rknn支持的量化方式

(一)模型量化与RKNN模型部署 欢迎访问个人网络日志🌹🌹知行空间🌹🌹深度学习模型部署运算量的衡量使用的是乘累加运算次数,形如: a←a+b+c a\leftarrow a+b +c a←a+b+c硬件的运算速度使用的单位是分别表示,对应的是109/1012/1015/101810^9/10^{12}/10^{15}/10^{18}109/1012/1015/1018次,中文表示分别是。相当于处理器有个单元,运行频率为。机器学习模型训练时,通常使用如float32的浮点数进行计算,这样能够保持好的精度,但浮点数在提升计算精度的同时, 阅读详情
AI摘要

本文介绍了rknn支持的量化方式,包括非对称量化(asymmetric_quantized - u8)和动态定点量化(dynamic_fixed_point - i8、dynamic_fixed_point - i16)。给出了非对称量化的量化与反量化公式,以及动态定点量化不同格式的计算公式、数值范围和具体转换公式,还提及了相关注意事项。

以下作为笔记,部分来自GPT4o

1、非对称量化

asymmetric_quantized-u8

其中 Qx代表量化后的数,f 代表浮点数,s表示缩放系数(float32 类型), z 代表实数为 0 时对应的量化值(int32 类型),最后把 quant 饱和到[range_min, range_max],目前只支持 uint8 类型,所以 range_max 等于 255,range_min 等于 0 对应的反量化公式如下

公式:Qx​=clamp(f/s +z , 0, 2​55)

2、动态定点量化

动态定点数的计算公式通常表示为Q格式,其中Qm.n表示具有m位整数部分和n位小数部分的定点数格式。对于 dynamic_fixed_point-i8 和 dynamic_fixed_point-i16,其计算公式可以如下表示:

dynamic_fixed_point-i8:

  • 格式:Q7.1
  • 计算公式:
    • 数值范围:从 -128 到 +127,小数位数为1位。
    • 具体转换公式:对于一个浮点数值 x,其定点数表示为 Q7.1格式的定点数 Qx,可以计算为: Qx​=round(x*2^1)
    • 其中, round 是四舍五入函数。在这种情况下,小数部分只有一位,因此乘以 2^1(即左移1位)后,结果被四舍五入到最接近的整数值。

dynamic_fixed_point-i16:

  • 格式:Q15.1
  • 计算公式:
    • 数值范围:从 -32768 到 +32767,小数位数为1位。
    • 具体转换公式:对于一个浮点数值 x,其定点数表示为 Q15.1,格式的定点数 Qx,​ 可以计算为: Qx​=round(x*2^1)
    • 在这种情况下,同样是乘以 2^1(即左移1位)后,结果被四舍五入到最接近的整数值。

注意事项:

  • 这些公式中的 x是原始的浮点数值。
  • 乘以 2^1实际上是左移1位,这是因为在定点数表示中,小数部分是通过固定点左移来实现的。
  • 四舍五入确保了在浮点数转换为定点数时,尽可能地保留原始浮点数的数值精度。
rknn 量化原理 在 RKNN (Rockchip Neural Network Toolkit) 中,传入校准数据集进行量化的过程是基于 Post-Training Quantization (PTQ) 的原理,特别是对于 8-bit 量化(INT8)模型,这是一个常见的过程。RKNN 的量化通过校准数据集来统计动态范围,计算量化参数(scale 和 zero point),并将模型权重和激活映射到整数值,从而减少推理时的计算复杂度和存储需求。校准数据集是用于确定模型中每一层权重和激活值的动态范围的。 阅读详情

相关推荐

pytorch模型转onnx-量化rknn(bisenet)

1.pytorch模型转化onnx 先把pytorch的.pth模型转成onnx,例如我这个是用Bisenet转的 import argparse import os.path as osp import sys sys.path.insert(0, '.') import torch from lib.models import model_factory from configs import set_cfg_from_file torch.set_grad_enabled(False) pa

橙子Blue不加冰 9949

模型部署——RKNN模型量化精度分析及混合量化提高精度(附代码)

由于在RKNN模型构建的过程中,对模型进行了量化,会无可避免的造成精度损失,使用精度分析接口,可以查看每一层的精度损失情况。通过混合量化,将某些损失较大的层,从量化层转为非量化层,从而提高模型的精度。

qq_40280673的博客 1万+

从零到一:基于Docker的RKNN开发环境一站式部署指南

本文详细介绍了如何从零开始使用Docker快速搭建RKNN开发环境,解决传统部署中的依赖冲突和配置难题。通过官方预构建镜像和实战案例演示,帮助开发者30分钟内完成环境搭建、模型转换到板端部署的全流程,显著提升NPU开发效率。

weixin_30296405的博客 492

yolov8在rknn(rv1109/1126)模型转换、量化移植过程

yolov8是比较新的目标检测模型,根据论文和开源项目的报告,相对使用比较广泛的yolov5提升还比较明显。YOLOv8 深度详解!一文看懂,快速上手 - 知乎 (zhihu.com)通过对导出的模型进行一定的修改,1109上可以实现yolov8的运行并得到检测框,不过最终的运行速度和精度还有待验证。后处理的方式目前也是完全按照pytorch中的实现,过多的concat和split,可能对于C++并不太友好,后续尝试用更好的实现方式。Todo: 量化精度的测试以及C++部署。

Awesome Computer Vision, 做计算机视觉的程序员 9200

RKNN模型量化精度上不去?试试这招混合量化与精度分析工具

本文深入探讨了RKNN模型量化精度优化的关键技术,重点介绍了混合量化与精度分析工具的应用。通过分析量化误差根源、混合量化原理及RKNN-Toolkit提供的精度分析工具,帮助工程师有效解决量化后精度下降问题。文章还提供了MobileNetV3混合量化案例和常见问题排查指南,助力开发者在边缘计算场景中实现高效AI模型部署。

weixin_30878501的博客 1103

YOLOv8模型RKNN量化策略与RK3588部署实战解析

本文详细解析了YOLOv8模型在RK3588平台上的RKNN量化策略与部署实践。通过对比INT8和FP16量化方式的性能差异,结合实际测试数据,为开发者提供了从模型导出、转换到板端部署的完整解决方案,帮助实现高效的边缘AI应用部署。

oil88的博客 1120

【智能硬件】初识RKNN

一、介绍 RKNN 是 Rockchip npu 平台使用的模型类型,以.rknn后缀结尾的模型文件。Rockchip 提供了完整了模型转换 Python 工具,方便用户将自主研发的算法模型转换成 RKNN 模型,同时 Rockchip 也提供了C/C++和Python API 接口。 二、RKNN-Toolkit RKNN-Toolkit 是为用户提供在 PC、 Rockchip NPU 平台上进行模型转换、推理和性能评估的 开发套件,用户通过该工具提供的 Python 接口可以便捷地完成以下功能:

梦想是要有的,万一实现了呢! 2万+

从PyTorch到RKNN:手把手教你用RKNN-Toolkit2转换YOLOv5模型(附量化避坑指南)

本文详细介绍了如何将YOLOv5模型从PyTorch转换为RKNN格式,并提供了量化优化的实战指南。通过环境配置、模型导出、RKNN转换、量化优化等步骤,帮助开发者高效部署YOLOv5模型到瑞芯微平台,解决模型转换和量化过程中的常见问题,提升推理性能。

fff88的博客 879

模型部署——使用rknn-toolkit将Pytorch模型转为RKNN模型(详细图文教程)

使用rknn-toolkit将Pytorch模型转为RKNN模型

qq_40280673的博客 1万+

基于RKNN的嵌入式深度学习开发(2)

上一个章节我们介绍的RKNN模型的模型转换和模型的推理,这一章节我们将介绍模型的量化和评估部分。

江苏学蠡信息科技有限公司是一家国家高新技术企业,与众多高校深入开展产学研合作,有一支以硕博士为主导的研发和服务团队,获得自主知识产权十余项。围绕中国高等教育人工智能及物联网专业发展规划,创新性的推出人工智能类、物联网类、嵌入式类三大学科教学产品与培训服务。 851

RKNN模型转换避坑指南:解决ONNX转RKNN时的版本兼容与量化精度问题

本文详细解析了ONNX模型转换为RKNN模型时的版本兼容性与量化精度问题,特别针对RK3588平台提供了实用解决方案。从工具链版本管理、量化精度优化到算子兼容性处理,涵盖了模型转换全流程的避坑技巧,帮助开发者高效部署AI模型并保持最佳性能。

weixin_30839881的博客 561

AI-新手玩转RKNN

RKNN 是 Rockchip npu 平台使用的模型类型,以.rknn后缀结尾的模型文件。Rockchip 提供了完整了模型转换 Python 工具,方便用户将自主研发的算法模型转换成 RKNN 模型,同时 Rockchip 也提供了C/C++和Python API 接口。

ansondroider的博客 1万+

S32K3的STCU2模块详解:从硬件FSM到MCAL配置,搞懂BIST在线测试全流程

本文深入解析S32K3系列MCU的STCU2模块,从硬件FSM架构到MCAL配置,详细讲解BIST在线测试全流程。通过分区的安全策略和实战代码示例,帮助开发者掌握汽车电子系统中的功能安全实现,提升系统可靠性和安全性。

weixin_42525328的博客 448

模型部署——RKNN模型的评估和推理测试(附代码)

RKNN模型的评估和推理测试

qq_40280673的博客 1万+

【机械视觉】Halcon—【二、Halcon算子全面介绍(超详细版)】

Halcon 的算子(operators)按照功能被系统性地划分为多个类别,官方文档中目前(Halcon 22.11 版本)共有 19 个主分类,每个主分类下还有若干子分类。 本人在此对这19个分类的常用核心算子进行了一系列的总结,且本人在文章最后还总结了一些案例经验。 注意: ​​​​​​​跨分类调用:某些算子可能在多个分类中,但官方文档中会明确其主分类。 例如: read_image(文件操作)常被其他分类(如图像处理)的示例调用,但其核心功能是文件读取。

qq_3517289697的博客 3922

ArcGIS属性表汉字转拼音

接着我安装了一个编辑器“PyCharm Community Edition 2019.3.3\bin\pycharm64.exe”,在里面添加“pypinyin”包,然后将其设置为arcgis的编辑器和调试程序,还是失败;我在10.6的机器上折腾了上面几步,直到两周后脚本突然运行成功,我也不确定是哪一步导致pypinyin包配置成功,因此将心得体会写出来,如果过一段时间,打开10.2的机器运行脚本成功了,再写后续.......,按照“配置方法1:”进行尝试,显示配置失败。

2301_77413856的博客 1297

深入解析RKNN模型量化:从原理到部署实践

本文深入解析了RKNN模型量化的核心原理与部署实践。详细阐述了模型量化如何通过将高精度浮点数转换为低比特整数(如int8),以大幅减少模型体积、降低内存占用并提升NPU推理速度。文章涵盖了从量化数学原理(对称/非对称量化、MinMax算法)、RKNN中的量化策略(Per-Channel、混合精度),到从ONNX模型到量化RKNN模型的完整转换流程、精度调优与性能分析,为在RK3588等嵌入式设备上高效部署AI模型提供了实战指南。

gamma的博客 781

2D激光slam数据集的下载与测试

参考博客: https://blog.youkuaiyun.com/qq_24894159/article/details/81265991 https://blog.youkuaiyun.com/fk1174/article/details/52673413#commentBox 数据集下载与生成 下载数据集 下载网址: http://ais.informatik.uni-freiburg.de/slamevaluation/datasets.php 进去网站后点你想下载的对应的"download log file" 然后你

老李的博客 4027

在ubuntu下将Pytorch模型部署到c++(三)(rknn模型量化)(已完结)

1

wphnewbie的博客 2773

Qt之QMqtt 发送图片数据

MQTT是一个基于客户端-服务器的消息发布/订阅传输协议;MQTT协议是轻量、简单、开放和易于实现的,这些特点使它适用范围非常广泛;在很多情况下,包括受限的环境中,如:机器与机器(M2M)通信和物联网(IoT);其在,通过卫星链路通信传感器、偶尔拨号的医疗设备、智能家居、及一些小型化设备中已广泛使用;

Ilson_的博客 1437

UI自动化控制PC端微信获取当前群聊的群友列表

在一个月前,某个群友在获取整个群的群友信息时遇到了一点问题: 对整个群进行群友数据获取经测试确实有点棘手,下面我将我的解决过程公布给大家。 基础教程详见: https://blog.youkuaiyun.com/as604049322/article/details/121391639 人工打开要抓取的群聊窗口后,首先获取微信窗口并点击聊天信息按钮: import uiautomation as auto auto.uiautomation.SetGlobalSearchTimeout(1) wechatWind

小小明-代码实体的专栏 3万+

RKNN推理框架的量化与优化:从YOLOv8案例看性能提升

本文以YOLOv8模型为例,深入探讨了RKNN推理框架的量化与优化实践。详细解析了从浮点到整数的量化原理、前置模型优化策略,以及通过参数调优和板端部署技巧来平衡性能与精度,旨在帮助开发者在RK3588等嵌入式设备上实现高效、精准的AI模型部署。

weixin_29216353的博客 660

29、网络支持技术:CDN、覆盖网络与无标度网络解析

本文详细解析了CDN路由方式与性能指标,探讨了覆盖网络与无标度网络的特性及其在云计算和现代网络中的应用。文章分析了CDN的关键技术与挑战,介绍了覆盖网络与小世界网络的基本原理,并深入讨论了无标度网络的构建算法、性能优化策略以及在多个领域的应用案例。最后,文章展望了未来网络技术发展趋势与无标度网络的结合潜力。

night的博客 94

RKNN 8位量化全解析:算法差异与粒度选择实战指南

本文深入解析了瑞芯微(Rockchip)NPU部署深度学习模型时的8位量化技术,重点对比了RKNN支持的三种量化算法(norm/mmse/kl)和两种量化粒度(layer/channel)。量化通过缩放因子建立FP32与INT8的线性映射,在可控精度损失下实现模型体积缩减75%和推理速度提升4~8倍。norm算法计算简单但精度中等,mmse通过最小均方误差优化精度,kl算法精度最高但计算复杂。量化粒度方面,layer级效率高但精度受限,channel级精度更优但速度略降。文章通过实例演示了不同算法和粒度的实

进击的菜鸟 4989

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# 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

RKNN模型量化实战:从原理到部署优化的完整指南

本文详细介绍了RKNN模型量化的完整流程,从量化原理、环境搭建、模型转换到嵌入式设备部署优化。通过实战案例解析,帮助开发者掌握如何将大型AI模型高效部署到瑞芯微嵌入式平台,实现模型体积压缩与推理速度提升,并提供了精度优化与常见问题解决方案。

weixin_29191761的博客 341

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

上一篇: linux使用sed批量替换多个文件指定内容
下一篇: rv1126 交叉编译opencv+ffmpeg+x264与简单demo测试
trainingVIP
博客等级 码龄7年 51粉丝 6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