Win10系统中GPU深度学习环境配置记录

5. NVIDIA驱动版本与CUDA版本对应关系 NVIDIA驱动版本与CUDA版本对应关系 阅读详情

运行环境

系统:Win10   

处理器 Intel(R) Core(TM) i7-9700K CPU @ 3.60GHz   3.60 GHz
机带 RAM 16.0 GB
设备 ID A18D4ED3-8CA1-4DC6-A6EF-04A33043A5EF
产品 ID 00342-35285-64508-AAOEM
系统类型 64 位操作系统, 基于 x64 的处理器

显卡:NVIDIA GeForce RTX 2070

驱动程序版本: 30.0.15.1252
驱动程序日期: 2022/4/15
DirectX 版本: 12 (FL 12.1)
物理位置: PCI 总线 1、设备 0、功能 0

专用 GPU 内存 0.6/8.0 GB
共享 GPU 内存 0.0/8.0 GB
GPU 内存 0.6/16.0 GB

配置环境

使用GPU进行深度学习需要安装Cuda CuDNN 以及tensorflow或者pytorch等python深度学习框架。

我们可以通过tensorflow官网找到适配的cuDNN和CUDA的版本,网址为:

https://tensorflow.google.cn/instal/source_windows  现在打开显示报错,原文(地址cuDNN和CUDA的安装_cuda和cudnn安装-优快云博客)显示对应版本如下图:

这里使用版本:Cuda 11.2   CuDnn 8.1  tensorflow_gpu-2.5.0

Cuda下载与安装

下载地址:人工智能计算领域的领导者 | NVIDIA

CUDA Toolkit 12.2 Update 2 Downloads | NVIDIA Developer ,点击

选择对应版本进行下载:

下载就得到Cuda11.2安装包。

下面开始安装,点击安装包安装cuda,文件先解压,然后开始安装。

 

Cudnn下载与安装

下载地址:cuDNN Archive | NVIDIA Developer

这里注意需要注册账号登录之后才能下载。 

下载完整之后的安装包:

 

Cudnn安装

首先解压下载后的文件,打开文件夹

将bin中所有文件复制到CUDA的bin文件夹(CUDA默认安装到了C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA)


Tensotflow2 下载

下载地址:tensorflow-gpu · PyPI

由于官网下载速度太慢了,这里在优快云资源里面下载的,地址:https://download.youkuaiyun.com/download/zizhuangzhuang/19339448

 版本名称:tensorflow_gpu-2.5.0-cp37-cp37m-win_amd64.whl,这里手动安装到pycharm环境中。手动安装可以参考以前写的博客:python中如何导入gdal包?_python导入gdal_空中旋转篮球的博客-优快云博客

安装好之后可以在pycharm中查看到结果。 

环境测试

运行深度学习代码,显示cuda加载成功,但是显示错误“Could not load dynamic library 'cudnn64_8.dll'; dlerror: cudnn64_8.dll not found”

2023-10-03 11:11:58.542341: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cudart64_110.dll
10249
2023-10-03 11:12:04.352079: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library nvcuda.dll
2023-10-03 11:12:04.430194: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1733] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: NVIDIA GeForce RTX 2070 computeCapability: 7.5
coreClock: 1.62GHz coreCount: 36 deviceMemorySize: 8.00GiB deviceMemoryBandwidth: 417.29GiB/s
2023-10-03 11:12:04.430800: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cudart64_110.dll
2023-10-03 11:12:04.577966: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cublas64_11.dll
2023-10-03 11:12:04.578162: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cublasLt64_11.dll
2023-10-03 11:12:04.668754: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cufft64_10.dll
2023-10-03 11:12:04.685764: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library curand64_10.dll
2023-10-03 11:12:04.734948: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cusolver64_11.dll
2023-10-03 11:12:04.776406: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cusparse64_11.dll
2023-10-03 11:12:04.781208: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'cudnn64_8.dll'; dlerror: cudnn64_8.dll not found
2023-10-03 11:12:04.781436: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1766] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are

重启一下电脑,使用以下代码监测GPU并指定使用GPU重新进行训练 :

# 指定使用 GPU 设备
print(tf.__version__)
print('is_gpu_available',tf.test.is_gpu_available)
physical_devices = tf.config.list_physical_devices('GPU')
print(physical_devices)
tf.config.experimental.set_memory_growth(physical_devices[0], True)

运行情况如下,没有报以上错误了:

2.5.0
is_gpu_available <function is_gpu_available at 0x000001953DC52C18>
2023-10-03 23:25:54.193660: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library nvcuda.dll
2023-10-03 23:25:54.258133: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1733] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: NVIDIA GeForce RTX 2070 computeCapability: 7.5
coreClock: 1.62GHz coreCount: 36 deviceMemorySize: 8.00GiB deviceMemoryBandwidth: 417.29GiB/s
2023-10-03 23:25:54.258495: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cudart64_110.dll
2023-10-03 23:25:54.317482: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cublas64_11.dll
2023-10-03 23:25:54.317677: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cublasLt64_11.dll
2023-10-03 23:25:54.344522: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cufft64_10.dll
2023-10-03 23:25:54.352334: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library curand64_10.dll
2023-10-03 23:25:54.375640: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cusolver64_11.dll
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
2023-10-03 23:25:54.397368: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cusparse64_11.dll
2023-10-03 23:25:54.400881: I tensorflow/stream_executor/platform/default/dso_loader.cc:53] Successfully opened dynamic library cudnn64_8.dll
2023-10-03 23:25:54.401098: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1871] Adding visible gpu devices: 0
Found 10249 files belonging to 16 classes.
Using 3075 files for training.
2023-10-03 23:25:54.764308: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2023-10-03 23:25:54.765206: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1733] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: NVIDIA GeForce RTX 2070 computeCapability: 7.5
coreClock: 1.62GHz coreCount: 36 deviceMemorySize: 8.00GiB deviceMemoryBandwidth: 417.29GiB/s
2023-10-03 23:25:54.765556: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1871] Adding visible gpu devices: 0
2023-10-03 23:25:55.259383: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1258] Device interconnect StreamExecutor with strength 1 edge matrix:
2023-10-03 23:25:55.259576: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1264]      0 
2023-10-03 23:25:55.259684: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1277] 0:   N 
2023-10-03 23:25:55.260261: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1418] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 6001 MB memory) -> physical GPU (device: 0, name: NVIDIA GeForce RTX 2070, pci bus id: 0000:01:00.0, compute capability: 7.5)

训练速度有很大提升:训练参数:Trainable params: 11,150,544

CPU状态及训练速度:

Epoch 1/50
257/257 [==============================] - 524s 2sep - loss: 1.4153 - accuracy: 0.5106 - val_loss: 2.0161 - val_accuracy: 0.4628

GPU状态及速度,GPU温度急剧上升,很快就升到80摄氏度以上。GPU训练速度提升了进10倍。

257/257 [==============================] - 66s 209ms/step - loss: 1.3817 - accuracy: 0.5200 - val_loss: 1.6644 - val_accuracy: 0.5265
Epoch 2/50
257/257 [==============================] - 52s 201ms/step - loss: 0.9899 - accuracy: 0.6371 - val_loss: 3.9179 - val_accuracy: 0.2101
Epoch 3/50
win10+MX350显卡+CUDA10.2+PyTorch 安装过程记录 深度学习环境配置 深度学习环境配置PyTorch 阅读详情

相关推荐

Win10,深度学习GPU环境配置实录(Anaconda + TensorFlow 2 或 TensorFlow 1.15 + keras)

这是我第N次遇到把环境搞坏,再重新配环境,然后忘记各个步骤中的指令,然后全网查资料的情况。于是我决定落实一下一直都有的一个想法:写个 Blog 记录下从零开始搭建环境的全过程,以方便将来再次把环境搞坏的自己和遇到相同问题的同学们。 前言 GPU 对深度学习运算效率提升非常巨大,就我目前做的一个项目而言,一个 epoch 用 CPU 耗时 1622s ,而用 GPU 仅需要 33s,粗略估计下使...

zgjstudy的博客 2744

win11+AMD的cpu+3060GPU电脑安装 tensorflow-GPU+cuda11+cudnn

前言 我新买的电脑是AMD的cpu+NVIDIA的3050GPU想试一试这个电脑跑深度学习,就安装一下tensorflow记录一下 安装Anconda 这个往上下载默认安装即可,不做描述 使用命令行新建一个tensorflow的环境 conda create --name tf python=3.7 安装时候有一个需要确认输入 y即可 创建完成切换到创建的环境中 conda activate tf 然后使用豆瓣源pip下载tensorflow2.7相关的依赖包,tensorflow1.15版本以上就不需

尘埃飞舞 5665

Win10+GTX1650显卡下安装Tensorflow-gpu1.14的踩坑过程及训练目标检测模型

Win10+GTX1650显卡下安装Tensorflow-gpu1.14的踩坑过程及训练目标检测模型 作为一个刚接触深度学习的小白,因目标检测的任务需求,在网上查阅了大量前辈写的相关blog,学到了很多东西,最后自己搭建完环境训练了模型。因为搭配环境时踩了很多坑,我将内容整理一下,方便必要时再次查看。 安装tensorflow-gpu前python、cuda、cudnn、vs的版本需要一一对应,否...

weixin_45023983的博客 2万+

win10任务管理器中的专用GPU内存 vs 共享GPU内存

Win10任务管理器–>性能选项卡–>GPU选项下,会有专用GPU内存,共享GPU内存和GPU内存信息的使用情况。 这三种GPU内存分别指代什么呢? 专用GPU内存 就是只能被GPU使用的内存。 对于独显,专用GPU内存就是GPU显卡上自带的内存,特点是带宽大,延迟小。 对于集显,专用GPU内存是指BIOS从系统内存中分配给集显GPU专用的内存,也称为stolen memory。 共享GPU内存 就是GPU(s)和其他应用可以共享的系统内存,其中,GPU的使用优先级最高。 受PCIe限.

Do more, know more, be more. 3万+

Win10 64bit 安装Theano 配置CUDA 实现GPU加速 详细步骤

一、前言 之前接触过深度学习,由于实验室台式电脑是32位且没有独显,跑深度学习这样层次复杂的模型,运算时间上非常漫长(干着急…)。这次在自己笔记本上重新折腾,配置CUDA ,通过学习网上总结的教程,不断尝试,最终安装成功。现将整个安装过程记录下来。二、软件信息: 【1】操作系统:Win10 64bit 【2】Python环境及相关依赖包:Anaconda-2.1

CV前沿 8525

【深度学习笔记】tensorflow-gpu1.13 + Win10 + CUDA10.0 + CUDNN7.5.0 + Python3.7 + VS2019安装

@[孙悟充](tensorflow-gpu1.13 + Win10 + CUDA10.1 + CUDNN7.5.0 + VS2019安装) tensorflow-gpu1.13 + Win10 + CUDA10.1 + CUDNN7.5.0 + VS2019安装 第一次做安装笔记,记录一下自己历经一周多次安装tensorflow-gpu的经历,参考了多位大佬的安装经验,以下附上大佬们的帖子 @[E...

孙悟充的博客 1万+

(纯小白向)Windows配置GPU深度学习环境:Cuda+Anaconda+pytorch+Vscode

下载的Cuda版本为11.8(为什么不下载驱动支持的最高版本12.1.1,因为下载pytorch时,当时的pytorch的支持Cuda最高版本仅为11.8,两者作匹配。通过conda创建一个名为pytorch的虚拟环境(-n 后面是创建的虚拟环境的名字),3.9是python的版本,都可以按自己需求改,一定要指定具体 python 版本。选择对应自己下载的cuda版本(我的cuda是11.8即11.x,如果没有你想要的版本,点击Archived Releases,再找)

wahahhaha的博客 8580

win10下anaconda虚拟环境配置cuda+cudnn+tensorflow(gpu版本)

记录下第一次搭建深度学习环境的经历前言新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 由于所做项目需要用到tensorflow,我花了几天时间才搞明白整个安装流程,也走了很多弯路,因此记录下安装过程分享给大家。配置

无涯00的博客 1762

Windows系统上安装GPU深度学习环境

步骤b手把手教你:Windows系统上安装GPU深度学习环境 - 知乎补充,cuda 和cudnn还是要下载安装,最简单的办法即使最新驱动,然后去pytorch官网找安装pytorch命令选项中对应次新的cuda版本命令(比较稳定),cudnn下载cuda对应的版本就可以cuda下载的是exe文件,直接打开安装,cudnn下载的是zip文件,解压后将三个文件夹复制到conda安装的位置就好了: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3

qq_35724582的博客 1218

Win10_64位下搭建TensorFlow-GPU版本的环境

Win10_64位下搭建TensorFlow-GPU版本的环境标签 : 深度学习软件清单: Python : 3.6.2 版本 TensorFlow : 1.4 版本 CUDA : CUDA8_win10 版本 cuDNN : cuDNN6.0_win10 版本 本文末尾会提供本次博文使用到的所有安装文件的百度云盘分享链接。 安装过程:1. 安装Python    两种方式 : 到官网上下载安装

、bye_碎翘的博客 6129

告别代码恐惧!用KRobot图形化编程,10分钟搞定Arduino巡线小车(附完整接线图)

本文介绍如何使用KRobot图形化编程工具快速搭建Arduino巡线小车,无需编写代码。从硬件准备到逻辑构建,详细讲解传感器数据处理、电机控制优化及高级功能扩展,帮助教育工作者和创客爱好者10分钟内完成项目。

weixin_30632089的博客 398

动手学深度学习 李沐 pytorch版本 基于Win10环境配置

本文记录了在学习李沐的动手学深度学习课程时,所需要的预备工作,主要是win10环境下的PyTorch搭建,主要面向深度学习初学者。

qq_45687652的博客 1万+

Mac安装Weblogic教程

1.Weblogic的下载 这次安装的是最新版本12 官网下载地址: http://www.oracle.com/technetwork/middleware/weblogic/downloads/index.html 下载需要登录账号,如没有账号要注册一个 下载后的文件如下图,其中fmw_12.2.1.3.0_wls_quick.jar文件就是安装包了,注意现在不要对它进行解压 2.安装前的确...

weixin_40102675的博客 5063

【深度学习环境配置】手把手实战配置深度学习环境(win10版)

著名的诺贝尔物理学奖得主Richard Phillips Feynman提出一个著名的学习方法——“费曼学习法”,其核心可以总结为四个字:“以教促学”。 如果能把一件事讲清楚给其他人听明白,自己就是最大的受益者。 “路漫漫其修远兮,吾将上下而求索”。今天开始,通过公众号记录一下自己探索计算机视觉过程中的所学所记和所感。 本文介绍《如何在win10上配置深度学习环境》。对于想入门深度学习的同学来说,配置环境是必经之路(仍记得当初被各种环境问题折腾的痛苦)。 虽然现在已经有很多云服务器,简单选择一下就可以远程

learning CV 7451

ABAQUS地应力平衡方法详解

在岩土工程数值分析中,首先要对模型进行初始地应力平衡计算。ABAQUS有限元软件有五种初始地应力平衡方法:①自动平衡法;②关键字定义初始地应力法(或在界面操作);③ODB导入法;④初始应力提取法;⑤用户子程序SIGNI法。由于第五种方法需要一定的编程基础,操作起来太复杂不易掌握,故本文只讲解较为实用的前四种平衡方法。 地应力平衡的目标:使土层在自重作用下的变形很小----不存在初始位移,只存在初始应力。一般情况下,最大位移达到10-4次幂以下就可以了。 ①自动平衡法 (如果土体采用线弹性,且比较规则,

m0_69808458的博客 3万+

27930-2023与27930-2015区别

描述了27930-2023与27930-2015的更新点

manjixingkong1234的专栏 3850

深度学习第一步——Pytorch-Gpu环境配置:Win11/Win10+Cuda10.2+cuDNN8.5.0+Pytorch1.8.0(步步巨细,少走十年弯路)

这篇博客手把手教你搭建Pytoch-Gpu环境!可谓是良心制作!一步一步,自己感觉很详细,质量也很高,算是对配置Pytorch深度学习环境的一个总结!大部分人想学编程都被配置环境劝退,这个过程 难免会遇到各种各样的坑,但也正是这些坑让我们不断成长!希望这篇博客可以帮助到你,早日进军深度学习!

weixin_63866037的博客 7730

以 Joule 驱动的生成式开发:把需求文档直接变成可运行的 SAP 应用

摘要:SAP BTP的AI助手Joule正在改变开发方式,支持从自然语言描述自动生成数据模型、服务、UI及测试代码。在SAP Business Application Studio中,Joule能根据业务需求生成结构化代码,并提供代码补全、重构、解释等功能。开发者需注意避免上传敏感数据,并对AI生成的代码进行人工审核。Joule特别针对ABAP开发进行了优化,提供符合SAP规范的代码建议,帮助迁移遗留系统。此外,它还能快速生成CAP项目原型,但所有AI生成内容都需经过严格测试验证。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 343

深度学习1-深度学习环境安装,有这一篇就够了!Anaconda-Python+Tensorflow2.0-GPU+Keras+Pycharm

这是本人从零到一学习深度学习的第一篇记录,也不知道能写出多少学习记录,也不知道能学到多少,总之记录下自己的学习过程,遇坑过程,一切跟深度学习的过程都会一一记录,一方面给自己回头看的一点念想,另一方面给其他同学参考,按这一篇就可以解决对应的问题. 2020年3月9日 by 第一段代码 <这个安装 看了好多人的安装博客,最后理顺和整合了一下,讲到底看我这一篇搭建深度学习环境就足够了,按步骤走...

第一段代码的博客 1万+

ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory解决方案

本文主要介绍了ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory解决方案,希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 11万+

【Bug已解决】Claude Code WebFetch 报错 Unable to verify if domain is safe to fetch 解决方案

方案适用场景推荐指数放行域名校验接口根本解决方式,需要网络管理员配合⭐⭐⭐⭐⭐curl 手动验证具体拦截环节精确定位问题,避免排查方向跑偏⭐⭐⭐⭐⭐排查企业 SSL 中间人代理证书企业统一代理策略较严格的环境⭐⭐⭐⭐检查系统时间准确性排除证书有效期误判的可能性⭐⭐⭐手动复制内容作为过渡方案网络策略调整周期较长的场景⭐⭐⭐报错的本质是**WebFetch。

一键难忘的博客 4510

win10深度学习环境搭建

前言 文件准备 配置安装 前言 之前安装各种软件查各种网站弄得特别麻烦,所以写下一篇完整的文章来记录整个操作流程。我搭建的环境是python3.6+cuda9.0+opencv3.3+tensorflow_gpu1.11+pytorch ...

你的益达 3万+

YOLO26 实战全流程:从数据集标注到端到端无NMS推理(完整版,附ProgLoss核心调参技巧+避坑指南)

本章节是实战经验的精华❌ 数据集标注不规范,导致模型精度低 → ✅ 严格遵守工业级标注规范,标注框紧贴目标边缘,不要漏标/多标;❌ 训练时未使用预训练权重,导致收敛极慢 → ✅ 必须开启,预训练权重能让模型快速收敛;❌ ProgLoss参数调整幅度过大,导致训练崩溃 → ✅ 每次只调整一个参数,幅度±0.02即可,循序渐进;❌ 推理时强行添加NMS参数,画蛇添足 → ✅ YOLO26无需NMS,推理命令中不要加conf/iou参数,否则会降低推理速度;

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1141

win10 基于GPU的anaconda3+tensorflow深度学习环境搭建(简易搭建)

win10 基于GPU的anaconda3+tensorflow深度学习环境搭建(简易搭建) 第一步:安装anaconda3,选择window版64位下载<https://www.anaconda.com/distribution/#download-section>: 安装界面,选择路径: 选择第一个框勾选,python待会我们另外安装。 第二步:搭建tensorflow的py...

promisexiao的博客 2041

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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.

上一篇: Python遥感图像处理应用篇039 GDAL遥感图像角点检测(Harris、Shi-Tomasi、FAST、SIFT、SURF、ORB、MinEngen、Brisk)更新中……
下一篇: 2G大小的GPU对深度学习的加速效果如何?
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6104粉丝 270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

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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