vue易错

小论文/大论文必备| YOLO26热力图可视化,支持8种常用热力图方法:GradCAM,GradCAMPlusPlus,XGradCAM,EigenCAM,HiResCAM等,助力小论文和大论文加分 本文介绍了如何为YOLO26模型添加热力图可视化功能,包括完整代码和使用教程。热力图能增强模型的可解释性,适用于论文中的实验对比和结果展示。文章提供了详细的代码实现,包含图像处理、热力图生成和结果可视化等功能,并指导用户如何创建Python文件、粘贴代码以及调整参数生成最佳热力图。通过设置不同层号,用户可以灵活控制热力图效果,最终结果将保存在指定文件夹中。 阅读详情

1.插值:{{name}}
2.动态属性:

{{name}}


3.表达式(能产生一个值):{{number+1}}; {{flag?‘yes’:‘no’}}; {{name.split().reverse().join(’’)}}
4.v-html(会覆盖本来的p):

我是哈默


5.计算属性: 只有当是对做计算属性变化才会执行,可以订getter也可以定setter,双向绑定

<template>
	<input v-model="double2"/>{{double2}}
</template>
<script>
computed:{
	double2:{
		get(){
			return this.number*2
		},
		set(){
			this.number = value/2;
		}
	}
}
<script>

6.watch.深度监听,针对引用类型:

<input type="text" v-model="info.hobby"/>
<script>
export default{
	data(){
		return{
			info:{
				hobby:'篮球'
			}
		}
	},
	watch:{
		info:{
			handle(newValue,oldValue){							   console.log('info',newValue,oldValue);
},
		deep:true;
		}
	}

7.绑定class和style

<li class="item" :class="{'active':isActive}">项目1</li>
<li class="item" :style="styleData">项目1</li>

8.v-for:
v-for的优先级比v-if高,不能连用,加item唯一标识,插入的时候不会乱,也可以更快的渲染虚拟dom,不是根据diff算法一个个更新;

<li v-for="(item,index) in array" :key="item.id">
<li v-for="(value,key,index) in array :key="key">{{index}}-{{key}}-{{value}}

9.事件.给添加click的button元素增加事件对象

<button @click="incrementBy10(10,$event)">点击加10</button>
<script>
methods:{
	incrementBy10(step,e){
		this.number+=step;
		console.log('e',e);//MouseEvent{..}
		console.log(e._proto_.constructor);//MouseEvent(){[native code]},说明是原生的事件对象
		console.log('e.target',e.target);//<botton>点击加10</button>
		console.log('e.currentTarget',e.currentTarget);//<botton>点击加10</button>
		
}

10.通信:

//父传子
//父
<div :list="list"></div>
//子
props:{
	list:Array
}
//子传父
//子
methods:{
	add(){
		this.$emit('add',this.title);
	}}
//父
methods:{
	add(title){
		this.list.push({
			id:Math.random(),
			title
		})
	}
}
//兄弟通信eventbus
//eventBus
import Vue from 'vue';
const eventBus=new Vue();
export default eventBus;
//传输方
import eventBus from './event-bus';
export default{
	methods:{
		add(){
	eventBus.$emit('addItem',this.title);
	}}
//接收方
import eventsBus from './event-bus';
export default{
  props:{
  	list:Array
  }
  methods:{
  	handAdd(title){
		console.log('title',title);
	}
  }
  mounted:{
  	eventBus.$on('addItem',this.handAdd)
  }

composition api , option api
11.生命周期函数:
当vue实例创建完毕执行created;
当组件内容渲染到页面的时候执行mounted
当组件数据发生改变执行updated
当组件销毁的时候执行destoryed
父创建-子创建-子挂载-父挂载-父先更新-子先更新-子更新-父更新完毕

【Windows Server 2019】存储服务器的配置和管理——iSCSI的安装和配置(下) 博文介绍了如何使用Windows 10 和 ESXi 验证iSCSI服务器部署成功以及如何管理iSCSI服务 。 阅读详情

相关推荐

PSCAD学习笔记(1)Project Settings(重点snapshot设置)

若不勾选,则横坐标为实际时间2-7s,故障显示在第3s发生。图片中时间坐标轴显示为0-5s,故障时刻显示为第1s,即0-1s展示系统稳态,1-5s展示系统发生故障后的暂态响应,如何通过快照文件实现?勾选该项后,使用快照文件启动仿真会将仿真起始时间强制设置为0s,反之不勾选则依据快照文件保存的时间轴继续(即坐标为实际时间)。如果已有的快照文件保存的是0s至5s的仿真内容,则仿真运行时间从5s开始,到10s结束。如果已有的快照文件保存的是0s至2s的仿真内容,则仿真运行时间从2s开始,到7s结束;

gwenh的博客 7342

【Vue】日常错误总结(持续更新)

中组件props中的数据只能单向流动,即只能从父组件通过组件的DOM属性attribute传递props给子组件,子组件只能被动接收父组件传递过来的数据,并且在子组件中,不能修改由父组件传来的props数据。当你监听路由变化时,如果在回调函数中使用了this关键字,它将指向新创建的组件实例,而不是之前的组件实例。在上面的代码中,我们在 `el-form-item` 的 `label` 属性和 `v-if` 判断条件中都使用了表达式,因此应该将它们放在一对花括号中。

慕白Lee的博客 3018

Unity雷达图效果实现

unity雷达图源码

a604263644的博客 1026

VUE基础易错点概述

本文主要介绍了 Post与Get请求、插槽、验证器的使用、ref与$refs、lable 与 :lable、两个页面的切换以及自定义组件

m0_54034052的博客 763

EDA工具安装第一步:Synopsys Installer的配置与图形化界面使用详解

本文详细解析了EDA工具安装的关键第一步——Synopsys Installer的配置与使用。文章阐述了其作为统一部署管理器和依赖协调者的核心作用,并分步详解了如何通过图形化界面高效安装EDA工具,同时介绍了命令行批处理等进阶技巧,旨在帮助工程师快速搭建稳定的芯片设计环境。

zeta9的博客 339

抽象代数学习笔记(抽象代数的历史、运算)

1. 抽象代数历史 对于五次及以上的代数方程是否存在根式解这个问题,欧拉、拉格朗日、高斯等数学家都没得到答案,但是他们得出五次及以上的代数方程组不存在根式解的结论。19世纪初,阿贝尔提出五次及以上的代数方程不存在根式解,并找出一类特殊的五次及以上的代数方程可以用根式解表示出来。另外一个年轻的数学家伽罗华...

huangzhpei的博客 3667

Vue常见报错及解决方案

写代码的过程中一定会遇到报错,遇到报错不要担心,认真分析就可以解决报错,同时积累经验,早日成为大牛👍 本文会整理一些在编码过程中遇到的常见报错,共同学习。 一、报错结构 二、常见问题总结及解决方法 Mixed spaces and tabs Unexpected keyword 'const' Module not found: Error: Can't resolve '....' in '....' Element is missing end tag TypeError: Cannot.

TeAmo__的博客 2万+

c++ mysql_init 返回无效指针_C++操作MYSQL遇到的一些问题

首先 我使用的是 vcpkg上面是我装的一些库《大大安利vcpkg 安装时一定要使用powershell进行编译装上vcpkg后装ligmariadb这个库,这个对Mysql操作还是挺方便的,然后说一下 在装库时碰到的一些问题1.网络问题1.参考了一下 github上的答案 将下载失败的url拷下来 自己下 然后再重新开始安装《vcpkg在安装时每一个需要下载的 都会提供url-仔细找,2.这个问...

weixin_32176627的博客 680

Vue易错总结

Vue易错总结 引入 import * as echarts from 'echarts' Vue.prototype.$echarts=echarts 在页面里使用,一定要放到mounted函数里 <template> <div> <div id="main1" style="width: 600px;height:400px;"></div> </div> </template> <scri

weixin_42975688的博客 1157

高精度地图数据的结构

本文是个人在学习高精度地图数据结构的心得,主要是描述高精度地图的几层数据结构以及元数据信息。

qq_40664711的博客 5575

使用C#实现的多人语音视频系统:WebSocket与WebRTC集成

通过上述的代码示例,我们可以使用C#编写一个多人语音视频系统,该系统集成了WebSocket和WebRTC技术。当然,这只是一个简单的示例,实际的多人语音视频系统可能需要更多的功能和优化。通过结合这两种技术,我们可以实现实时的语音和视频通信,支持多人同时参与。在上述代码中,我们创建了一个WebSocket服务器,监听在本地的8080端口,并创建了一个WebRTC连接。接下来,我们将详细介绍如何使用C#编写一个多人语音视频系统,包括使用WebSocket建立连接和使用WebRTC进行实时通信。

TjsReact的博客 1634

vue常见错误及解决办法

1、在配置路由并引入组件后,报错:     Unknown custom element: <router-link> - did you register the component correctly? For recursive components, make sure to provide the "name" option.   错误原因:vue-router没有注册   解决办法:     //注册插件 *****************非常重要,不能忘记     Vue

ButOff的博客 9860

我用 GPT-5.5 十分钟搞定一篇文献综述!附全流程指南

每一个框架中提出的逻辑链接,都必须至少有一篇提供文本中的文献作为支撑、严格禁止虚构变量、逻辑关系或研究结果、如果某些变量或关系在文本中未提及,必须明确声明“在提供的文本中未找到相关信息”、引用格式必须严格遵循原文提供的“作者/年份”格式,例如:[Smith, 2022]。各位同仁好,我是七哥。扫描提供的文献摘要,识别存在冲突的结果或理论、分析这些文献之间的差异,并总结可能导致差异的原因、输出一个结构化的学术争论段落,清楚呈现文献间的分歧和潜在影响因素、对于缺失或不明确的信息,按约束条件如实标注。

智能AI让学术科研更容易 370

vue路由守卫易错点

【代码】vue路由守卫易错点。

rr78xln5E的博客 159

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

vue 技巧与易错

vue 技巧与易错

牛牛博士博客 1108

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

vue路由守卫易错点 _

常见顺序理解:全局前置 beforeEach -> 路由独享 beforeEnter -> 组件内 beforeRouteEnter。你的项目就是典型正确示例:团课页在 beforeRouteLeave 里先关闭预约管理弹窗,再 next(),避免切走后状态残留。对比:beforeRouteUpdate、beforeRouteLeave 可以直接用 this,因为组件已存在。建议:全局管“通用规则”,路由独享管“页面特例”,组件守卫管“组件状态”。}) 在实例创建后访问组件。

nA5A5v8cX的博客 189

Vue项目易错点合集

1.vue2.x---vue-router如何在router-link标签绑定click点击事件、keyup、change等事件 <router-link v-for="(item,index) in productdetailcontent" :key="index" :to="{ path: item.path }" tag='li' @click="showIndicator(in...

Rui012345的博客 429

Vue Router 使用技巧与易错点全解析

在使用this.$router.push传递参数时,如果使用对象形式this.$router.push({name: 'user', params: {id: 1}}),当使用命名路由跳转时,params参数在刷新页面时会丢失。随着应用规模的增大,打包后的文件体积也会越来越大,这会影响页面的加载速度。路由懒加载可以将路由对应的组件分割成一个个小的代码块,当路由被访问时才加载对应的组件,从而提高应用的初始加载性能。:在设置嵌套路由时,要注意子路由的path不要加斜杠/,否则会变成根路由,导致无法正确嵌套。

yzz1234567的博客 936

vue易错点总结

详细展示生命周期 调用方法和获取data中的数据 ,最早是在create方法中 在created方法中可以发送请求。 想要操作DOM元素,最早是在mounted之后 mounted之后,元素真正的挂载到了浏览器端。 不同生命周期可以做的事情 上面的图片详细解释了生命周期钩子里应该做哪些事情,诸位可以自行取舍,下面我们结合案例总结下: created钩子: 发ajax请求 mounted钩子: 也可以发送ajax请求,更多的是操作DOM元素 updated钩子: 可以用来监听路由变化 beforeDest

weixin_38552195的博客 430

vue 易错点

1, 一定要在赋值之前对数据进行操作,要不然监控的数据是有问题的,比如我做的点击有背景色,有的有背景色,有的没有

蚁族的奋斗的博客 254

vue易错备忘录

computed(计算属性) 拥有缓存属性; vue 提倡使用计算属性; 只有当依赖的数据发生变化时,关联的数据才会变化, 当**一个属性受多个属性**影响时就需要用到computed 适用于计算或者格式化数据的场景; 例如:购物车计算价格 只要购买数量,购买价格,优惠券,折扣券等任意一个发生变化,总价都会自动跟踪变化.对于复杂逻辑,vue 提倡使用计算属性;最大特点就是缓存; watch(监事属性) **一个数据影响多个数据** 一般用于监控路由、input输入框的值特殊处理等等,它比较适合的场景是一个

qq_44892120的博客 156

Vue中:value的易错

今天写项目才发现自己还没完全掌握好理解这个:value,很容易混淆,于是自己捋一捋: 下面有4种情况: ①value=“abc” 这样写是直接让value等于abc,其实与③的写法表达的意思一样 ⭐下面是有:冒号的情况,有冒号:的都是动态绑定 ② :value=“abc” 这样写是让value绑定变量abc,这个变量要写在data里定义,这样可以在data里动态地改变abc的值。 ③ :value=" ‘abc’ " 这样写,是让value绑定字符串abc ④ :value=“true” 这样写,是让val

weixin_45586870的博客 6052

vue中一个关于ref的易错点

改bug改了两天,主要是把时间花在找bug上了,解决之后感觉这似乎是一个很小的问题,所以记录一下,巩固一下吧。 出错代码段: <template> <WangEditor ref="md" :content="content" /> <Button @click="save()">保存</Button> </template> <script> data(){ content:'' }, methods:{ save(

qq_44937699的博客 617

vue组件间数据传递的易错点

问题出现 如何解决 警告原因 el-dialog作为子组件时,怎么传递值给父组件 知识点 问题出现   近期在使用vue做项目过程中,父组件a将数据传递给了子组件b,子组件b中做了状态的处理,然后习惯性的修改了父组件a传过来的值,即修改了子组件props中的值,这时实际效果正常展现,但是F12打开浏览器时,却看到浏览器中抛出了警告信息。 如何解决   仔细查看该警告信息,...

xiaoyinmochun的博客 362

vue实例生命周期易错点

1、为什么组件也有生命周期?它和实例生命周期有什么关系?组件和实例又是什么关系?当我说生命周期时,我想到了两个生命周期,分别是实例生命周期和组件生命周期。官方文档《组件系统》一章,清楚地说明了:每个页面都是一个组件树: 组件是实例的扩展,扩展了一些选项。组件是一块可重用的代码。“在 Vue 里,一个组件本质上是拥有预定义选项的一个 Vue 实例”。预定义选项,如生命周期钩子等。说到预定义选项,就必

形而上的小鱼 470
上一篇: ES6~ES10
下一篇: git使用
qq_47414739
博客等级 码龄7年 0粉丝 11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