Java的类和对象

Java 对象和类 Java 作为一种面向对象的编程语言,支持以下基本概念:1、类(Class):2、对象(Object):3、继承(Inheritance):4、封装(Encapsulation):5、多态(Polymorphism):6、抽象(Abstraction):7、接口(Interface):8、方法(Method):9、方法重载(Method Overloading): 阅读详情

大家应该都听说过,Java的一门面向对象的语言,而什么是面向对象呢,就是有的兄弟有对象,然后为他的对象开心,来设计程序(纯属扯淡),但是你细品,好像还真他妈是,我们不就是为了让别人开心(方便)才要设计程序啊。但是这个是我们全部计算机设计的初衷,而这个和Java是一门面向对象的语言,没有关系,我们的面向对象的意思,就是假如你要洗衣服,我们要先泡衣服,泡个半个小时,然后把衣服拉起来,刷,放下去,拉起来,一直重复到,洗干净了。这样我们才洗完了衣服,但是具体这个我们要怎么刷,怎么拉起来,和放下去,就是看你心情的,而我们要把这样的过程用程序实现(这个就是我们之前的c语言写的,这些过程要我们自己去写,),Java的面向对象,就是我拿把衣服丢进洗衣机的实现过程(我们把这个动作拆分,一共有我,衣服,还要洗衣机)在Java里面的写法就是,我把衣服丢进洗衣机,而洗衣机这个东西在Java的生态里面会有,而这样的表现形式其实就是一个简单,一个复杂一点(点外卖和自己搞饭的区别)。

那外卖现在就来聊一聊类和对象,因为我之前学了c语言,而我是一个喜欢对比学习的人,所以后面我大概会那Java和c了对比,其实类就是一个结构体plus,外卖在c语言的结构体是怎么样的,大家回忆一下,就是一些基本元素int啊,double啊之类的全部放一起。而外卖Java的类既然都说了是plus那这些肯定是支持的,而高配的高配在,他不仅有这些基本元素(属性)他还可以放一些方法(函数)下去,就比如,你要写一条狗,你在c语言的里面只能写这条狗,叫什么吊名字,有多长,但是在Java里面你就可以写这个狗怎么叫,这个狗在干嘛,,你甚至可以写,这条狗拉屎,这些只有你们想不到,没有我们做不到,但是活跃的网民就会说了,我在c语言里面,我表示可以在结构体外面调用这个结构体,一样可以做到让这条狗拉屎,虽然说这样做的可以的,但是Java这样的表现形式是更加直观的,你想一下,假如你手上有很多钱,但是你随便在家里面乱丢(如果你丢外面的话,记得告诉我你喜欢丢哪里啊)那这样你突然要用钱的时候是不是非常难找(但是也有好处,就是你可能干点什么,就可以在家捡钱,给生活添加乐趣)。外面把相关的东西放在一起我们有一个专业的名词形容它叫内聚性。而Java的写法就是内聚性更高,我们后续理解起来也会更方便,更不容易出错。

类的创建还要一个要点就是一些基本的元素,我们要创建哪些元素来定义这个类呢(按上面我们创建的狗来说,就是我们需要狗的上面元素来表示这个类呢)这个就要讲到抽象和具体。

就比如这条狗,你看着觉得抽象吗,反正我感觉不抽象,但是他是抽象的吗,也不一定(绕口令),而这个狗到底抽象不抽象,就需要看我们对于它的要求了,假如说你需要知道这条狗大概是什么品种,这个图就可以看出来(那它就是具体的),假如我们要知道这条狗有几个狗朋友,那这个图就是看不出来的(那它就是抽象),那我们要怎么知道这个狗有几个狗朋友呢,可能要线下见面才知道了,所以一个东西的抽象与否,要看我们的需要。这样的表示,应该可以理解的,但是这样的表示,我感觉是不满意的,所以我们还要进一步看看抽象的本质,其实我们看一个东西是否抽象,在现实中,我们的刻板印象是有没有图片(我是这样认为的)而从抽象到具体我自己发为了几个过渡阶段,第一是听别人说,就是在别人说的基础上,我们开动自己的脑瓜,来想象,说实话就是靠我们自己的想象力,第二是看到别人的画(其实这个画,也有细和粗,我就不展开了)其实这种都还好一点,我们还是可以知道一个大概的轮廓的,第三就是拍照(拍照其实也可以算第二里面的)我个人基本看到了图片就可以粗略的认为是具体了,因为我们对这个物体基本属性都可以看到,第四就是最后一个阶段(就是线下见面了,你什么都可以知道了,我就是字面的意思啊,没有深层的意思)。我们在从第一阶段到第四阶段,其实就是一个细节不断增加的过程,细节的不断增加,就会让这个东西不断的接近现实,就比如我们的地平线游戏和一些内存小的赛车游戏对比,我们一开始就是只有一辆车,我们会觉得很假,一眼就可以看出来,而我们为了增加游戏的体验感,我们加上汽车的影子,在不断的完善细节,一直做到现在的地平线5和现实基本看不出差距(这个就是一个抽象的东西不断的增加细节从而变的具体)我们类的创建也是这样,但是我们具体把细节完善到什么地步就要具体问题具体分析了,比如,我们要给做到好的人发钱,我们就需要知道这个人的业绩怎么样,还要这个人叫什么,还有最重要的银行卡号,而这几个属性就基本可以完成我们对他的考察,假如我们要组建一个王者荣耀的战队来比赛,我们的需要看的属性就完全不同了,

我们说完了类现在聊一聊对象,对象其实就是我们类的具体例子,就比如我们创建了一个类叫dog,我们就可以用dog来创建dog1,而dog1就是dog的具体例子,就像我们在游戏里面,类就相当与你要制作某个东西的图纸(蓝图),而我们使用这个蓝图就可以做出这个东西(但是对于计算机来说是无材料制作,就是有图纸就可以做),让我们看看具体的代码

聊完这些,我们对于类和对象,就有了一个大概的理解了,就是大概把他们的定义和最简单的用法理解了。

this关键字

this这个关键字表达的意思就是它本身,叫这个。

就比如出现这种情况,我们定义了year,mouth,day,和我传参的时候变量名一样(当然你搞不一样也是可以的,就怕身不由己),this就是代表我们创建的变量。

this.year就是表示我们创建的新变量的year = 我们传参传进来的year。很简单吧,额外提一句,this其实在很多时候都会用到,但是我们可以省略。

现在我们就开始聊一聊初始化,其实你看就上面这个this。year的图片,是不是就感觉想是给我们的Date一个值,而这个值可以是任何的值,假如我们把这个值设定为初始值,那我们要怎么设置呢,而把这个值设置为初始值的操作,我们就叫为初始化,而我们把初始化有三种,一。就地初始化,就是我们在定义的时候,就直接把他的值赋进去

二,代码块初始化

三,就是我们最常用叫构造方法

就是我们再创建一个新的像方法一样的东西但是不是方法的写法,但是大体一样,就是不要写返回值,

就是这样,而后面的和我们写方法的写法一样了,就是

但是要提一句,就是我们在没有任何初始化的时候,计算机会自动生成一个构造方法就是不传任何参数,也没有任何语句。

Alphafold2/multimer本地安装避坑指南:从Conda环境配置到GPU加速实战 本文详细介绍了Alphafold2/multimer本地安装的全流程,从Conda环境配置到GPU加速实战,特别针对常见的报错处理提供了解决方案。通过硬件环境检查、依赖安装技巧、OpenMM补丁应用等步骤,帮助研究人员高效部署蛋白质结构预测工具,提升计算效率。 阅读详情

相关推荐

科研绘图实战:用Adobe Illustrator高效排版期刊论文图片

本文详细介绍了使用Adobe Illustrator高效排版科研论文图片的完整工作流。针对期刊投稿常见的图片格式问题,文章重点讲解了矢量图与位图的预处理、AI中的精准对齐与分布技巧、文字样式统一管理以及最终输出TIFF/PDF等符合出版要求的格式。掌握这套方法能确保图片满足高分辨率、规范字体和精确尺寸等期刊硬性标准,显著提升投稿效率。

tomato的博客 1428

【JAVA】类和对象

万字详解JAVA中的类和对象,你确定不要看看?

做梦都想要三十万年薪~ 4137

手把手教你用Pico4UE搭建100平米VR大空间:从设备检查、系统升级到地图绘制全流程

本文详细介绍了使用Pico4UE搭建100平米VR大空间的完整流程,包括设备检查、系统升级、地图绘制和性能优化等关键步骤。通过实战案例和专业技术建议,帮助用户高效部署企业级VR解决方案,适用于展厅漫游、工业仿真等多种场景。

weixin_28273593的博客 501

Java类和对象

面向对象是解决问题的一种思想,主要依靠对象之间的交互完成一件事情。类是用来对一个实体(对象)来进行描述的,主要描述该实体(对象)具有哪些属性(外观尺寸等),哪些功能(用来干 啥),描述完成后计算机就可以识别了在java中定义类时需要用到class关键字,具体语法如下// 创建类field;// 字段(属性) 或者 成员变量method;// 行为 或者 成员方法class为定义类的关键字,ClassName为类的名字,{}中为类的主体。(关键字+类的名称+主体)//外卖平台// 食品// 商家。

2301_80176093的博客 2854

国密证书实战:在CentOS 7上构建GmSSL私有CA与完整证书链

本文详细介绍了在CentOS 7操作系统上,使用GmSSL工具构建私有国密证书颁发机构(CA)与完整证书链的实战指南。内容涵盖从部署GmSSL、创建国密根CA、签发服务器与客户端证书,到生产环境安全加固与最佳实践的全流程,旨在帮助系统管理员和安全工程师建立统一、可控的内部国密安全通信体系。

jenkins8butler的博客 495

ZYNQ 系统的IEEE1588 实现方法

zynq IEEE588/PTP 实现方案(讨论稿)

姚家湾博客 1万+

【Java】类和对象

Java是⼀⻔纯⾯向对象的语⾔(Object Oriented Program,简称OOP),在⾯向对象的世界⾥,⼀切皆为对象。⾯向对象是解决问题的⼀种思想,主要依靠对象之间的交互完成⼀件事情。⽤⾯向对象的思想来设计程序,更符合⼈们对事物的认知,对于⼤型程序的设计、扩展以及维护都⾮常友好。类是一种抽象的数据类型,它是对具有相同属性和行为的对象的抽象描述。简单来说,类定义了对象的状态(属性)和行为(方法)。定义一个类“汽车”品牌款式颜色速度启动加速刹车倒车//创建类。

user340的博客 2478

普中科技ESP8266-01s模块CWJAP:3 FAIL报错?手把手教你用AT+CWSAP指令搞定WiFi配置

本文详细解析了普中科技ESP8266-01s模块常见的CWJAP:3 FAIL报错问题,并提供了通过AT+CWSAP指令正确配置WiFi的实战解决方案。文章涵盖错误根源分析、硬件连接指南、AT指令详解及高级调试技巧,帮助开发者快速解决ESP8266-01s模块的WiFi配置难题。

weixin_42653691的博客 201

Java—类和对象习题讲解

讲解Java类和对象里面的经典例题(让我们一起来巩固类和对象的知识吧!!!)

一年,我很需要这一年 3231

学Simulink--基于机器人与自动化系统的场景实例:六自由度机械臂的逆运动学控制仿真

摘要:本文详细介绍了在Simulink中实现六自由度机械臂逆运动学控制的仿真方法。通过构建包含机械臂模型、路径规划器、逆运动学求解器和控制器等模块的系统,利用MATLAB Robotics工具箱进行建模。文章逐步讲解了从模型创建、轨迹规划、逆运动学求解到控制器设计的完整流程,并提供了性能评估标准。该方法能有效验证逆运动学算法,优化机械臂控制策略,提高操作精度和效率,为机器人自动化系统开发提供实用参考。

xiaoheshang_123的博客 230

猿创征文|Qt 文件和目录应用讲解【QCoreApplication】【QFile、QFileInfo】【QTemporaryDir和QTemporaryFile】【QDir】【QFileSyste】

Qt 文件和目录精准讲解【QCoreApplication】【QFile、QFileInfo】【QTemporaryDir和QTemporaryFile】【QDir】【QFileSyste】【QFileDialog】 第一章 QCoreApplication类 第一节 QCoreApplication常用函数方法 第二节 QCoreApplication举例 第二章 QFile类 第一节 静态函数方法 第二节 成员函数方法 第三章 QFileInfo类 第一节 常用函数方法 第四章 QDir类

Qt历险记,专注Qt技术,三年医疗设备研发经验,1年机器视觉研发经验,半年柔性传感研发经验。 941

Java 类和对象

包一般是小写,通常会用公司的域名的颠倒形式 (com.baidu.www)新建一个包在包下面新建一个类4. 包名要和代码路径相匹配 . 例如创建 com.baidu.www 的包 , 那么会存在一个对应的路径 com/baidu/www 来存储代码 .5. 如果一个类没有 package 语句 , 则该类被放到一个默认包中(例如src就是一个默认的包)

的博客 3444

【BUG已解决】ImportError: cannot import name ‘OpenAI‘ from ‘openai‘ 解决方案

的核心是版本不匹配用确认当前版本如果是 0.x 版本 →升级到 1.x升级后代码语法要同步改为团队协作项目务必在中锁定版本号,避免"我这能跑,你那不能跑"的问题对接国产模型时,只需替换base_url参数,SDK 调用方式完全一致。

一键难忘的博客 1万+

JAVA_类和对象

猛肝数万字带你理解类和对象!!!

2401_82914354的博客 978

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Java中的类和对象

Java类和对象“速成”

2301_81375781的博客 1226

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Java——类和对象

C语言是一个面向过程的语言,而Java是一个面向对象的语言,强调类和对象的概念,以面向对象的方式来编写代码,本篇文章就带大家了解java中类和对象有关的内容。定义类使用class关键字,沿用上面的例子// 加速的行为// 刹车的行为// 转弯的行为上面三个是车的属性,叫成员变量,下面三个是车的行为,叫成员方法。这里面包含的内容统称为类的成员。构造方法(Constructor)是一种特殊类型的方法,在创建类的实例(对象)时用于初始化对象的特定属性。

2301_80817503的博客 1224

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")

JAVA 类和对象的实例

JAVA 类和对象的实例 什么是类? 1. 类是具有相同的属性和功能的事物的抽象的集合,在面向对象程序设计中,人们把一类事物的静态属性和动态可以执行的操作组合在一起就得到类这个概念。 2. 类是个抽象的概念,用来模拟一类事物,一旦定义了一个类,这个类就永远存在。 比如:人,人有男人和女人,他们都有身高,体重等相同的属性,他们都具有走路,吃饭,工作等这些相同的,可动态执行的操作,所以可以定义“人类”...

weixin_43805637的博客 1万+

java中的类和对象

面向对象是解决问题的一种思想,主要依靠对象的交换完成一件事情类是⽤来对⼀个实体(对象)来进⾏描述的代码.主要描述该实体(对象)具有哪些属性(外观尺⼨等),哪些功能(⽤来⼲啥)。举个栗子:以洗衣机为例,可以将洗衣机看成是一个类别。

2401_89023011的博客 1317
上一篇: Java数据类型介绍
下一篇: Java的封装、继承、多态
star050913
博客等级 码龄3年 277粉丝 33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