C语言-第九章动态内存

C语言学习-翁凯(目录总章) C语言学习 本内容仅为个人看视频记录的随手笔记,部分内容可能不全面,比如第十四章内容并未单独整理出来一章,可以作为学习翁凯老师视频之后进行复习巩固使用。 C语言学习-翁凯(第二章) C语言学习-翁凯(第三章) C语言学习-翁凯(第四章) C语言学习-翁凯(第五章) C语言学习-翁凯(第六章) C语言学习-翁凯(第七章) C语言学习-翁凯(第八章) C语言学习-翁凯(第九章) C语言学习-翁凯(第十章) C语言学习-翁凯(第十一章) C语言学习-翁凯(第十二章) C语言学习-翁凯(第十三章) 第二章 2.1 阅读详情

动态内存(堆区)

手动申请 手动释放
什么时候使用动态内存:

1.存储比较大的数据量时
2.内存大小可以变化时

#include <stdlib.h>

void *malloc(size_t size);

	申请size个字节的动态内存
	返回申请到的动态内存的起始地址
	如果申请失败返回 NULL

void *calloc(size_t nmemb,size_t size);

	申请动态内存 
	申请nmemb个 size大小的内存   一共 nmemb*size个字节的内存
	如果申请失败返回NULL
	calloc分配的内存会自动清零

void *realloc(void *ptr,size_t size);//调整动态内存的大小

	ptr之前申请的动态内存的首地址
	size  要调用成多大大小的内存
	返回 调用大小之后的内存的 首地址
	注意: 
		一定一定重新接收返回值		

void free(void *ptr); //释放动态内存

使用步骤:

1.申请动态内存
2.判断申请是否成功
3.使用动态内存
4.释放动态内存

内存泄露

	堆内存没有释放
	及时释放不再使用的动态内存  一定记住释放
	软件检查程序是否有内存泄露
C程序设计(第五版)【谭浩强】第九章课后例题9.9&9.10 C程序设计(第五版)【谭浩强】第九章课后例题9.9&9.10 //建立动态链表,存储三个学生的成绩和学号 #include<stdio.h> #include<stdlib.h> #define _CRT_SECURE_NO_WARNINGS struct student { int number; float score; struct student* next; }; //创建动态内存的函数 struct student* creat(void) 阅读详情

相关推荐

《维生素C语言》C语言从入门到进阶教程【内附链接,可订阅专栏】(1)

维生素C语言》适合已经接触过C语言的读者观看,适合用来复习巩固。共18大章,每个章节分为若干个小节,部分章节备有配套的练习,并且本系列附带了三套C语言笔试题以及答案详细解析。由于作者水平有限、时间仓促紧迫,本教学有错误和不准确之处在所难免,本人也很想知道这些错误,恳望读者批评指正!从第一章博客的更新到最后一章共历时四个月,难免会有排版、代码风格、图标运用的不一致的地方,还请谅解。

2401_84585155的博客 999

C语言从入门到精通 第九章(指针与动态内存分配)【下】

本文摘要主要介绍了C语言动态内存管理和相关字符串、内存操作函数。在动态内存管理部分,详细讲解了malloc、calloc、realloc和free函数的使用方法和注意事项,包括内存分配、释放和调整空间大小的操作。同时列举了常见的动态内存操作错误,如空指针解引用、内存泄漏等问题。文章还介绍了几个重要的字符串和内存操作函数,包括strstr(查找子串)、strtok(字符串分割)、strerror(错误信息获取)、memcpy(内存拷贝)、memmove(可处理重叠的内存拷贝)和memcmp(内存比较)等函数的

Zevalin的博客 1260

磁编码器选型避坑指南:为什么MT6816比霍尔传感器更适合你的伺服系统?

本文深入对比了MT6816磁编码器与传统霍尔传感器在伺服系统中的应用。MT6816基于AMR技术,对磁场方向敏感而非强度,具备高精度、强抗干扰、高安装容差和极低延时等优势,尤其适合高转速、恶劣环境下的工业场景,能有效提升系统可靠性与长期稳定性。

rainy的博客 1105

【快速上手C语言】第九章:探索 C 语言中的动态内存管理-从基础到高级技巧

通过本文的讲解,您不仅可以掌握 C 语言中的动态内存管理基础,还能理解如何在实际开发中实现复杂的数据结构和自定义内存管理策略。

2403_83044722的博客 942

从PCIe 3.0到6.0:为什么“阻抗一致性”比“绝对值”更重要?聊聊连接器与板材的选型影响

本文探讨了PCIe从3.0到6.0演进过程中,阻抗一致性相比绝对值的重要性,分析了连接器与板材选型对高速信号完整性的影响。随着速率提升至64GT/s,系统级阻抗控制和验证成为关键,文章提供了选型指南、验证方法论及工程实践建议,帮助工程师应对高速设计挑战。

weixin_42556197的博客 385

EEG/ERP新手必看:5本神经科学入门书籍推荐(附高清PDF下载)

本文为EEG/ERP研究新手推荐5本神经科学入门书籍,涵盖认知神经科学、数据分析、ERP技术等核心内容。特别推荐《认知神经科学—关于心智的生物学》和《事件相关电位基础》,这些书籍不仅提供理论框架,还包含实用案例和MATLAB代码,帮助研究者快速掌握脑电研究技术。附高清PDF下载,适合实验室小组学习。

weixin_29210727的博客 450

C语言从入门到精通 第九章(指针与动态内存分配)【上】

本文摘要: C语言指针专题笔记,系统讲解了指针的基础与进阶知识。基础部分涵盖指针概念、内存访问方式、指针运算、指针与数组关系等核心内容;进阶部分深入探讨了字符指针、数组指针、函数指针、回调函数等复杂应用。文章通过大量代码示例演示了指针的操作方法,包括指针声明、解引用、类型转换、const修饰等关键技术要点,并分析了野指针、空指针等常见问题的解决方案。特别强调了指针与数组名的区别、多级指针的使用场景以及指针作为函数参数的传递机制,最后通过8个典型程序综合检验指针应用的掌握程度。

Zevalin的博客 1766

从PWM到精准电流:双光耦与LM317构建的4-20mA隔离输出方案

本文详细介绍了基于双光耦与LM317的4-20mA隔离输出方案,适用于工业自动化中的PWM信号转换。该方案通过电气隔离和精准电流调节,显著提升抗干扰能力和信号传输精度,同时降低成本60%。文章还分享了电路设计、参数计算及调试经验,为工程师提供实用参考。

weixin_32006655的博客 285

《维生素C语言》C语言从入门到进阶教程【内附链接,可订阅专栏】(建议收藏)

【维生素C语言】总结篇

有道无术, 术尚可求。有术无道, 止于术。 6970

爬取国家统计局最近10年年度数据

一、编码流程 1.目标网址:https://data.stats.gov.cn/easyquery.htm?cn=C01 2.编码思路: (1) 解析左侧指标树,实现4级标签定位 (难点:层层嵌套,下一级指标的xpath路径以上一级指标为基础;不是所有二级指标都含有三和四级指标,需要进行判断) (2) 使用selenium webdriver 点选指标,加载出右侧表格数据 (难点:当指标无法在全局页面显示时,需向下拖动滚动条) (3) 解析右侧数据,实现数据存储 3.使用模块: (1) selenium:解

weixin_39645690的博客 4563

是德频谱分析仪相位噪声测量实战指南:从原理到精准操作

本文详细介绍了是德频谱分析仪在相位噪声测量中的实战操作指南,从基础概念到高级技巧全面解析。通过5G基站时钟测量等实际案例,展示如何利用是德N9030B等设备精准测量相位噪声,并分享设备预热、参数设置、环境干扰排除等关键操作要点,帮助工程师提升测量精度和效率。

jenkins8butler的博客 230

第九章 指针_C语言空指针NULL以及void指针

空指针 NULL 一个指针变量可以指向计算机中的任何一块内存,不管该内存有没有被分配,也不管该内存有没有使用权限,只要把地址给它,它就可以指向,C语言没有一种机制来保证指向的内存的正确性,程序员必须自己提高警惕。 很多初学者会在无意间对没有初始化的指针进行操作,这是非常危险的,请看下面的例子: 这段程序没有语法错误,能够通过编译和链接,但当用户输入完字符串并按下回车键时就会发生错误,在 Linux 下表现为段错误(Segment Fault),在 Windows 下程序直接崩溃。如果你足够幸运,或者

qq_43205256的博客 2391

手把手教你学Simulink——高频隔离型双向DC-AC逆变器的建模与仿真

本文系统讲解高频隔离型双向DC-AC逆变器的Simulink建模与仿真,基于DAB+全桥逆变两级拓扑,详述DAB移相控制原理、双闭环控制策略及分步仿真搭建流程。重点涵盖电路建模、控制环设计、参数设置与常见问题调试,强调模块化分步验证与分层控制逻辑,实现安全、高效、灵活的双向能量流动仿真,适用于储能、微电网等场景的系统开发与验证。

MHD0815的博客 110

【C语言内存管理】第九章 示例代码与演示

而静态局部变量在第一次初始化后会保留它的值,即使在函数返回后也是如此。在这一章中,我们将通过具体的代码示例来详细讲解静态内存分配、动态内存分配、内存泄漏检测和修复,以及复杂数据结构的内存管理。:全局变量可以在整个程序范围内访问,但在多文件项目中,要小心全局变量的命名冲突。它在每次调用函数时都会重新初始化,存储在栈上,并且在函数调用结束时释放。通过以上修复示例,可以有效地释放动态分配的内存,避免内存泄漏,提高程序的稳定性和性能。静态内存分配是在编译时完成的,其分配的内存区域通常在栈上或全局/静态区。

1250

(论文加源码)基于CNN和LSTM的脑电情绪识别(数据集为DEAP和seed)

论文及源码见个人主页:https://download.youkuaiyun.com/download/qq_45874683/84118637?spm=1001.2014.3001.5503 (论文加源码)基于CNN和LSTM的脑电情绪识别(数据集为DEAP和seed)4D-CRNN 目录 目录: 运行过程: 1. 运行1D文件(没有什么bug): 2. 再运行3D文件(没有出现bug): 3. 最后运行main文件(出现了两个bug)(前提需要配置好tensorflow的框架): 第一个bug是..

qq_45874683的博客 6366

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

C语言学习-翁凯(第九章笔记)

C语言学习-翁凯(第九章笔记) 第九章 9.1.1 取地址运算:&运算符取得变量的地址 运算符& scanf("%d",&i);里面的& 获得变量的地址,它的操作必须是变量 int i;printf("%x",&i); 地址的大小是否与int相同取决于编译器 int i;printf("%p",&i); &不能取的地址 &不能对没有地址的东西取地址 &(a+b)? &(a++)? &(++a)?

qq_43104872的博客 949

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

c语言动态内存分配_C语言精品视频教程大全

C语言精品视频教程,整理了很久的视频,都是视频教程,希望对大家有所帮助,如果有想一起交流的可以加群:787059199目录如下,全是可以在线观看的视频第一章 C语言概述第五章 循环控制第四章 条件结构第十章 函数高级第十一章 字符串第十五章 预处理第十四章 动态内存分配第十三章 指针高级第十七章 高质量编码规范第十六章 C标准库文件IO第十九章 线性的逻辑结构--线性表第十二章 结构体和联合第十八...

weixin_34145418的博客 116

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C语言 第九章指针

第9章 指针 9.1 指针与指针变量的概念 内存地址——内存中存储单元的编号 变量地址 ---- 系统分配给变量的内存单元的起始地址 指针与指针变量 (1) 指针即是地址 指针实际上就是内存地址. (2)指针变量就是专门用于存储其他变量地址的变量 一个指针变量的值就是某个内存单元的地址(或指针) “指针”是指地址,是常量. “指针变量”是指取值为地址的变量. 定义指针的目的是为了通过指针去访问内存单元 9.2 指针变量的定义和引用 变量值的存取方法 指针变量的定义 定义格式: [存储类型] 数据类型

suiuko 优快云 1584

专业课C语言(郝斌)

C语言+数据结构

太极生两鱼 1693

C语言速成笔记 —— 考点详解 & 知识点图解

C语言速成笔记,考点详解 & 知识点图解,期末不挂科

十里坡小白的博客 4633

【超全面知识图谱】C语言全面知识体系

C语言是一种强大的、广泛应用的编程语言,以其高效、贴近硬件的特性深受系统程序员喜爱。它诞生于20世纪70年代,由丹尼斯·里奇(Dennis Ritchie)在贝尔实验室开发,为Unix操作系统编写,并随着时间推移逐渐成为全球范围内广泛使用的编程语言之一。函数是C语言中的基本模块化单元,用于封装代码以实现特定功能并可以在程序的不同地方多次调用。函数定义1// 定义一个简单的函数,接收两个整数参数并返回它们的和5}函数调用// 调用addNumbers函数// 输出:The sum is: 12。

极客代码 3586

【教程】C语言

C语言学习中的笔记,可用于初学者了解、学习C语言

Pqf18064375973的博客 5299

C语言:(第九章)指针

指针的使用

weixin_63925896的博客 171

C语言程序设计知识点总结归纳(全书)

谭浩强第五版C语言程序设计知识点总结归纳 把整本书的知识点给总结和记录了以下 可为笔记 可为总结!

松 7万+

第九章 指针_C语言指针变量作为函数参数

在C语言中,函数的参数不仅可以是整数、小数、字符等具体的数据,还可以是指向它们的指针。用指针变量作函数参数可以将函数外部的地址传递到函数内部,使得在函数内部可以操作函数外部的数据,并且这些数据不会随着函数的结束而被销毁。 像数组、字符串、动态分配的内存等都是一系列数据的集合,没有办法通过一个参数全部传入函数内部,只能传递它们的指针,在函数内部通过指针来影响这些数据集合。 有的时候,对于整数、小数、字符等基本类型数据的操作也必须要借助指针,一个典型的例子就是交换两个变量的值。 有些初学者可能会使用下面的方法来

qq_43205256的博客 465

C语言修炼手册(四万字)

持续更新中....

LYC_462857656的博客 1186
上一篇: C语言-第八章字符串
下一篇: C语言-第十章文件编译
内内么斜
博客等级 码龄7年 1粉丝 31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