【生成式AI】DDPM（去噪扩散概率模型）和DDIM（去噪扩散隐式模型）：从随机噪声到艺术创作的魔法之旅

原创 于 2025-12-02 07:30:00 发布 · 598 阅读 · 6 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能 #数据库 #缓存 #机器学习 #redis

【生成式AI】DDPM（去噪扩散概率模型）和DDIM（去噪扩散隐式模型）：从随机噪声到艺术创作的魔法之旅

【生成式AI】DDPM（去噪扩散概率模型）和DDIM（去噪扩散隐式模型）：从随机噪声到艺术创作的魔法之旅

文章目录

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可扫描博文下方二维码 “学术会议小灵通”或参考学术信息专栏：https://ais.cn/u/mmmiUz

DDPM与DDIM：从随机噪声到艺术创作的魔法之旅

  • 探索生成式AI中两种核心扩散模型的原理与奥秘
  • 在人工智能生成内容（AIGC）的浪潮中，扩散模型以其出色的生成质量和稳定性成为了当之无愧的明星。今天，我们将深入解析两种重要的扩散模型——DDPM（去噪扩散概率模型）和DDIM（去噪扩散隐式模型），揭示它们如何将随机噪声转化为惊艳的图像作品。

一、 基础概念：什么是扩散模型？

想象一下，你有一幅清晰的画作，然后不断地在上面撒上细微的噪点，直到画作完全变成随机噪声。接着，你尝试学习如何逆向这个过程——从随机噪声一步步恢复出原始画作。这就是扩散模型的核心思想。

1.1 扩散过程的核心组件

  • 前向过程：逐步破坏数据，添加噪声
  • 反向过程：学习从噪声中恢复原始数据
  • 噪声调度：控制每一步添加的噪声量

二、 DDPM：扩散模型的奠基者

2.1 前向过程：数据的渐进式破坏

  • DDPM的前向过程是一个固定的马尔可夫链，逐步向数据添加高斯噪声。
import torch
import torch.nn as nn
import numpy as np

class DDPMScheduler:
    def __init__(self, num_timesteps=1000, beta_start=0.0001, beta_end=0.02):
        self.num_timesteps = num_timesteps
        
        # 线性噪声调度
        self.betas = torch.linspace(beta_start, beta_end, num_timesteps)
        self.alphas = 1. - self.betas
        self.alpha_bars = torch.cumprod(self.alphas, dim=0)  # ᾱ_t = ∏(1-β_s)
    
    def add_noise(self, x0, t, noise=None):
        """前向扩散过程：根据时间步t向x0添加噪声"""
        if noise is None:
            noise = torch.randn_like(x0)
        
        # 计算当前时间步的ᾱ_t
        alpha_bar_t = self.alpha_bars[t].view(-1, 1, 1, 1)
        
        # 前向扩散公式：x_t = √ᾱ_t * x0 + √(1-ᾱ_t) * ε
        xt = torch.sqrt(alpha_bar_t) * x0 + torch.sqrt(1 - alpha_bar_t) * noise
        
        return xt, noise

2.2 反向过程：学习去噪的艺术

  • DDPM的核心是训练一个神经网络来预测添加的噪声。
class DDPM(nn.Module):
    def __init__(self, network, num_timesteps=1000):
        super().__init__()
        self.network = network  # 通常是U-Net
        self.scheduler = DDPMScheduler(num_timesteps)
    
    def forward(self, x0, t=None):
        """训练过程：预测噪声"""
        batch_size = x0.shape[0]
        
        # 随机采样时间步
        if t is None:
            t = torch.randint(0, self.scheduler.num_timesteps, (batch_size,))
        
        # 添加噪声
        noise = torch.randn_like(x0)
        xt, true_noise = self.scheduler.add_noise(x0, t, noise)
        
        # 预测噪声
        predicted_noise = self.network(xt, t)
        
        # 简单的MSE损失
        loss = nn.MSELoss()(predicted_noise, true_noise)
        return loss
    
    @torch.no_grad()
    def sample(self, shape, device):
        """采样过程：从噪声生成图像"""
        # 从纯噪声开始
        x = torch.randn(shape, device=device)
        
        # 逐步去噪
        for t in reversed(range(self.scheduler.num_timesteps)):
            # 预测噪声
            predicted_noise = self.network(x, torch.tensor([t] * shape[0], device=device))
            
            # 计算x_{t-1}
            x = self._reverse_step(x, t, predicted_noise)
        
        return x
    
    def _reverse_step(self, xt, t, predicted_noise):
        """DDPM反向步骤"""
        beta_t = self.scheduler.betas[t]
        alpha_t = self.scheduler.alphas[t]
        alpha_bar_t = self.scheduler.alpha_bars[t]
        
        if t > 0:
            z = torch.randn_like(xt)
        else:
            z = torch.zeros_like(xt)
        
        # DDPM反向步骤公式
        mean = (xt - beta_t * predicted_noise / torch.sqrt(1 - alpha_bar_t)) / torch.sqrt(alpha_t)
        variance = torch.sqrt(beta_t)
        
        return mean + variance * z

2.3 DDPM的优势与局限

优势：
  • 训练稳定：简单的噪声预测目标
  • 生成质量高：在足够多步数下产生高质量样本
  • 理论完备：有坚实的概率理论基础
局限：
  • 采样速度慢：需要1000步或更多步数
  • 计算成本高：每个样本都需要多次神经网络前向传播

三、 DDIM：加速采样的革命

  • DDIM的核心洞察是：扩散过程的前向过程不一定是马尔科夫的，我们可以设计非马尔科夫的前向过程，从而允许更快的反向采样。

3.1 DDIM的理论基础

class DDIMScheduler:
    def __init__(self, num_timesteps=1000, ddim_discretize="uniform", ddim_eta=0.0):
        self.num_timesteps = num_timesteps
        self.ddim_eta = ddim_eta  # 控制随机性的参数
        
        # 使用与DDPM相同的噪声调度
        self.betas = torch.linspace(0.0001, 0.02, num_timesteps)
        self.alphas = 1. - self.betas
        self.alpha_bars = torch.cumprod(self.alphas, dim=0)
    
    def get_ddim_timesteps(self, num_inference_steps):
        """选择用于DDIM采样的时间步子集"""
        # 从原始1000步中选择一个子序列
        step_ratio = self.num_timesteps // num_inference_steps
        timesteps = list(range(0, self.num_timesteps, step_ratio))
        return timesteps

3.2 DDIM的采样算法

class DDIM(DDPM):
    def __init__(self, network, num_timesteps=1000, ddim_eta=0.0):
        super().__init__(network, num_timesteps)
        self.ddim_eta = ddim_eta
    
    @torch.no_grad()
    def ddim_sample(self, shape, device, num_inference_steps=50):
        """DDIM加速采样"""
        # 选择时间步子集
        timesteps = self.scheduler.get_ddim_timesteps(num_inference_steps)
        
        # 从纯噪声开始
        x = torch.randn(shape, device=device)
        
        for i, t in enumerate(reversed(timesteps)):
            # 预测噪声
            predicted_noise = self.network(x, torch.tensor([t] * shape[0], device=device))
            
            # DDIM反向步骤
            x = self._ddim_step(x, t, predicted_noise, timesteps, i)
        
        return x
    
    def _ddim_step(self, xt, t, predicted_noise, timesteps, step_index):
        """DDIM反向步骤的核心算法"""
        # 获取前一个时间步
        prev_t = timesteps[len(timesteps) - step_index - 2] if step_index < len(timesteps) - 1 else 0
        
        alpha_bar_t = self.scheduler.alpha_bars[t]
        alpha_bar_prev = self.scheduler.alpha_bars[prev_t]
        
        # 预测的x0
        predicted_x0 = (xt - torch.sqrt(1 - alpha_bar_t) * predicted_noise) / torch.sqrt(alpha_bar_t)
        
        # 预测的方向
        direction = torch.sqrt(1 - alpha_bar_prev - self.ddim_eta**2) * predicted_noise
        
        # 随机噪声（当ddim_eta > 0时添加）
        if self.ddim_eta > 0:
            noise = torch.randn_like(xt)
        else:
            noise = torch.zeros_like(xt)
        
        # DDIM更新公式
        x_prev = torch.sqrt(alpha_bar_prev) * predicted_x0 + direction + self.ddim_eta * noise
        
        return x_prev

3.3 DDIM的独特优势

# DDIM的特殊功能示例
class AdvancedDDIM(DDIM):
    def __init__(self, network, num_timesteps=1000, ddim_eta=0.0):
        super().__init__(network, num_timesteps, ddim_eta)
    
    @torch.no_grad()
    def interpolate_latent(self, x1, x2, num_steps=10):
        """在潜在空间中进行插值"""
        interpolations = []
        
        for alpha in torch.linspace(0, 1, num_steps):
            # 线性插值
            z = alpha * x1 + (1 - alpha) * x2
            # 使用DDIM从插值的潜在变量生成图像
            generated = self.ddim_sample_from_latent(z.unsqueeze(0))
            interpolations.append(generated)
        
        return torch.cat(interpolations)
    
    @torch.no_grad() 
    def ddim_sample_from_latent(self, xt, start_t=500, num_steps=20):
        """从中间潜在状态开始采样"""
        timesteps = self.scheduler.get_ddim_timesteps(num_steps)
        
        # 找到起始时间步
        start_index = min(range(len(timesteps)), 
                         key=lambda i: abs(timesteps[i] - start_t))
        
        x = xt
        for i in range(start_index, len(timesteps)):
            t = timesteps[i]
            prev_t = timesteps[i-1] if i > 0 else 0
            
            predicted_noise = self.network(x, torch.tensor([t] * x.shape[0]))
            x = self._ddim_step(x, t, predicted_noise, timesteps, i)
        
        return x

四、 DDPM与DDIM的深度对比分析

4.1 采样过程对比

在这里插入图片描述

4.2 数学性质对比

def compare_sampling_process():
    """对比DDPM和DDIM的采样过程"""
    
    # DDPM采样轨迹（随机性较强）
    ddpm_trajectory = []
    x = initial_noise
    for t in reversed(range(1000)):
        x = ddpm_reverse_step(x, t)
        ddpm_trajectory.append(x)
    
    # DDIM采样轨迹（更确定性的路径）
    ddim_trajectory = []
    x = initial_noise
    timesteps = select_timesteps(50)  # 只选50个时间步
    for t in reversed(timesteps):
        x = ddim_reverse_step(x, t)
        ddim_trajectory.append(x)
    
    return ddpm_trajectory, ddim_trajectory

4.3 实际应用场景

DDPM适用场景：
  • 对生成质量要求极高的应用
  • 计算资源充足，不关心推理速度
  • 需要完全随机性的生成过程
DDIM适用场景：
  • 需要快速推理的实际应用
  • 交互式图像生成工具
  • 需要确定性生成或潜在空间操作的研究

五、 实际性能对比

5.1 速度与质量权衡

import time
from evaluate import calculate_fid, calculate_inception_score

def benchmark_models(model, test_dataset, device):
    """基准测试DDPM和DDIM的性能"""
    
    results = {}
    
    # DDPM采样（1000步）
    start_time = time.time()
    ddpm_samples = model.sample((100, 3, 64, 64), device)  # 标准DDPM采样
    ddpm_time = time.time() - start_time
    
    # DDIM采样（50步）
    start_time = time.time()
    ddim_samples = model.ddim_sample((100, 3, 64, 64), device, num_inference_steps=50)
    ddim_time = time.time() - start_time
    
    # 评估生成质量
    results['ddpm_fid'] = calculate_fid(ddpm_samples, test_dataset)
    results['ddim_fid'] = calculate_fid(ddim_samples, test_dataset)
    
    results['ddpm_time'] = ddpm_time
    results['ddim_time'] = ddim_time
    results['speedup'] = ddpm_time / ddim_time
    
    return results

5.2 不同步数下的性能表现

实验表明：

  • DDPM：需要接近1000步才能达到最佳质量
  • DDIM：在50-100步时就能达到接近DDPM的质量
  • 加速比：DDIM通常比DDPM快10-50倍

六、 进阶应用与变体

6.1 条件生成

class ConditionalDDIM(DDIM):
    def __init__(self, network, num_timesteps=1000, ddim_eta=0.0):
        super().__init__(network, num_timesteps, ddim_eta)
    
    @torch.no_grad()
    def conditional_sample(self, condition, shape, device, num_steps=50):
        """基于条件的采样"""
        x = torch.randn(shape, device=device)
        
        timesteps = self.scheduler.get_ddim_timesteps(num_steps)
        
        for i, t in enumerate(reversed(timesteps)):
            # 将条件信息与噪声图像一起输入网络
            predicted_noise = self.network(x, torch.tensor([t] * shape[0], device=device), condition)
            x = self._ddim_step(x, t, predicted_noise, timesteps, i)
        
        return x

6.2 文本到图像生成

  • 现代文本到图像模型（如Stable Diffusion）实际上使用的是潜在空间的DDIM：
class LatentDDIM:
    def __init__(self, vae, unet, clip_model):
        self.vae = vae  # 变分自编码器，用于图像与潜在空间的转换
        self.unet = unet  # 在潜在空间中进行去噪的U-Net
        self.clip_model = clip_model  # 文本编码器
    
    def text_to_image(self, prompt, num_steps=20):
        """文本到图像生成"""
        # 编码文本提示
        text_embeddings = self.clip_model.encode_text(prompt)
        
        # 从潜在空间中的噪声开始
        latent = torch.randn(1, 4, 64, 64)  # 潜在空间维度
        
        # 使用DDIM在潜在空间中采样
        for t in reversed(range(num_steps)):
            # 预测噪声（结合文本条件）
            noise_pred = self.unet(latent, t, text_embeddings)
            # DDIM步骤
            latent = self.ddim_step(latent, t, noise_pred)
        
        # 解码回像素空间
        image = self.vae.decode(latent)
        return image

七、 总结与展望

7.1 技术演进路径

DDPM → DDIM → 更高效的变体

  • DDPM：奠定了扩散模型的概率理论基础
  • DDIM：实现了数量级的速度提升，保持了生成质量
  • 后续发展：DPM-Solver、Progressive Distillation等进一步加速技术

7.2 核心启示

  • 理论洞察的价值：DDIM的成功表明，对基础理论的深刻理解可以带来突破性的改进
  • 实用性驱动创新：DDIM的诞生正是为了解决DDPM采样慢的实际问题
  • 灵活性的重要性：DDIM提供的确定性采样和潜在空间操作为后续应用开辟了新道路

7.3 未来方向

  • 更快的采样算法：目标是在10步以内达到高质量生成
  • 更好的条件控制：更精确地控制生成内容的各个方面
  • 多模态扩展：将扩散模型扩展到视频、3D、音频等领域
AIGC实战——扩散模型(Diffusion Model)
盼小辉丶的博客
02-26 1万+
本节介绍了最近最先进的生成模型之一，扩散模型。介绍了去噪扩散概率模型 (Denoising Diffusion Probabilistic Model, DDPM)，并利用去噪扩散隐式模型 (Denoising Diffusion Implicit Model, DDIM) 的思想，使生成过程具备完全的确定性。扩散模型由前向扩散过程和逆扩散过程组成，前向扩散过程通过一系列小步骤向训练数据添加噪声，而逆扩散过程中模型的目标是预测添加的噪声。
图像生成的奠基与起源：从AE、VAE、VQ-VAE到扩散模型DDPM(含加噪、去噪全过程)、DDIM(含U-Net的简介)
热门推荐
结构之法 算法之道
04-30 4万+
2018年我写过一篇博客，叫：《》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如随着2019 CenterNet的发布，特别是2020发布的DETR(End-to-End Object Detection with Transformers)之后，自此CV迎来了生成式下的多模态时代但看这些模型接二连三的横空出世，都不用说最后爆火的GPT4，便可知不少CV同学被卷的不行。
DDPM/DDIM去噪扩散概率模型和GANs
Tunny_one
08-27 1955
DDPM/DDIM和GANs
DDIM去噪扩散隐式模型
m0_63855028的博客
03-16 1754
DDIM通过非马尔可夫假设和确定性生成，在保持生成质量的同时大幅提升效率，并扩展了图像反演等应用场景。其核心贡献在于重新定义了扩散模型的生成路径，为后续研究（如Stable Diffusion等）奠定了基础t=P1C7DDPM算法https://zhuanlan.zhihu.com/p/666552214。
【扩散模型】DDIM从原理到实战
小哲的博客
11-27 1万+
DDIM论文提出了一种使过程非马尔可夫的方法（如右图所示），允许跳过去噪过程中的步骤，而不需要在当前状态之前访问所有过去的状态。DDIM最好的部分是，它们可以在训练模型后应用，因此DDPM模型可以很容易地转换为DDIM，而无需重新训练新模型。
扩散模型之（二）去噪隐式扩散模型 DDIM
scott198512的博客
08-20 255
DDPM模型改进采样效率后，提出了DDIM模型，对其原理进行说明。
【扩散模型】DDPM，DDIM
x66ccff
01-16 8119
这个想法是通过一个称为扩散的过程将一个简单的分布(通常是高斯噪声)转换成一个复杂的数据分布(如图像或音频)，然后反向生成新的样本。ddim是ddpm的非马尔可夫变体，允许更快的采样，并可以提供确定性输出。关键思想是，它们改变了逆向过程的计算方式，在不牺牲质量的情况下，允许更少的步骤生成样本。ddim可以被认为是一种更有效地遍历扩散过程的方法，通常会导致更快的推理时间，因为它们可以采取更大的步骤而不会引入太多错误。DDPM和DDIM反向过程之间的关键区别在于DDIM的确定性设置，其中。
扩散模型的发展过程梳理 多个扩散模型理论知识总结/DDPM去噪扩散概率/IDDPM/DDIM隐式去噪/ADM/SMLD分数扩散/CGD条件扩散/Stable Diffusion稳定扩散/LM
m0_59805198的博客
12-10 5849
论文里的这张图可以充分的说明SD的训练流程，SD的创新点就在于中间绿色部分的Latent Space，是把前向扩散过程、反向U-Net编码解码过程等等这些东东都放到了这隐空间去完成，里面的数据被映射成潜在的向量，是低维表示，包含数据的重要特征和结构，通过在这个隐空间去调整这些潜在变量，提高模型的灵活性和表达能力，更多样更可控，再加上旁边引入的conditioning条件，这个条件包括语义、文本、表征信息、图片，然后输入到隐空间的反向过程的每一步中，以此实现对生成样本特征的精确控制。终于讲到最后的重点的了！
深入解析 DDIM（去噪扩散隐式模型）
阿正的梦工坊
03-06 2315
它在保持与传统扩散模型 (DDPM) 相同训练目标的前提下，通过引入非马尔可夫的扩散过程，实现了更快的采样速度
DDIM：去噪扩散隐式模型 DENOISING DIFFUSION IMPLICIT MODELS
afanti_1的博客
11-07 328
DDIM：去噪扩散隐式模型 DENOISING DIFFUSION IMPLICIT MODELS
【扩散模型系列1】扩散模型背景|DDPMs|LDM
weixin_41021342的博客
03-04 1868
扩散模型：和其他生成模型一样，实现从噪声（采样自简单的分布）生成目标数据样本。前向扩散过程和反向生成过程前向扩散过程是对一张图像逐渐添加高斯噪音直至变成随机噪音；反向生成过程是去噪音过程，我们将从一个随机噪音开始逐渐去噪音直至生成一张图像，这也是我们要求解或者训练的部分。​ 去噪过程一般采用UNet或者ViT，使用t步的结果和条件输入预测t-1步增加的噪声，然后使用DDPM可以得到t-1步的分布，经过多步迭代就可以从随机噪声还原到有实际意义的信号。
去噪扩散隐式模型
04-13
相比于传统的去噪扩散概率模型（DDPM），DDIM 的核心在于它采用了一种非马尔可夫扩散过程，从而允许更少的采样步骤达到相同甚至更高的质量水平[^1]。 具体来说，DDIM 提出了一个新的采样策略，使得可以在训练过程中...
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1303
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1844
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1489
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1552
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 917
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南
最新发布
二哈喇子！
12-01 6311
昇腾平台vLLM部署与性能优化实战摘要
卫星遥感落地林草监测：多源数据融合+AI算法
okk202586的博客
11-27 659
全面完善昌吉州林草资源网络感知体系，建立全州林草资源一体化综合管理平台，全面加强林草安全防火监测预警、有害生物防治信息化、林草资源监管能力，实现林草资源、安全防火、有害生物防控、林长制监督管理等。在不同区域、不同场景下的落地能力，案例可以充分说明，智慧林草并非单纯的技术堆砌，而是真正贴合林草业务流程、解决实际问题的“实战型”方案，太空守护林海正在变成可能~根据林草业务需要，建设林长制、资源监管、生态保护、生态修复、灾害防护、科技创新等六类业务系统，构建智慧林草综合监管业务系统体系，全面支撑林草业务。
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
 
红包 添加红包
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

打赏作者

不想努力的小土博

您的鼓励是我创作的动力！谢谢！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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