰人,末影龙,劫掠兽,幻术师),查询结束输入exit:')
    if n == 'exit':
        break
    elif n not in mc.keys():
        print('没有这个角色,请重新输入!')
    else:
        s = mc[n]
        print(n + '的攻击力为' + str(s) + '级')
        d[s] = n
d1 = sorted(list(d.keys()),reverse=True)
print(d1)
for i in d1:
    text = d[i] + ' ' + str(i)
    print(text)

28个精品Python爬虫实战项目 Python当然是这类的赢家,它的语法容易,简单易学,Python允许你犯些小错但不会破坏代码,给新手一些信心继续学习。从新手的角度来看,想学一些更容易、更灵活的技术,而Python正是这样的技术。Python适用于网站、桌面应用开发,自动化脚本,复杂计算系统,科学计算,物联网,游戏设计,机器学习,自然语言处理等很多方面。Python是免费开源的。Python是所有编程语言里面,代码量最低,非常易于读写,遇到问题时,程序员可以把更多的注意力放在问题本身上,而不用花费太多精力在程序语言、语法上。 阅读详情

相关推荐

poker 游戏实现 (python)

今天我们来制作poker 这个牌类游戏 understanding(理解问题) Start with a vague understanding that you refine into a problem.specify (明确问题) Specify how this problem can be made amenable to being coded.design (设计程序) C

ZJun Thinking 5285

Python+Vue的《战舰世界》游戏百科信息系统 Pycharm django flask

本文介绍了一个基于Python+Vue开发的《战舰世界》游戏百科信息系统。系统采用Flask/Django框架和MySQL数据库,提供战舰数据、历史信息和玩家攻略查询服务。前端使用Vue技术实现交互界面,后端通过Python处理业务逻辑和数据存取,采用MTV模式架构。系统注重性能优化与数据安全,支持高并发访问和权限控制。关键技术包括Python的简洁语法、Django的快速开发特性以及MySQL的高效数据管理。开发工具选用PyCharm和Navicat,实现了便捷的游戏知识查询功能,为玩家提供稳定高效的信息

QQ123311197的博客 808

Python代码制作24点小游戏

开发工具 Python版本:3.6.4 相关模块: pygame模块; 以及一些Python自带的模块。 相关文件 关注公众号:Python学习指南,回复“24点”即可获取 环境搭建 安装Python并添加到环境变量,pip安装需要的相关模块即可。 原理简介 游戏规则(改编自维基百科): 从1~10这十个数字中随机抽取4个数字(可重复),对这四个数运用加、减、乘、除和括号进行运算得出24。每个数字都必须使用一次,但不能重复使用。详见: https://zh.wikipedia.org/wiki/24%E

TA_Python的博客 2424

AI文本检测实战:用维基百科和大模型构建辨别游戏

人工智能生成内容日益普及,如何区分人类文本与AI文本成为自然语言处理与内容安全领域的热门问题。大模型生成文本在信息密度、句式结构和过渡表达上存在可感知的风格差异,而文本分类与风格识别技术正是分析这种差异的有效手段。借助开放的维基百科API获取真实词条,再调用大模型生成同主题文本,并将其随机配对,可构建一个直观的“AI or Not”答题应用。其核心流程包括:百科数据采集、提示词工程、随机洗牌与答案判定,并通过FastAPI提供接口服务。该方案不仅可用于互动游戏,还能延伸至模型评测、AI幻觉观察与人工标注数据

weixin_33924220的博客 519

【Python教你一招】用Python实现童年小游戏俄罗斯方块

学习素材与源码在Python学习交流群:733089476 获取

小六的博客 1675

ESP32-CAM图传小车:端边协同的嵌入式视觉系统设计

在物联网边缘智能场景中,嵌入式视觉系统需平衡实时性、算力与成本。其核心在于理解图像采集、硬件编码、低延迟传输与分层计算的基本原理——OV2640等CMOS传感器配合JPEG硬件编码可显著降低主控负载;TCP流式协议比HTTP/RTSP更适配资源受限MCU;而‘计算卸载’架构将OpenCV等重负载移至Android端,使ESP32专注实时控制与传输,既发挥FreeRTOS任务调度优势,又规避了PSRAM带宽与内存瓶颈。该模式广泛适用于教育机器人、智能巡检及DIY视觉终端等场景,本文以WiFi图传坦克小车为载体

weixin_42524864的博客 375

百度百科链接地图

百度百科中搜索郑州轻工业大学,以此为例,尝试一下,能否得出链接地图,及的所有相互关联的词条链接的集合。

m0_58723884的博客 3090

国腾|GM8775C替换TC358775/MIPI转双通道LVDS

1 产品概述 GM8775C 型DSI 转双通道 LVDS 发送器产品主要实现将MIPI DSI 转单/双通道 LVDS 功能,MIPI 支持 1/2/3/4 通道可选,最大支持 4Gbps 速率。LVDS时钟频率最高154MHz,最大支持视频格式为 FULL HD(1920 x 1200)。 该芯片主要应用于手持设备、双屏显示,大屏幕显示等应用需求。 2 产品特征 a) I/0电源电压:1.8V /3.3V; b) core 电源电压...

Vasse的博客 1073

Python制作2048小游戏

这个2048小游戏我们使用的是画布模块,通过实现测试出位置进行更改每个画图的区域进行颜色的改变的文字的修改,四个方位的操作产生数字变换,每次变化都需要重新判断画图区域,进行变化,实现界面的状态的切换。

qq_44793283的博客 5950

基于RTL8367S与XS2184的工业级POE交换机硬件设计全解析

本文深入解析基于RTL8367S与XS2184芯片的工业级POE交换机硬件设计,涵盖核心价值、芯片选型、原理图设计、PCB布局及可靠性验证等关键环节。重点探讨双芯片协同工作优势,如RTL8367S的自适应调度算法和XS2184的智能功率分配功能,为工业环境下的稳定供电与数据传输提供专业解决方案。

weixin_42614269的博客 460

信息奥赛课课通(C++)p154-1近似排序

试题描述 读入一对正整数,将这两个数之间(包括这两个数本身)的所有数按下述特别规则排序后输出,该特别规则是按两数倒过来的值进行比较决定其大小,如30倒过来为3,29倒过来为92,则29大于30. 输入要求 1行,包含两个用空格隔开的自然数,这两个自然数给出了待排序数的范围,其中1≤第一个数≤第二个数≤999999999,两个数之差不超过100. 输出要求 输出排序后的数据,每行输出...

mengdicfm的博客 7287

python小游戏——猜单词游戏(Hangman)

目录 一、游戏介绍 二、开发环境 三、界面设计 四、工作原理 五、代码实现 ①、????开始部分 ②、????玩家点击 Guess! 按钮 六、完整代码: 一、游戏介绍 猜单词游戏 Hangman(“上吊的人”之意),是一个双人猜单词游戏。一位玩家想一个字,另一位尝试猜该玩家所想的字中的每一个字母。 要猜的字以一列横线表示,让玩家知道该字有多少个字母。如果猜字的玩家猜中其中一个字母,另一位便须于该字母出现的所有位置上写上该字母。如果猜的字母没有于该字中出现,另一位玩家便会画吊

噗噗bug博客 9505

Win11系统下Notepad++右键菜单失效?3种修复方法实测有效(附注册表备份指南)

本文针对Windows 11系统中Notepad++右键菜单失效的常见问题,提供了三种经过实测有效的修复方法。核心解决方案包括使用官方NppShell.dll重新注册、手动修复注册表项以及系统级问题排查,并详细说明了操作前的注册表备份指南,确保修复过程安全可靠。

m2n3b4v5c6的博客 328

使用 Python 制作定制词云知识问答游戏

以下代码定义了一个函数,用于加载维基百科页面 URL,提取“Plot”标题下的电影简介,并将文本作为字符串返回。我们将使用此文本来构建词云。= "h2":该函数使用 requests 库获取 URL,并使用 BeautifulSoup 解析输出。我们使用 BeautifulSoup 查找具有“Plot”ID的span元素。如果找到图表标题,我们初始化一个字符串(plot_text)来保存文本。接下来,我们开始遍历结果,查找被标记为p的段落并将它们连接到字符串中。然后我们使用strip()

龙哥盟 864

Linux iperf 进行跑流测试时,为啥单条流会有速率上不去的问题?

iperf

1042484520@qq.com(邮箱) 3088

FortiWeb 相对路径遍历漏洞复现(CVE-2025-64446)

FortiWeb是Fortinet公司推出的企业级Web应用防火墙(WAF),专为保护Web应用和API抵御高级威胁设计。它集成人工智能与机器学习技术,通过双层检测引擎(HMM模型与SVM向量机)精准识别异常流量,可防御OWASP Top 10攻击、SQL 注入、XSS、DDoS及恶意机器人。其核心功能包括API自动化保护、虚拟补丁集成(兼容Acunetix等第三方扫描工具)及智能流量分析,支持HTTP/2、WebSocket等现代协议。(CVE-2025-64446)

iSee857的博客 468

7天从小白到高手:python-mini-projects 实战进阶指南

python-mini-projects是一个面向Python学习者的实战项目集合,包含了从基础工具到趣味应用的多种迷你项目,非常适合编程新手通过实际操作提升技能。本指南将带你用7天时间,通过动手实践掌握Python核心技能,从编程小白快速成长为能够独立开发实用工具的Python爱好者。 ## 🌟 为什么选择python-mini-projects? 对于编程初学者来说,最有效的学习方式就是

gitblog_01075的博客 948

YOLOv11-seg改进系列 | 引入CMTFNet(TGRS2023)+TransNeXt(CVPR2024)的C3k2_MSMHSA_CGLU模块,多尺度空洞注意力扩大感受野,增强复杂背景下

本文提出一种改进YOLOv11分割模型的C3k2_MSMHSA_CGLU模块,融合多尺度多头自注意力(MSMHSA)和卷积门控线性单元(CGLU)。MSMHSA通过多尺度空洞卷积提取不同感受野特征,生成跨尺度注意力,降低计算量同时保留全局上下文。CGLU采用卷积门控机制增强特征变换能力。实验表明,改进后模型参数量仅增加7.8%,GFLOPs增加4.2%,显著提升了多尺度目标检测性能,尤其适用于遥感图像等复杂场景。该模块有效解决了原始C3k2感受野有限、缺乏全局建模能力的问题。

qq_44224801的博客 201

python游戏-Python游戏

#### 设计要点 ####1.营造紧张的氛围。输入大量的压力就需要在游戏过程中营造出紧张的氛围。首先,背景音乐上就要有由缓入急的感觉,并保持较强烈的节奏感。其次可以辅以时间条等要素,增加紧张的气氛。特别是在时间行将结束的时候,背景要素的变化会给玩家带来强烈的紧张感。而这种紧张感正是消除类游戏的最大魅力。Blowup!! By Cravemob Co.,Ltd2.有张有弛。尽管需要营造紧张的氛围,...

weixin_37988176的博客 1190

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")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Python小游戏(三),生命游戏

今天,我们来实现我们的第三个小游戏:生命游戏。关注公众号回复:game3。获取源代码。其实这个游戏也是根据最开始的“贪吃蛇”改变过来的,连背景颜色都没有变,所以本节中,很多以前讲过的知识...

qq_42680814的博客 695

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

python实现小游戏论文_用Python实现童年小游戏俄罗斯方块

在那个电子产品比较匮乏的年代,小游戏机还是为数不多的游戏类电子产品,对小孩子更是有着不可抗拒的魔力,在当时如果哪个小孩买了一个小游戏机,大伙一定迅速围上去...俄罗斯方块作为其中一款小游戏,尽管规则简单、只有黑白双色,但其对当时游戏玩家的影响丝毫不亚于 LOL、农药、吃鸡对现在游戏玩家的影响,下面我们来看一下如何用 Python 实现俄罗斯方块这款小游戏。规则由小方块组成的不同形状的板块陆续从屏幕...

weixin_39860583的博客 1081

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

python制作图形化小游戏_Python制作24点小游戏

原文:https://mp.weixin.qq.com/s/raronw7X0WlntI48nUOvoQ作者:Charles微信公众号:Charles的皮卡丘先睹为快24点https://www.zhihu.com/video/1102184467568947200游戏规则(改编自维基百科)从1~10这十个数字中随机抽取4个数字(可重复),对这四个数运用加、减、乘、除和括号进行运算得出24。每个数...

weixin_32340873的博客 935

Python高手进阶|实战4大并发秘籍

天下武功唯快不破,在日常工作中,我们的很多task都会用到并发,毕竟大部分时候我们处理的工作都是大量的,如果慢慢的循环处理估计等的胡子都白了,所以学会P...

cainiao_python的博客 728

推荐几个对编程有帮助的游戏

文章目录一.极客战记二.CheckIo三.LightBot四.CodeFights(代码战 )五.代码打猎(Code Hunt)六.康丁游戏 (CoinGame)七.RoboCode八.Hack Game九.代码坦克十.大型多人在线开放策略游戏十一.Nazo Game 一.极客战记    参考网址:https://codecombat.com/    网易《极客战记》是一款在线的寓教于乐的编程教育...

William_fang的博客 4705

生命游戏(python版)

根据某种规则,计算出下一代每个细胞的状态,画出下一代细胞的生死分布图。(1)当前细胞为死亡状态时,当周围有3个存活细胞时,则迭代后该细胞变成存活状态(模拟繁殖);若原先为生,则保持不变。(2)当前细胞为存活状态时,当周围的邻居细胞低于两个(不包含两个)存活时,该细胞变成死亡状态(模拟生命数量稀少)。(4)当前细胞为存活状态时,当周围有3个以上的存活细胞时,该细胞变成死亡状态(模拟生命数量过多)。(3)当前细胞为存活状态时,当周围有两个或3个存活细胞时,该细胞保持原样。

m0_72650909的博客 2684
上一篇: Python实战6——趣味猜字母
下一篇: Python实战8——星座秘语
python_alvin_le
博客等级 码龄4年 21粉丝 17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