第三章数程序设计初步--循环结构项目4输出完数

实验 四 循环结构程序设计 一、实验目的 1、掌握 while 语句的基本格式及执行规则 2、掌握 for 语句的基本格式及执行规则 3、掌握多重循环的使用方法 4、掌握循环结构程序设计的方法 二、实验内容 1、写出下列程序的运行结果 运行结果:1 3 5 2、写出下列程序的运行结果 运行结果:sum=5167 3、阅读下面的程序,程序的功能是什么? 上文中程序,缩进有错误,正确 程序如下图所示 功能:判断101-200中所有奇数是否是素数,把是素数的打印出来,10个为1行。 4、从键盘输入 5 组数,每组有 6 个数,求 阅读详情
上机内容:编程找出1000以内的所有完数。编程找出1000以内的所有完数。一个数如果恰好等于它的因子(除它本身之外)之和,这个数就称为“完数”。
                   例如6=1+2+3,再如8的因子和是7(即1+2+4),8不是完数。 
上机目的:循环结构编程
我的程序:
/*  
* 程序的版权和版本声明部分:  
* Copyright (c) 2013, 青岛农业大学理信学院  
* All rights reserved.  
* 文件名称:输出完数.cpp  
* 作    者:幻影行者  
* 完成日期:2013 年 7 月 25 日  
* 版 本 号:v1.0  
* 对任务及求解方法的描述部分: 
* 输入描述:无  
* 问题描述:编程找出1000以内的所有完数。一个数如果恰好等于它的因子(除它本身之外)之和,这个数就称为“完数”。
*           例如6=1+2+3,再如8的因子和是7(即1+2+4),8不是完数。 
* 程序输出:略  
* 问题分析:略 
* 算法设计:略  
*/ 

//解法一:
#include <iostream>   
using namespace std;  
int main( )  
{  
    int i,j,sum;  
    cout<<"1000以内的完数有:";  
    for(i=2;i<=1000;i++)   //直接从2开始,因为1肯定不是完数
    {  
        sum=1;               //sum初值为1,因为1是1000以内所有数的因子,也是下面的j从2开始的原因
        for(j=2;j<=i/2;j++) //这里j最大只能为i的一半,即所除的因子最大只能是这个数的一半,这就排除的因子是它本身的情况 
		{
            if(i%j==0)  //能被i整除即是i的因子,要累加到sum中
				sum+=j;  
		}
        if(i==sum)    //因子之和等于这个数,则该数为完数,输出
			cout<<i<<"\t";  
    }  
    cout<<endl;  
    return 0;  
} 

//解法二:
/*
#include<iostream>
#include<cmath>
using namespace std;
int main()
{
	int i,m,sum;
	cout<<"1000以内的所有完数如下:"<<endl;
    for(i=2;i<=1000;++i) //直接从2开始,因为1肯定不是完数
	{
		sum=1;  //sum初值为1,因为1是1000以内所有数的因子
		for(m=2;m<sqrt(i);++m) //m从2开始,只要能被i整除即累加到sum中,m<sqrt(i)
		{
			if(i%m==0)
				sum+=(m+i/m);  //m能被i整除即累加到sum中,同时与m“相对”(如2能被6整除,3则是与2相对的因子)的那个因子也加到sum中
        }    
        if(i==sum)    //因子之和等于这个数,则该数为完数,输出
			cout<<i<<'\t';
	}
	cout<<endl;
	return 0;
}*/

运行结果:


C++嵌套循环结构实例:从键盘输入一个正整数n,输出1~n中所有的完全数 完全数:所有因子之和等于这个数。如28=1+2+4+7+14 https://baike.baidu.com/item/完全数/370913?fr=aladdin 注意:1.for语句执行过程:for(表达式1; 表达式2; 表达式3),先执行循环体,再执行表达式3 2.内层循环中表达式1每次循环都会执行!(*´艸`) 吼吼吼 3.C++中的system("pause");给个链接,不懂... 阅读详情

相关推荐

《循环结构程序设计》实验报告

注:break语句可以从循环体内跳出循环体外,提前结束循环,接着循环着下面的语句 (从第三题可看出)。Continue语句是结束本次循环,即跳过循环体中下面尚未招待的语句,接着进行下一次执行循环的判定。、从数字1开始到200之间,求能被3整除的数,然后求这些数的累加和,直到和的值不大于100为止。输出这些数及累加和。:确定每行所要打印的星星个数,确定行数,利用循环嵌套实现了星阵平行四边形。输入8时,8为偶数,弹出“行数应为奇数,请重新输入”的语句;:输入n=3,预期实验结果为正确值9,与实际实验结果相同。

m0_52381146的博客 1227

C++求并打印一定范围内的“完数”

利用C++语言实现“完数”的输出解题关键是计算出所选取的整数i的因子(因子就是所有可以整除i这个数的树),讲各个因子累加到变量sum(就是记录所有的因子和),如果sum与整数相等,则可以判断出i为“完数”,反之则不是“完数”。对于编程语言的实现一定要耐着性子充分分析问题的关键进而转化为编程语言。加油!

qq_62512411的博客 4077

pta 循环结构程序设计测试

循环结构程序设计测试

qq_63455002的博客 4202

c++第三次实验-输出完数

1.问题及代码/* 文件名称:Exl - 1.cpp 作 者:罗天佑 完成日期:2017年3月13日 版 本 号:v1.0 对任务及求解方法的描述部分 输入描述:无 问题描述:输出完数 程序输出:完数 问题分析:略 算法设计:运用了switch语句和if语句 */ #include using namespace std; int main() { int

a1297028557的博客 517

深入解析Docker Overlay2磁盘空间占用问题及高效清理策略

本文深入解析了Docker Overlay2存储驱动导致磁盘空间占用的核心原因,包括镜像与容器残留、日志文件膨胀、应用层泄漏及驱动特性。提供了从全局检查到精准定位的完整排查方法,并给出了从常规清理到配置优化的多维度高效清理策略,帮助用户从根本上解决Docker磁盘空间问题。

data3的博客 900

解决UNITE数据库注释高unassigned率:手把手教你训练专属真菌分类器(含预训练模型分享)

本文针对使用UNITE数据库进行真菌ITS序列注释时出现的高未分配率问题,提供了详细的实战解决方案。通过对比vsearch直接注释与Naive Bayes分类器的原理差异,文章手把手指导读者在QIIME 2环境中训练专属分类器,包括数据准备、模型训练、参数优化及效果验证,并分享了预训练模型,旨在显著提升真菌群落分析的注释准确性和数据利用率。

weixin_29214199的博客 339

【C语言和Java】求“完数”

例137 9.一个数如果恰好等于它的因子之和,这个数就称为“例如 6=1+2+3,编程找出 1000 以内的所有完数。

m0_58734370的博客 1万+

Vivado+VCS+Verdi三件套实战:如何高效仿真AXI VIP并快速查看波形

本文详细介绍了如何利用Vivado+VCS+Verdi工具链高效仿真AXI VIP并快速查看波形。通过环境配置、Vivado工程准备、VCS编译与仿真优化以及Verdi波形分析技巧,实现仿真速度的数量级提升,显著提高FPGA开发效率。

red88的博客 1001

C语言实验(七):循环结构(字符统计、求数列前n项和、完数输出)

实验内容 一、输入1行字符串,统计其中英文字母、数字、空格和其它字符的个数。 思路分解: 要统计字符串中字母、数字、空格和其他字符的个数,需要用循环遍历这个字符串。 判断英文字母、数字要通过与它们的Ascii码比较大小实现,判断是否在字母、数字Ascii码所在的区间内。 空格可以直接判断是否为空格,其他字符为剩余个数。 依次打印各种字符类型的个数。 实验代码 #include <stdi...

Blog of Mark 3573

(SCADA)监控与数据采集系统

SCADA应用于监控和采集数据来控制工业过程软件。它通过收集和传输实时数据,帮助操作员监视和控制各种设备和过程。

软件技术的专栏 4549

PWM调光原理详解:为什么你的LED灯会闪烁?从硬件到软件的避坑指南

本文深入解析PWM调光原理,揭示LED灯闪烁的根本原因,并提供从硬件设计到软件算法的全面解决方案。通过分析人眼视觉暂留机制和PWM参数设置,帮助开发者避免频闪问题,提升照明质量。特别适合电子工程师和智能家居开发者参考。

weixin_29189363的博客 298

C++第4次实验(基础班)—循环结构程序设计(参考答案)-项目4:输出完数

#include<iostream> #include<cmath> usingnamespacestd; intmain() { inti,s,j; cout<<"2-1000之间的完数有:"; for(i=2;i<=1000;i++) { s=1;//1是任何数...

macrohui2017的博客 1650

深圳SILAS(智能融合低空系统)无人机调度系统介绍

一、系统定位与核心目标SILAS(Smart Integrated Lower Airspace System)是深圳市为低空经济打造的“数字大脑”,由粤港澳大湾区数字经济研究院自主研发,定位为城市级低空飞行智能调度与管理平台。核心目标是解决低空经济中“高密度、高复杂度、多主体”的飞行调度难题,实现空域资源的高效分配、飞行安全的智能监管及全场景服务的无缝协同,支撑深圳从“无人机之都”向“天空之城”升级。二、核心架构:低空基础设施“四张网”设施网。

主攻大数据 人工智能 物联网 安全 低空经济等方向。mtsc 、gtest特邀分享嘉宾 3756

头歌:《C语言程序设计编程实践任务》循环结构程序设计 教学团队:祁文青

头歌c语言刷题

m0_74162258的博客 9546

YOLO11改进-注意力-引入自调制特征聚合模块SMFA

SMFA(自调制特征聚合模块): SMFA模块用于协同建模局部和非局部信息,它分为两个分支:一个是EASA(Efficient Approximation of Self-Attention,简化的自注意力分支),用于捕获非局部信息;另一个是LDE(Local Detail Estimation,局部细节估计分支),用于捕获局部细节。EASA通过对输入特征进行下采样,然后利用全局特征的方差进行调制,再与原始特征进行聚合,提取非局部结构信息。LDE分支则通过卷积操作提取输入特征中的高频局部信息。

qq_64693987的博客 2209

Nexys4DDR+OV7670实现图像灰度显示系统嵌入式

通过对硬件平台的准备、Vivado工程配置、OV7670驱动程序的编写、图像灰度处理算法的设计以及系统集成与测试,我们成功实现了一个基于嵌入式系统的图像处理应用。当系统运行时,OV7670摄像头模块将采集到的图像传输到FPGA芯片中,然后通过图像灰度处理算法将彩色图像转换为黑白图像,并在显示设备上进行显示。OV7670摄像头模块的驱动程序是实现图像采集的核心。以上代码中,我们使用了Xilinx提供的XGpio和Xil_In32函数来进行OV7670摄像头数据的读取和GPIO的初始化。OV7670驱动程序。

WangWEel的博客 341

MATLAB程序设计之循环结构入门详解

Matlab可以类似C/C++语言或者Python语言一样可以编写程序以完成某些功能。Matlab程序包含三大程序结构,分别是顺序结构、选择结构和循环结构。本文主要给出了Matlab程序的循环结构的语法规则及相关的Demo。Matlab程序结构之循环结构主要包括for循环和while循环。下面将逐一进行讲解。

sunnyoldboy博客 1万+

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

2013C++第10周项目——循环结构程序设计【项目4:输出完数】

/* * 程序的版权和版本声明部分 * Copyright (c)2013, 在校学生 * All rightsreserved. * 文件名称: 项目4.cpp * 作 者:刘旺 * 完成日期:2014年3月15日 * 版本号: v1.0 * * 输入描述: * 问题描述:一个数如果恰好等于它的因子之和,这个数就称为“完数”。 * 例如6=1+2+3,再如8的因子和是7

Super_Wang 983

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。

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")

c++实验四——输出完数

一、问题及代码 /* * 文件名称:输出完数 * 作 者: 郑帅馨 * 完成日期: 2017 年 4 月 21 日 * 版 本 号:v1.0 * 对任务及求解方法的描述部分:利用该程序求1000以内所有的完数 * 输入描述:无 * 问题描述:求完数 * 程序输出: 无 * 问题分析: 无 * 算法设计: 无 */ #inclu

zsx16的博客 3151

js 实现输出1000以内的完全数(完美数、完备数)

题目:求出1000以内的所有“完全数”并输出它们(若n的包括1但不包括n本身的所有因子之和等于n,则n为“完全数”。例如6=1+2+3,28=1+2+4+7+14)。 <!DOCTYPEhtml> <htmllang="en"> <head> <metacharset="UTF-8"> <metan...

wwf1225的博客 4328

【ARM】ARM汇编程序设计(三) 循环结构

00. 目录 文章目录00. 目录01. 循环结构-死循环02. 循环结构-累加和03. 循环结构-循环输出04. 循环结构-循环输出05. 随机数06. 综合应用一07. 综合应用二08. 综合应用三09. 附录 01. 循环结构-死循环 第一种方式:死循环 .section .rodata .align 2 .LC0: .string "val = %p\n" .section .text .align 2 .global main main:

C/C++软件工程师、嵌入式软件工程师、物联网研发工程师、C/C++讲师、物联网讲师、嵌入式讲师、鸿蒙讲师---欢迎大家一起交流(私信添加博主微信) 3759

汇编语言的程序设计方法(循环结构和分支结构)

汇编语言中常见的形式有:顺序程序设计,分支程序设计,循环程序设计以及子程序设计 1.今天通过实例来详细说明分支程序设计,和循环程序设计 分支程序设计实例 给定一下符号函数: 给定X值,假设为-25,且存放于X单元,函数值Y存放于Y于单元,根据给定的X值确定Y得值 程序如下 DATAX SEGMENT x DB-25 y DB? DATAX ENDS CODEX SEG...

坚果的博客 1万+

循环结构程序设计

循环结构程序设计 前言 在计算机解决实际问题时,往往需要重读执行特定的一系列步骤或操作,就要用到循环结构。需要执行的一系列操作的次数,有的是事先知道的,称为计数器控制的循环;有的是事先不知道的,由特定条件来控制,称为条件控制的循环。 ...

Mekeater的博客 4664

循环结构程序设计总结

循环结构程序设计总结 循环结构是三种基本程序结构的的最后一种,也是最难的一种,这是因为它是最考验逻辑表达的一种结构。循环结构的应用也是十分广泛的。现在将循环结构程序总结如下: 循环结构的定义: 程序设计中需要反复执行的某一条语句或语句块所构成的结构,被称为循环结构。 循环结构的语句: 循环结构的...

qq_45798407的博客 1283

程序设计基本结构———顺序、选择与循环

 一、程序设计基本结构             结构化的程序设计容易理解、容易测试,也容易修改,正确使用这些结构将有助于设计出高度结构化的程序。Linux C 提供了比较完善的结构化流程控制结构,主要有以下三种基本结构:顺序结构、分支选择结构和循环结构,由这三种基本结构可以组合出任意复杂的程序。换句话说,任何一个结构程序都可以由这三种基本控制结构来表示。  顺序结构:顺序结构是最简单的一种基本控制...

赵路IT软件技术交流博客 1万+
上一篇: 第三章数程序设计初步--循环结构项目3拓展英尺到米的转换表
下一篇: 第三章数程序设计初步--循环结构项目5贪财的富翁
shadowwalker1
博客等级 码龄14年 7粉丝 49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