自适应屏幕DPI百分比,软件可根据系统设置的文本、应用等项目的大小自动放缩

修改DPI强制缩放的工具,用于Photoshop,eclipse等 高DPI Windows设备上总会遇到一些不缩放的桌面程序,以Adobe套件为代表(最新版本的CC已经可以缩放了)。超小的按钮和文字不仅难以触控点按,而且伤眼,严重影响生产力。 为什么会这样?其实并不是因为这些程序强制不缩放,而是因为它们告诉系统它们能处理高DPI,能缩放,但是却不进行任何实现! 解决办法如下: 1.让系统优先使用外部manifest说明文件: 创建注册表键值HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\SideBySide\PreferExternalManifest,类型为DWORD,值设为1。 2.使用程序资源提取工具提取不缩放的exe程序的manifest: 使用附件的工具,然后fileName选择你的程序名 将提取的manifest文件重命名为 程序名.exe.manifest 3.修改manifest中的高DPI处理方法: 用记事本打开manifest文件: 修改dpiAware中的属性为false,即程序无法处理高DPI,由系统进行强制缩放。该值导出的默认值为1 4.将manifest文件拷贝至原程序所在目录,运行程序看效果吧!强制缩放会模糊,但至少可用而不伤眼了。 立即下载

自适应屏幕DPI百分比,软件可根据系统设置的文本、应用等项目的大小自动放缩

首先来说一下什么是DPI:
DPI(Dots Per Inch,每英寸点数)是一个量度单位,用于点阵数码影像,指每一英寸长度中,取样、可显示或输出点的数目。
win10的设置方式如下图:

那么如何去自适应这个设置呢,来看一下具体实现:

调用方式:EnableHighDPISupport(PROCESS_DPI_UNAWARE);
typedef enum PROCESS_DPI_AWARENESS { 
   PROCESS_DPI_UNAWARE = 0,    
   PROCESS_SYSTEM_DPI_AWARE = 1,    
   PROCESS_PER_MONITOR_DPI_AWARE = 2
} PROCESS_DPI_AWARENESS;
Windows10_DPI_FIX Windows10_DPI_FIX 对由于win10分辨率问题而导致的有些软件模糊不清的问题进行修复的软件 立即下载

相关推荐

MFC控件自适应(亲测可用)

MFC控件自适应(亲测可用)

KOReader开源PDF支持多平台

一、使用说明 1.1 基本操作 点击屏幕上方调出菜单; 菜单是这样的:上方是一些功能上的设置,比如屏幕dpi及eink多少页后全刷,翻页以及打开图书和退出,下方是阅读的一些选项,横竖屏、切边方式、文档栏数设置、字体缩放、加黑程度、其它高级设置(页面重排选项、去水印、强制OCR选项等)。 点击屏幕右侧、左侧分别是翻页、往后翻页; 点击屏幕下方是打

ArcticOcean's blog 5522

【软碟通 | UltraISO】刻录光盘教程(制作U盘启动盘)

前言 今天老师说办公室的电脑有点卡,让我给重新安装一个 Windows 7 系统。于是就用软碟通(UltraISO)在 U 盘上刻录了一个 Windows 7 镜像,然后给老师重装了系统。顺便把制作 U 盘启动盘的教程也分享给大家。 软件 UltraISO v9.7.1.3519:点击跳转(密码:dd2k) 教程 将 U 盘插到电脑上,然后鼠标右击选择格式化(制作启动盘必须格式化) 点击文件-打开 选择下载好的系统镜像(如:Windows 7) 点击启动-写入硬盘映像 选择硬盘

XavierJ的博客 2万+

默认适应窗口_关于WinForms的跨显示器DPI自适应

点击上方蓝字关注“汪宇杰博客”导语WinForms 是运行在Windows上的传统.NET桌面应用技术框架。由于历史原因,它对高DPI以及跨不同DPI屏幕的支持有些问题,本文将探索尽可能的解决方案。Windows 的“黑历史”Windows 系统的默认DPI(更确切的说法叫 PPI)是96。PPI 的意思是 Pixels per inch,也就是每英寸屏幕显示多少像素的意思。这个值越高,...

weixin_31306591的博客 562

UE5实战:如何用Mesh Shader优化你的游戏场景渲染(附性能对比)

本文深入探讨了在UE5中利用Mesh Shader优化游戏场景渲染的实战方法。通过对比传统渲染管线与GPU Driven Pipeline,详细阐述了Mesh Shader如何通过任务着色器和网格着色器两阶段并行处理,实现更精细的meshlet级剔除,从而显著降低Draw Call和GPU带宽,提升渲染性能。文章附有具体的性能对比数据与代码示例,为开发者优化高复杂度场景提供了有效路径。

sunny的博客 296

中移物联ML307C模组OPENCPU笔记2

本文介绍了如何编译和运行一个DEMO程序,以官方SDK为例。

weixin_43700831的博客 1883

Qt Windows高清DPI自适应分辨率缩放,比较完美的解决方案

我们知道,从win7系统开始,点击桌面右键,显示设置中有个缩放方案,可以缩放文本、应用的界面和文字。 如果我们选择缩放后,你会发现大部分程序可以比较完美的缩放,但是你的QT程序显示效果却和多数程序不一致,不是程序界面太大,就是文字比例不对,或者这样那样的显示问题,无论怎么调节,均感觉不正常,原因何在? 经过一番研究,结论如下:...

startl的博客 3万+

STM32实战:如何快速移植野火PID调试助手协议到你的电机控制项目

本文详细解析了如何将野火PID调试助手协议快速移植到STM32电机控制项目中。通过深度剖析协议帧格式、数据解析逻辑及环形缓冲区应用,提供了从工程结构规划、核心函数适配到串口中断集成的完整移植步骤。文章还分享了协议健壮性增强、数据上报频率优化等高级调试技巧,帮助开发者构建稳定可靠的上位机调试通道,大幅提升PID参数整定效率。

weixin_29171129的博客 467

GUI自动化基础:掌握屏幕坐标系与核心操作函数

摘要 GUI自动化是提高软件开发和测试效率的关键技术,但面临屏幕坐标系、分辨率差异等核心挑战。屏幕坐标系以左上角为原点,X轴向右、Y轴向下延伸,多显示器环境下需特殊处理坐标计算。分辨率差异会导致脚本失效,解决方案包括相对坐标法、坐标缩放和界面元素识别。核心操作函数如点击、拖动、滚动等需考虑位置精度、操作时序和应用程序特性。实际应用中,GUI自动化可用于测试验证和日常任务处理,但需结合错误处理机制确保稳定性。理解这些基础概念是掌握GUI自动化的关键。

IT深耕十余载,大道之简 502

学Simulink——基于Simulink的PMSM矢量控制(FOC)从零搭建

《Simulink下PMSM矢量控制(FOC)全流程开发指南》 本教程系统讲解了基于Simulink的永磁同步电机(PMSM)磁场定向控制(FOC)实现方法。主要内容包括:FOC控制原理与双闭环架构设计、Simulink建模全流程(含PMSM本体建模、坐标变换、PI控制器设计等)、关键调试技巧以及工程扩展方向。教程以48V伺服电机为例,详细演示了从Clarke/Park变换到SVPWM生成的完整实现过程,并提供了参数配置建议和常见问题解决方案。通过本教程,读者可掌握FOC系统的核心实现技术,为开发高性能电机

xiaoheshang_123的博客 273

SAM3 几行代码支持任意图像分辨率,减少显存占用(针对transformers库)

几行代码让sam3支持任意图像分辨率

qq_41234663的博客 156

Android 屏幕适配相关解决方案

什么是屏幕尺寸、屏幕分辨率、屏幕像素密度?  什么是dp、dip、dpi、sp、px?他们之间的关系是什么?  什么是mdpi、hdpi、xdpi、xxdpi?如何计算和区分? 在下面的内容中我们将介绍这些概念。 屏幕尺寸 屏幕尺寸指屏幕的对角线的长度,单位是英寸,1英寸=2.54厘米 比如常见的屏幕尺寸有2.4、2.8、3.5、3.7、4.2、5.0、5.5、6.0等

lilie008的专栏 1248

【YOLOv8改进[Conv]】使用OREPA助力V8更优秀

使用OREPA助力V8更优秀,降低训练成本,在不引入任何推理时间成本的情况下提高深度模型的性能。

静谧、淡雅 1918

目前android屏幕适配最完美方案,Android屏幕适配-终结者

Android屏幕适配专题前言屏幕适配问题一直在开发中存在,没有一种完美的解决方案。Android 的碎片化很严重。下面这张图片所显示的内容足以充分说明当今Android系统碎片化问题的严重性,因为该图片中的每一个矩形都代表着一种Android设备。而随着支持Android系统的设备(手机、平板、电视、手表)的增多,设备碎片化、品牌碎片化、系统碎片化、传感器碎片化和屏幕碎片化的程度也在不断地加深。...

weixin_35562225的博客 643

如何设置反馈点

前面的POWER DC仿真都是忽略反馈线进行的仿真,如果单板压降不过,电源会自动调整输出电压,来满足负载的得到额定的电压.可以看到因为设置了反馈点,源端电压就被抬高到满足压降的值了。仿真上也可以自己添加反馈点,以得到抬高后的电源输出电压值。同样以下图的CPU的Core电源为例。按照流程正常设置好参数。

weixin_54787054的博客 1147

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Android屏幕适配

屏幕尺寸 屏幕尺寸指屏幕的对角线的长度,单位是英寸,1英寸=2.54厘米 比如常见的屏幕尺寸有2.4、2.8、3.5、3.7、4.2、5.0、5.5、6.0等 屏幕分辨率 屏幕分辨率是指在横纵向上的像素点数,单位是px,1px=1个像素点。一般以纵向像素*横向像素,如1960*1080。 屏幕像素密度 屏幕像素密度是指每英

大数据 1164

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")

屏幕适配方案系列一

1.推荐方案:1)Android中的RelativeLayout, layout_weight属性,适应不同像素密度的dp/sp单位,mdpi/hdpi/xdpi等一系列文件夹,尽量用点九图,提供了各种手段解决适配问题 2)可能的问题原因:android本身会根据手机的像素密度,会在不同的文件夹,选取对应的图片,并对图片进行放缩。但是由于android像素密度算法不科学,会导致同一张图在不同的像素密

平凡的路 619

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

浅谈Android屏幕适配

我们先来了解下Android屏幕适配的背景由于Android系统的开放性,任何用户、开发者、OEM厂商、运营商都可以对Android进行定制,修改成他们想要的样子这无形之中导致了Android屏幕碎片化愈来愈严重,屏幕愈来愈多样化如需详细数据,请走这边,我的翻译能力还是有限度的,只能保证看懂,但是翻译起来还是有难度的,所以各位看官还是自给自足吧背景基本就是这样子了,说下基本概念吧屏幕尺寸屏幕尺寸指屏

Penguinfool的博客 351

学习之随堂笔记——屏幕适配

该篇文章从eoeAndroid搬迁过来的,原文地址:学习之随堂笔记——屏幕适配 注:该帖子为本人学习时随手记录的,内容杂乱,敬请见谅 一、各种适配相关知识1.屏幕尺寸屏幕对角线的长度,单位英寸,1英寸=2.54厘米 2.屏幕分辨率在纵横向上的像素点数,单位px,1px=1个像素点,一般以纵向像素*横向像素,如1920*1080 3.屏幕像素密度每英寸上的像素点数,单位dpi,屏幕的像素密度与屏幕尺寸

krubo的博客 793

Android屏幕适配-终结者

Android屏幕适配专题 Android屏幕适配-必备知识 Android屏幕适配-终结者 前言 屏幕适配问题一直在开发中存在,没有一种完美的解决方案。Android 的碎片化很严重。 下面这张图片所显示的内容足以充分说明当今Android系统碎片化问题的严重性,因为该图片中的每一个矩形都代表着一种Android设备。 而随着支持Android系统的设备(手机、平板、电视、手表)的增多,设备碎...

若云_bai的专栏 606

Android开发的屏幕适配学习记录(1)

最近看了Android开发过程中关于屏幕适配的学习资料,做了下总结: 首先,需要搞清楚一些重要的概念,主要分为三类: (与硬件属性相关)屏幕尺寸、屏幕分辨率、屏幕像素密度 (不同的像素密度)mdpi、hdpi、xdpi、xxdpi (开发过程中经常用到的计量单位)dp、dip、dpi、sp、px等 下面是这些概念的解释: 1.1)、屏幕尺寸:是指屏幕对角线长度,单位:英寸,1英寸=2.54厘米

u010777898的博客 448

android 屏幕尺寸适配实现方案

前言:一直在网上看到很多的屏幕尺寸适配方法,以前只是负责项目单模块的开发,没有真正意义上的做过屏幕适配,最近自己负责一个项目的独立开发,终于有机会自己从头到尾做了一次适配。 一、一般网上有关的屏幕适配方案: http://www.cocoachina.com/android/20151030/13971.html 这篇个人觉得阐述的很全面,技术点很全、原理说明等方面都是说的很好的,里面有关于...

易小四的博客 3724

Android屏幕适配那些事儿

基本概念屏幕尺寸、屏幕分辨率、屏幕像素密度屏幕适配的原因:匹配设备的不同尺寸,不同分辨率,不同像素密度 1.屏幕尺寸:指设备对角线的长度,单位:英寸(inch),1英寸=2.54厘米 2.屏幕分辨率:指在设备横纵方向上的像素点数,单位是px(pixel),1px=1个像素点,一般写法是:纵向像素点数*横向像素点数,例:1280*700 3.屏幕像素密度:每英寸屏幕上的像素点数,单位:dpi(d

yuqing_1102的专栏 487

Android 稳定和高效的UI适配方案

ndroid适配最核心的问题有两个,其一,就是适配的效率,即把设计图转化为App界面的过程是否高效,其二如何保证实现UI界面在不同尺寸和分辨率的手机中UI的一致性。这两个问题都很重要,一个是保证我们开发的高效,一个是保证我们适配的成效 首先,大家都知道,在标识尺寸的时候,Android并不推荐我们使用px这个真实像素单位,因为不同的手机之间,分辨率是不同的,比如一个96*96像素的控件在分辨率越来越高的手机上会在整体UI中看起来越来越小 **1 ===============================

u014105655的博客 5477

关于Android开发适配问题报告

《关于Android系统适配不同手机问题报告》 一、为什么要做Android手机的适配?   由于Android系统的开放性,任何用户、开发者、OEM厂商、运营商都可以对Android进行定制,修改成他们想要的样子。     通过这张图我们就可以了解到随着支持Android系统的设备(手机、平板、电视、手表)的增多,设备碎片化、品牌碎片化、系统碎片化、传感器碎片化和屏幕碎片化的程

a343542102的博客 1597

移动端总结

一 1.px像素(Pixel)。相对长度单位。像素px是相对于显示器屏幕分辨率而言的。 是一个虚拟长度单位,是计算机系统的数字化图像长度单位,如果px要换算成物理长度,需要指定精度DPI(Dots Per Inch,每英寸像素数),在扫描打印时一般都有DPI可选。Windows系统默认是96dpi,Apple系统默认是72dpi。 任意浏览器的默认字体高都是16px。 单位换算 默认情况下 16p...

weixin_34413103的博客 84
上一篇: 音视频项目应用实现-音频采集实现
下一篇: QSettings用法介绍
OH,CGWLMXUP
博客等级 码龄11年 327粉丝 230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