又是一个春节

visor visor 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 900+累计阅读 904平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄24年
关注
原创 最新推荐文章于 2026-08-03 10:10:07 发布 904 阅读 AI 写同款· GEO 优化 ›
一个有趣的春节祝福生成器 一个有趣的春节祝福程序！这个程序会随机生成新年祝福语，并配有一些春节元素的ASCII艺术图案。 阅读详情
 马上又是春节, 一年一度咱们最大得节日, 过去得时候, 这个时候俺最难受,因为要期末考试, mmD,每次都是拿着成绩单,目瞪口呆, 恨不得冲到办公室爆扁老师一顿,然后让那厮给俺改分数, 想要多少,要多少,不过那个时候快乐很简单, 老妈还没有骂完,就已经开始开心了,哈哈,骂完了,就可以出去玩了, 游戏机, 烟花...现在没有了分数, 却有了考核, 每年拿着年终奖金郁闷, 咋就不能再高一点, ft. 然后在郁闷中过完春节.  
   小学最后一个学期, 古板的老师突然想起办一个与众不同的联欢会, 包饺子, 每个人交了5块钱, 然后分成6个组, 每个组8个人, 男女搭配, 那时我就记得女孩特别多, 我那个组好像才两个男的, 然后就开始包了, 面3斤, 肉4斤,白菜3斤, 肉各个组长拿着去一个加工点, 用搅肉机搅碎, 然后把菜用菜刀朵碎, 一搅和,馅就好了, 细心的MM往里面开始加油,盐, 鸡蛋, 酱油...., 两个唯一的壮劳力开始和面, 俺和另外一个哥们,  和好面, 就开始包了,  然后就是评比了
    嘿嘿, 这个时候最富喜剧场面出现了, 俺曾经以为天下的事情都差不多, 这个包饺子却简单的改变了俺这个简单的人生观和世界观,  一个组竟然就包了三个饺子, 你可以想像, 三斤面,7斤馅就三个饺子, 那个饺子有多大, 大到俺们班主任看到的时候, 饶是他见过识广, 也认不出来, 脱口而出,这个是什么东西, 然后有组员好心提醒站远点看, 班主任退后一步, 眼睛差点从镜框涨出来,天啊, 这个就是你们的饺子, 对, 那八个人露出了满足的笑容, 然后大家都围了过来, 俺一直遗憾没有照相机, 否则那三个巨型饺子估计能上吉尼斯世界记录, 这个俺以为结束了, 谁知道, 更有意思的在后面,  一个哥们奇怪说他们怎么办到的, 馅下面是方的, 老师很好奇的打开了, 更富戏剧效果的事情出来了,  馅里面就是一块肉, 上面在很恭敬的放了一些叶子, 俺都可以想象他们的步骤, 哈, 面揉好, 分成三块, 弄成面饼, 然后把猪肉和白菜剁开, 放在里面, 然后收口, 哈哈, 饺子就完成了,  我说,他们怎么这么块就包完了.
    另外一个组, 和面的是一个mm, 揉完了, mm直言自语不小心声音大了一点, 那个组的没人敢吃饺子了, 她说: 俺的指甲怎么都短了一截. 不过得承认, 他们组得饺子包得最好, 所以老师们都吃得很赞叹.  后来奇怪他们组员未什么不吃, 那帮鸡贼都不说, 若干年后, 同学聚会这个迷才解开
    现在想想,  快乐也许就是那么简单, 就像那一个三斤多的饺子 
标签
#游戏
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
使用 JavaScript 创建一个兔年春节倒数计时器 我们可以通过多种方式构建 JavaScript 倒数计时，我在本教程中展示的这个兔年春节倒数计时器 是由 HTML CSS 和 JavaScript 创建的。 码上掘金地址：https://code.juejin.cn/pen/7185452719165931572 它的工作方式非常简单，需要两种类型的时间。我们要运行倒计时的当前时间和特定时间，必须手动添加计时器倒计时，JavaScript 的new Date()用于捕获当前时间。new Date ()是一种 JavaScript 方法，从设备获取当前 阅读详情

相关推荐

红米12C刷机避坑指南：NV数据损坏的修复与系统版本选择

本文提供了红米12C刷机过程中避免NV数据损坏的详细指南，涵盖系统版本选择、SP刷机工具使用和fastboot命令修复。重点分析了NV数据损坏的原因与表现，并给出通过工程固件和深度修复技巧解决基带未知、IMEI丢失等问题的实操方案，帮助用户安全完成刷机。

cuda7parallel的博客 1075

如何创建一个简单的html页面（春节）

在这篇博客中，我们将介绍一个简单的HTML网页，专注于传统节日春节的内容。这个网页包括了基本的HTML结构和一些CSS样式，展示了春节的历史、习俗、美食以及相关文化。

weixin_63490373的博客 1618

Mac本地部署OpenClaw：从零搭建企业级知识库AI助手

大语言模型（LLM）作为当前人工智能的核心技术，通过其强大的自然语言理解和生成能力，正在深刻改变信息交互方式。其原理是基于海量数据训练的深度神经网络，能够根据上下文预测并生成连贯文本。这一技术的核心价值在于，它能够作为智能中枢，理解和执行复杂指令，从而将通用AI能力转化为解决特定业务问题的生产力。在工程实践中，通过AI Agent框架（如OpenClaw）将LLM与外部工具和知识系统连接，是实现其价值的关键。这涉及到**本地部署**与**私有化**部署，以确保数据安全与成本可控。具体应用场景包括企业知识库问

weixin_33402252的博客 379

一个简单的2022春节倒计时

//倒计时 const dateTime = () => { const event = new Date("02 01, 2022 00:00:00"); event.setMonth(01); event.setHours(00); event.setMinutes(00); event.setSeconds(00); setInterval(() => { const nowTime = new Date().getTime(); ...

qq_20660841的博客 766

JESD204B Subclass 1的SYSREF机制

SYSREF 是一个系统级同步脉冲信号，用于对齐 JESD204B 中的 LMFC（Local Multi-Frame Clock），从而实现每次建链的延迟一致性。核心点内容说明是系统参考跨多个芯片、多通道实现精确同步控制 LMFC决定所有设备的 LMFC 对齐点仅用于 Subclass 1是 JESD204B 实现确定性延迟的前提条件一般通过时钟芯片生成推荐使用 AD9528、LMK04828，支持 JESD204 专用输出建链过程中关键作用。

weixin_41230430的博客 1832

【清华大学软院】15-19年推免试题历年整理

整理的题目为清软预推免机试（外校）硕士机考题目。 年代 题目1 题目2 题目3 2019 质因数分解 二叉搜索树 区间DP（折叠字符串） 2018 日期转换 高精度模拟 区间DP（戳气球） 2017 进制素数 被遗漏的数字 DP（收集苹果） 2016 大数运算 DP DFS 2015 进制素数： http://acm.hdu.edu.cn/showproblem.php?pid=1230 2017年题目（这个是找的最准确的题目）： 1题见【链接】 2题见【链接】

云端筑梦师 2256

一个人的春节

什么事都有第一次，一个人在外地过春节也终于不可避免。每天自己做饭，做的真难吃啊。不过房间的位子很好，可以每天看日出日落。长大了就要负担很多，这些日子总是梦回童年。真是想伪装也伪装也不了，卖菜的阿姨还问我为什么不回去，以为我是学生呢！难道我就这么像学生，自己都感觉老了。

东南飞的专栏 3062

社区版 ABAP MCP 能不能读取 SAP S/4HANA 公有云开发对象，我的判断是能试，但不能当成已被 SAP 背书的标准通道

文章摘要：当前存在多个社区项目（如mcp-abap-adt、mcp-abap-abap-adt-api等）通过包装ABAP ADT能力为MCP Server，使AI开发工具能读取ABAP对象。这些项目技术上依赖ADT HTTP API或SAP官方ADT language server，但针对SAP S/4HANA Cloud Public Edition的完整适配仍存在挑战。SAP官方已通过VS Code扩展提供ADT MCP能力，而社区方案在云环境下需遵循ABAP Cloud的严格限制，仅能访问已授权的开

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 87

2021牛年的春节一个人过

伴随着牛年春节前最后两天股市的暴涨，牛年也正式到来。今年其实早前的时候已经提前买好了回去的票，但是后来的防疫层层加码让我觉得有点烦恼，政策一天一个样，耗费老多精力在上面，后来干脆就决定不回去了先，就把票退了。后来临近除夕的时候实际上管控不严了，想必是预期目标已经达成了，所以就没有那么严格要求了，不过已经决定了，我就没再继续买票回去了，等年后再回吧，也算是为国家做贡献了。话说我因为票退的晚了点儿，好像是 1.17 号之后退票机票也是免费的了，所以整个退票就都是免手续费的，路费换了些吃的、衣服啥的，年后回去机票

YellowMax 917

YOLO26改进 - C2PSA | C2PSA融合DiffAttention差分注意力：轻量级差分计算实现高效特征降噪，提升模型抗干扰能力

本文介绍了 DiffCLIP，一种将差分注意力机制集成到 CLIP 架构的视觉 - 语言模型，并将其应用于 YOLO26。差分注意力机制通过计算两个互补注意力分布的差值，抵消无关信息干扰。单头差分注意力将 Q 和 K 拆分，分别计算注意力分布后做差值融合；多头差分注意力则每个头独立执行差分操作后聚合输出。关键参数 λ 可动态调控噪声抵消强度。我们将 DiffAttention 代码集成到 YOLO26 中，替换原有模块。实验表明，改进后的 YOLO26 在图像 - 文本理解任务中表现出色。

魔改工程师的博客 602

摆脱英文束缚！群晖Transmission4.0.4全新中文界面攻略

在群晖安装完官方Transmission4.0.4套件后，界面是英文状态的，不太好用。但是按照网上分享的原来4.0以前版本的方法更新UI又失败，所以自己搞了下成功了，分享给需要的朋友。

XiaoqiangClub的博客 5218

过一个不一样的春节

春节的假期马上就到了，凯哥这个名副其实的作业屠夫终于又向我们伸出了魔手，春节期间要完成两个项目，看来我们的春节要有些悲催了，呵呵，不过也好，我们可以趁这个做项目的机会好好巩固一下基础知识，通过上次的考试给我敲响了警钟，来到这之后可能是因为知识的增加吧，总有一种感觉觉得自己学的挺不错，但是这次的考试发现了自己有很多不足，而且给别人的差距还有很大，希望通过这个春节多抽出些时间好好弥补一下自己的不足，也

兄弟连_战地日记 778

4、接收天线：接收电压、功率和传输系数

本文详细探讨了接收天线的性能参数，包括接收电压、功率和传输系数，通过建立等效电路模型分析接收偶极子的电流和开路电压，并定义电压和功率传输函数。研究揭示了天线长度、工作频率及极化失配对传输性能的影响，并提出了优化接收天线性能的策略，为天线系统的设计与优化提供了理论支持。

ll5678的博客 233

使用vue构建一个简单实用的春节红包插件

我们的红包插件主要由两部分组成：一个显示红包金额的组件和一个模拟开红包过程的按钮。金额显示组件采用cc-packet组件，它可以接收一个表示金额的字符串，并根据该金额显示相应的红包样式。我们相信，这个插件可以为春节红包活动提供一种有趣且互动的体验，并促进用户参与和互动。然而，现有的红包插件往往功能复杂，难以定制。为了解决这个问题，我们开发了一个简单实用的春节红包插件，源码简单，可根据需求自己随意定制。该插件通过模拟红包的打开和关闭过程，以及金额的随机分配，为春节红包活动提供了一个有趣且互动的体验。

chenchuang0128的博客 1046

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

用htmlcssjs编写一个春节祝福网站

可以使用 HTML 来创建网页的结构，CSS 来设置样式，JavaScript 来添加交互效果。具体实现方法可能因需求和设计风格而异。 示例代码： HTML: <!DOCTYPE html> <html> <head> <title>春节祝福网站</title> <link rel="stylesheet" hr...

weixin_42575505的博客 390

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

春节后一个月的总结

春节的长假过后，开始了2008年的工作，这个月一切都还算OK，公司新的电子商务站点在三月六号正式上线，这次上线的只是美国的站点，这个月底，中国区的也会上线，我们这段时间的工作会在这个重点上。总的来说这次的上线比较仓促，有几个页面是我在上线前才做出来，感觉做的不是很好，但是没办法，公司要求在规定的时间上线。以后继续改进吧。      说完我自己，在说说我女朋友吧，前两天硕士研究生的初试分数出来了

简单的生活，开心就好 2254

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")

使用vue构建一个简单实用的春节红包插件！

为了实现红包的随机金额分配，我们使用了Vue.js的数据绑定功能。在春节这个充满欢乐和祝福的时刻，红包成为了传递喜悦和祝福的重要载体，随着移动应用的普及，春节红包活动已经成为一种流行的互动方式。为了解决这个问题，我们开发了一个简单实用的春节红包插件，源码简单，可根据需求自己随意定制，可以给用户带来更加有趣和互动的红包体验。我们的红包插件主要由两部分组成：一个显示红包金额的组件和一个模拟开红包过程的按钮。该插件通过模拟红包的打开和关闭过程，以及金额的随机分配，为春节红包活动提供了一个有趣且互动的体验。

chenchuang0128的博客 514

浙江天搜科技股份有限公司发起“春节X计划”话题，邀你一起讨论如何过一个温暖春节...

快到年关，一个个都在掰着手指头数着回家过年的日子。但如何过一个暖暖的春节摆在了大家的面前，回家OR旅行出游？如何抢到一张车票？如何如何给长辈挑选礼物？如何应对七大姑八大姨？又如何应对相亲？身经百战的你们有何妙计。 　　为此，浙江天搜科技股份有限公司特发起“春节X计划”话题，邀请大家分享如何让...

chensongdi9025的博客 129

一个简单的HTML网页——传统节日春节网页(HTML+CSS)

📔网站布局方面：计划采用目前主流的、能兼容各大主流浏览器、显示效果稳定的浮动网页布局结构。📓网站程序方面：计划采用最新的网页编程语言HTML5+CSS3+JS程序语言完成网站的功能设计。并确保网站代码兼容目前市面上所有的主流浏览器，已达到打开后就能即时看到网站的效果。📘网站素材方面：计划收集各大平台好看的图片素材，并精挑细选适合网页风格的图片，然后使用PS做出适合网页尺寸的图片。📒网站文件方面：网站系统文件种类包含：html网页结构文件、css网页样式文件、js网页特效文件、images网页图片文件；

STU网页设计 494
上一篇： 风, 大风
下一篇： PHP 编译 mysql4 apache 的错误
点赞 0
评论 0
书签 书签 0
visor
visor
博客等级 码龄24年 21粉丝 30原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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