深度学习小白装机-记录一下

最新推荐文章于 2024-09-06 23:20:09 发布
最新推荐文章于 2024-09-06 23:20:09 发布
阅读量1.2k 收藏 2
点赞数 1
分类专栏： 大数据入门 深度学习 装机
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。
本文链接：https://blog.csdn.net/Luven777/article/details/100860943
版权

深度学习小白装机-记录一下

三个备选清单。

原本早就有攒一部机器的想法，最近刚刚好在玩深度学习的小案例，所以产生了装一部自己的台式机的想法。
下面均是自己查资料所得，可能与实际有差入。出错了，我也不负责呀，哈哈。关于价格，我是根据某东自营店价格（截至2019-09）来做比较的，可能不同时间段有差入，价格因素需要自己衡量高低。
我根据不同的价格成本和预设的使用场景设计了三个不同的方案。
先说结论，我最终选择的清单3 学生党版。配置是i5-9600kf+gtx1660ti 。这个清单上GTX 1660ti的显存是6G，cuda核心是1536个，显存频率为9000MHz，显存位宽192bit，这个性能用于应对Kaggle等上中小型数据集的比赛应该是比较足够的。

清单1 工作站版
考虑可以扩展4GPU 的工作站级别
这里包括预留的电源功率空间和CPU频率最多可以挂载2CPU。
虽然这个主板属于服务器主板，可以挂载4GPU，但是不建议自己搭建负载4GPU的工作站。因为工作站成本本来就高，例如配置目前来说顶级的显卡RTX2080ti，价格会高达1.3w块左右（截至2019-09），光显卡成本就高达5.2w了。搭配CPU等其他配件时，成本会更高。建议有这个资金，不妨请专业的厂家去定制，保修包括购买配件都比较更方便些。

部件型号购买网址价格
GPU选择ZOTAC 索泰 RTX2070super 至尊 Plus OC v2https://item.jd.com/100008096376.html4099
CPU选择【酷睿】6代CPU i7-6800Khttps://item.jd.com/2997160.html3399
CPU风扇安钛克Antec 风冷散热器 台式电脑C400https://item.jd.com/55042680693.html129
SSD固态选择英睿达（Crucial）1TB SSD固态硬盘 M.2接口(NVMe协议)https://item.jd.com/100001164000.html799
HD硬盘选择西部数据WD 蓝盘3TB SATA 6Gb/s64MB 台式机机械硬盘WD30EZRZhttps://item.jd.com/2031262.html499
RAM内存条美商海盗船(USCORSAIR)DDR4 3200 16GB(8G×2)套装https://item.jd.com/2722809.html?dist=jd649
机箱酷冷至尊(CoolerMaster)MasterBox Pro 5 中塔式机箱 支持EATX主板https://item.jd.com/5065987.html499
主板华硕（ASUS） X99-E WS/USB3.1工作站主板 2011-3 4路SLi交火https://item.jd.com/10375709700.html4499
备选主板【二手95新】微星（MSI）X99Ahttps://item.paipai.com/49344120854.html1199
电源EVGA 艾维克 1200W P2 白金全模组https://item.jd.com/47208826568.html2099
合计价格（全新主板）16671
合计价格（二手主板）13371

扩展方案：
目前该方案明显瓶颈是在单GPU和16G的RAM内存上。简单粗暴升级的方法可以是加GPU和加RAM内存条。
最终方案：RTX2070super * 2， DDR4 3200 8G * 4，即得到16G的显存和32G的RAM内存。
一般RAM内存容量和GPU内存容量达到2:1，内存条就不太会成为瓶颈。

清单2 双GPU扩展版
考虑到深度学习对CPU核心数和线程数要求并不高，要求每GPU搭配至少2核心或2线程即可，反而对
主频频率和睿频频率、乃至是否可以超频有所要求。故而我选择了价格比比较实惠而主频比较高的
i5 9600kf。注意在后面加上k代表支持超频，不带k代表不支持超频。一般来说带k的默认主频都会比
不带k的要高一些。Z系列主板对超频处理支持比较好，我的CPU是支持超频的主板华硕Z370-A II。
同时该主板是支持Nvidia 2-Way SLI技术，也即双路GPU并排使用技术。需要注意的是，并不是所有Z370的主板都支持该技术的，买的时候最好上中关村查一下。
在选择电源是需要考虑扩展到双GPU的功率，故而预留多余功率至1000w左右，而EVGA是美国厂商，虽然大概率是在made in china,但是P2白金型全模组电源是属于比较优秀的电源，质保年限也在十年，比国内其他厂商要长。

部件型号购买网址价格
GPU选择ZOTAC 索泰 RTX2070super 至尊 Plus OC v2https://item.jd.com/100008096376.html4099
CPU选择i5-9600kf 酷睿6核心6线程 3.7GHz 睿频4.6GHzhttps://item.jd.com/100003026162.html1699
CPU风扇安钛克Antec 风冷散热器 台式电脑C400https://item.jd.com/55042680693.html129
SSD固态选择英睿达（Crucial）1TB SSD固态硬盘 M.2接口(NVMe协议)https://item.jd.com/100001164000.html799
HD硬盘选择西部数据WD 蓝盘3TB SATA 6Gb/s64MB 台式机机械硬盘WD30EZRZhttps://item.jd.com/2031262.html499
RAM内存条美商海盗船(USCORSAIR)DDR4 3200 16GB(8G×2)套装https://item.jd.com/2722809.html?dist=jd649
机箱酷冷至尊(CoolerMaster)MasterBox Pro 5 中塔式机箱 支持EATX主板https://item.jd.com/5065987.html499
主板华硕PRIME Z370-A IIhttps://item.jd.com/100004366045.html1299
电源EVGA 艾维克 1000W P2 白金全模组https://item.jd.com/47208826568.html1699
合计价格12472

扩展方案
目前该方案明显瓶颈是在单GPU和16G的RAM内存上。简单粗暴升级的方法可以是加GPU和加RAM内存条。
最终方案：RTX2070super * 2， DDR4 3200 8G * 4，即得到16G的显存和32G的RAM内存。
一般RAM内存容量和GPU内存容量达到2:1，内存条就不太会成为瓶颈。

除此之外瓶颈是在cpu的核心频率和线程数上，但是提升核心频率和线程数量对深度学习的训练性能提升有限。

清单3 单GPU 学生党版

部件型号购买网址价格
GPU选择七彩虹(Coloful)iGame GTX-1660ti GDDR6 6G显存 1860MHZ 192bithttps://item.jd.com/100003098848.html2049
CPU选择i5-9600kf 酷睿6核心6线程 3.7GHz 睿频4.6GHzhttps://item.jd.com/100003026162.html1699
CPU风扇酷冷至尊(Cooler Master) T400i CPU 散热器https://item.jd.com/2771147.html89
SSD固态选择英睿达（Crucial）1TB SSD固态硬盘 M.2接口(NVMe协议)https://item.jd.com/100001164000.html799
HD硬盘选择西部数据WD 蓝盘3TB SATA 6Gb/s64MB 台式机机械硬盘WD30EZRZhttps://item.jd.com/2031262.html499
RAM内存条美商海盗船(USCORSAIR)DDR4 3200 16GB(8G×2)套装https://item.jd.com/2722809.html?dist=jd649
机箱酷冷至尊(CoolerMaster)MB520(旋风520）https://item.jd.com/100000154107.html299
主板华硕PRIME Z370-A IIhttp://detail.zol.com.cn/1290/1289604/param.shtml1299
电源长城（Great Wall）额定550W G5金牌版全模电脑电源https://item.jd.com/100001648498.html499
合计价格7881
除CPU和GPU4133

扩展方案
此方案为穷人版，所以后续扩展余量不大，但优点是价格相对实惠。比较适合宿舍学生党使用。
后续升级可以增加内存条。

屏幕选择

比较标准的配置是1主机2屏幕，当然桌子放得下或者有钱都可以配置3屏幕，这个看着喜好或者条件允许。
这里讲一下尺寸，分辨率，是否曲面，刷新率等4个选屏幕比较纠结的事情。当然还有品牌问题，这个只要是正规比较出名的厂家一般没什么问题，主流有三星，戴尔，AOC等。

  • 关于尺寸，考虑自己使用空间范围，一般24,27都够用，32寸属于偏大一些。
  • 关于分辨率，如果是24寸及以下的2k的视觉上感觉不是特别明显的，所有24寸（<=24）1080p基本足够，如果尺寸更大（>=27）可以选择2k及以上，当然选择越高清越好了。
  • 关于是否曲面，因为曲面对分辨率清晰度没有影响！！对！！就是没有影响。只是把屏幕做弯曲了而已，价格也加了好几百块，所以看个人爱好吧。
  • 关于刷新率，因为现在很多屏幕主打144hz刷新率，但是这个跟你的显卡息息相关。如果你的显卡属于比较便宜的类型，对高刷新率屏幕性能会发挥不出来，当然喜欢打游戏，配置高显这个问题就不存在了。

定位好自己的用途

不要盲目跟风配置最新型号、最大显存的GPU。当然，土豪请忽略这一点。
我的用途主要是Kaggle或者同类型的比赛如天池，DataCastle。
因此，我的配置是i5-9600kf+gtx1660ti 显存6g能应付比较中小型数据集的比赛。需要参加更大的
比赛可以考虑云服务器之类的，比如白x的Google Colab，Tesla K80 12g内存那还是相当不错了。
缺点是如果vpn链接不稳定，很容易断开，然后重头开始…当然还有其他的云服务器，都可以去尝试。

用途与其对应显存大小建议

原则就是根据不同用途选择不同大小的显存大小。
不清楚自己能用到多少内存大小的，可以参考Tim Dettmers的装机建议 Tim-Blog。

  • Research that is hunting state-of-the-art scores: >=11 GB
  • Research that is hunting for interesting architectures: >=8 GB
  • Any other research: 8 GB
  • Kaggle: 4 – 8 GB
  • Startups: 8 GB (but check the specific application area for model sizes)
  • Companies: 8 GB for prototyping, >=11 GB for training

参考：

A Full Hardware Guide to Deep Learning-TimDettmers

配置深度学习主机与环境（TensorFlow+1080Ti）-jianshu-DexterLei

深度学习工作站搭建全过程-cdsn-wuya

你有一份超详细的深度学习装机指南等待认领！（下篇）
shicifang的博客
02-25 367
　　硬盘/固态硬盘SSD 　　一般硬盘无法限制我们的深度学习任务的运行，但我们也不能因此小看了硬盘的作用。假设我们从硬盘中读取数据的速度是100MB/s，那加载一个32张ImageNet图片构成的mini-batch，要用185毫秒。 　　相反，如果在使用数据前异步获取数据，将在185毫秒内加载这些mini-batch的数据，而ImageNet上大多数神经网络的计算时间约为200毫秒。即在计算...
深度学习装机、系统、环境配置指南--预算15000
热门推荐
呜呜哈的博客
10-29 1万+
随着要处理的任务越来越复杂，对计算能力要求越来越高，所以最近萌生了要自己配一台深度学习主机的想法。只是苦于一直没有钱==然后很幸运的被评上了国奖，果断入手！！！！然后就是历时一周的各种查资料看博客上京东看价钱的来回对比，终于从一个完全小白变身成入门级玩家。下面就详细说一下自己的配置和装机经历，满满的血泪史啊。。。主机配件先来说一下关于主机配件的选择，由于预算只有15000左右，所以呢只能配一个单显卡
深度学习（3090）装机
Disturbet_July的博客
09-06 833
4.内存上，DDR5比ddr4提升还是比较大的，而且ddr5和ddr4的主板不兼容，以后一定是ddr5的天下，所以选择未来，选择ddr5。英伟达已经在并行计算领域深耕多年，搭配其cuda生态，用户可以很方便的完成大模型的本地部署，并行计算和深度学习模型的修改搭建等。2.人工智能专业的同学在学习深度学习和强化学习等的时候需要很大的并行计算的算力，部署和调试大语言模型需要尽可能大的内存空间。6.大语言模型非常占内存，比如千问2-72B有进400GB之大（虽然我跑不了），所以，购买2条1t ssd硬盘。
深度学习之装机与系统篇
CSDN_CQD的博客
03-30 532
最近想要实现一个基于caffe框架的深度学习案例，而caffe一般需要在ubuntu系统中运行，且使用GPU运行效率更高，然而博主原主机机箱不支持显卡添置和更换。 因此，博主萌生出另配置一台台式机及入坑Linux系统的想法，在这里也与大家分享一下一些心得，另外本台式机也比较适合一般娱乐使用，可以为想要配置台式电脑的朋友提供参考，节约一些时间。 进入正题，首先罗列一下配置清单。 ![配置与价格清单]...
深度学习装机记录
bingxingshengge的博客
01-10 807
组装深度学习主机，安装操作系统
深度 | 从硬件配置到软件安装，一台深度学习机器的配备指南
prinstinadl的博客
06-29 2029
本文作者 Roelof Pieters 是瑞典皇家理工学院 Institute of Technology &amp; Consultant for Graph-Technologies 研究深度学习的一位在读博士，他同时也运营着自己的面向客户的深度学习产品。对于写作这个系列文章的动机，他写道：「我已经习惯了在云上工作，并且还将继续在云上开发面向产品的系统/算法。但是在更面向研究的任务上，基于云的...
深度学习环境搭建
weixin_43010839的博客
03-06 1673
前言 入坑了深度学习，作为一个小白，我想开始做笔记，一则记录学习生活，二来写点东西可以消解一下我的独处时光。手持MacBook奈何没有GPU，只能选择远程ssh连接我们机房的“图形工作站”，老说3090多强，都没机会试一试，到手打开一看还是个Windows系统，给同学都整笑了，于是我开始操作起来 基于Windows系统的ssh 我直接公布答案吧，Windows系统是不支持作为“远端服务器”用pycharm和vscode远程ssh连接的，折腾了半天，用了各种方法， 到了半夜还是睡不着觉，用Google一查，p
Ubuntu kylin环境下OpenGym + Roboschool搭建过程
qel机器学习&人工智能
11-12 2732
Ubuntu kylin环境下OpenGym + Roboschool搭建过程随着深度学习的不断发展，增强学习也焕发了第二春，以DQN，DDPG，A2C，A3C为代表的一系列深度增强学习算法应运而生，代表性的机构如众所周知的OpenAI，DeepMind，UC Berkeley等。随着OpenAI实验室开源增强学习算法环境roboschool以及高质量的实现代码baselines（内部包括TRPO，
python输出字体的大小_Python之美——一只数据狗的笔记[长期更新]
weixin_39846612的博客
10-21 1017
两年前咬咬牙跳了Matlab的坑，入手了Python，从此一发不可收的成了PY的重度依赖者。本人研究工作皆涉及大量的数据处理工作，PY和R作为数据分析的两驾马车，得其一者得天下。另外，我接触的许多软件皆比较小众，每次在涉及二次开发时，很多都是Matlab之流不支持的，而PY又往往是官方指定接口。因此，PY作为程序界的黏合剂，实在是方便至极。如今机器学习和深度学习之热，再次炒热了PY。当然，涉及到统...
动手组装深度学习机器+RTX2070Super
盼小辉丶的博客
07-03 3862
组装配有RTX2070super显卡的深度学习机器。
深度学习机器配置 装机指南：从GPU到显示器，全套硬件推荐
qingfengxd1的博客
11-05 8673
1、GPU 显卡（GPU）是深度学习的重要部件，甚至比CPU更重要。做深度学习不用GPU只用CPU显然是不明智的，慢的如乌龟，跑个模型等几天，难熬，但适合摸鱼 使用16bit的RTX 2070或者RTX 2080 Ti性价比更高。另外购买二手的32bit GTX 1070、GTX 1080或者1080 Ti也是不错的选择。 除了GPU核心，显存（GPU RAM）也是不可忽视的部分。RTX比GTX系列显卡在显存方面更具优势，在显存相同的情况下，RTX能够训练两倍大的模型。 通常对显存的要求如下：.
入门级深度学习主机组装过程
跟着大数据和AI去旅行
04-03 903
大小，最用在 RTX3060 12G显存和RTX 4060 16G显存 之间进行了选择。最后买了RTX 4060 16G显存的显卡。显卡大小：显卡有1风扇、2风扇和3风扇之分，风扇越多散热性能越好，但是我的电脑是itx 小机箱，最后买了个2风扇的显卡。除了显卡和电源，其他硬件都是公司电脑原装。买显卡时，都会写建议电源功率。有钱直接上 RTX4090，也不能复用公司的电脑，其他配置跟不上。担心散热问题，换了个好点的风扇。后来发现还不如不换，太能折腾了。进行深度学习，除了看算力外，还需要看。
【硬件】搭建自己的深度学习服务器 or 高性能电脑——从0到1装机指南
清凌的博客
04-30 3786
msi 570x ACE主板上数字显示了 0d，按照主板的说明书，报错是预留给未来的AMI SEC代码，再仔细一看是0b，说明书报错高速缓存初始化，然后风扇转着，灯亮着，没什么问题的亚子，内存条也亮着，很正常。 wifi是intel 6 AX200 linux系统中不显示wifi驱动标志，设置里也找不到， 目测驱动问题，我按照网上说的
深度学习工作站装机配置踩坑记录（未完待续）
Arch_hcrA的博客
10-24 1047
多用户管理涉及到sudo权限、文件权限等，安装某些软件需要考虑到让用户可以使用，所以一般都装在/opt里面，然后权限都设成777（都是自己人也不藏着掖着x）。吐槽一下gnome自带的rdp服务非常弱鸡，必须在本地登录的情况下才能用，而且远程和本地会同时操作，虽然很丝滑，但貌似是个串流？直接装了desktop版本，默认带的gnome启用了wayland，导致vnc之类的东西不好用，而且会影响到录屏之类的。xrdp是远程登陆，本地登录远程会黑屏，但专门留一个号用来本地登录就行了，其实本地登录也没啥用。
动手组装深度学习机器+RTX2070Super，2024年最新35岁技术人如何转型做管理
2401_84254087的博客
04-11 1115
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
深度学习装机指南
weixin_38613817的博客
12-25 1183
深度学习装机指南前言7*24h开机性能稳定省电GPU计算性能要强大强大的GPU计算力其他存储 前言 近期为了学习深度学习的需要，打算自己配一台工作站，个人自身需求如下，我也就围绕个人的需求来考虑如何以最省钱的方式来配置： 7*24h开机 性能稳定 如果是要性能稳定必须考虑上ECC内存，和支持ECC的CPU，否则跑层数较高的神经网络万一蓝屏，几天功夫就白费了，还有一个可靠稳定的电源。 CPU 这里我...
深度学习电脑买什么配置---低中高三个配置
jsnuchao的博客
08-23 4846
深度学习，目标检测，电脑配置
深度学习多卡配置_深度学习攒机配置清单（更新2019/4/22）
weixin_42512276的博客
01-01 483
方案一，个人电脑系列i9-9900k z390 wifi pro主板B240 水冷3000 8Gx2 西数250G M.2希捷2T 7200 安钛克P8 750W金牌 27寸2K显卡 七彩虹 VULCAN 11999 总价 25000方案二，实验室服务器intel 4114 X2 x11DAI-N内存 32G硬盘 2T固态 250G电源 1250W 主机走的...
深度学习的完整硬件指南
AI 研习社的博客
07-31 1889
原标题 |A Full Hardware Guide to Deep Learning 作者 |Tim Dettmers 译者 | linlh、呀啦呼（Tufts University）、Ryan222（重庆邮电大学） 深度学习是非常消耗计算资源的，毫无疑问这就需要多核高速的CPU。但买一个更快的CPU有没有必要？在构建深度学习系统时，最糟糕的事情之一就是把钱浪费在不必要的硬件...
深度学习装机
最新发布
03-18
<think>好的，用户想了解如何配置适合深度学习的电脑硬件和环境搭建，特别是GPU推荐。首先，我需要整理用户提供的三个引用内容，看看有没有可以直接利用的信息。引用1提到了PyTorch的环境配置，包括CPU和GPU版本，还推荐了B站的教程视频。引用2详细说明了如何检查CUDA与显卡的匹配，通过NVIDIA控制面板查看CUDA型号。引用3则是在Ubuntu下配置深度学习环境，提到了更换国内源和系统升级。 接下来，用户的问题主要集中在硬件配置和环境搭建。我需要分步骤来回答：硬件配置、软件环境、GPU选择与驱动安装、框架安装、验证配置，最后生成相关问题。 硬件配置方面，用户可能需要知道CPU、内存、存储、电源和主板的选择。GPU是关键，所以需要重点推荐，比如NVIDIA的RTX 3090、4080等，显存至少8GB，推荐12GB以上。还要提到CUDA核心数量对计算速度的影响。 软件环境部分，操作系统推荐Ubuntu，但Windows也可以。然后要强调CUDA和cuDNN的安装，引用2中提到如何查看CUDA型号，需要确保显卡驱动支持的CUDA版本与框架要求的匹配。安装CUDA和cuDNN的步骤可能需要详细说明，但用户提供的引用中没有详细步骤，可能需要结合一般知识。 框架安装如PyTorch，引用1推荐了教程视频，应该提到使用conda或pip安装，并注意CUDA版本。验证安装部分，需要示例代码检查GPU是否可用，可能引用用户提到的PyTorch代码示例。 环境配置注意事项，引用3提到更换国内源加速下载，系统升级，以及虚拟环境的使用。这些都需要包含在回答中。 最后，生成相关问题需要考虑用户可能的后续需求，比如不同框架的环境差异、云服务选择、硬件不足的替代方案、多GPU配置、环境冲突解决等。 需要确保所有数学表达式用$...$格式，独立公式用$$...$$，但这次回答可能数学公式较少，主要关注代码和配置步骤。检查LaTeX语法是否正确，用中文回答，结构清晰，分点说明，并自然添加引用标识。</think>### 深度学习电脑硬件配置与环境搭建指南 #### 一、硬件配置核心要求 1. **GPU推荐** - **型号选择**：优先选择NVIDIA显卡（因CUDA生态支持完善），如$RTX 3090$、$RTX 4080$或$A100$（专业级）。显存建议至少$8\text{GB}$，复杂模型推荐$12\text{GB}$以上[^1]。 - **算力匹配**：通过`NVIDIA控制面板`查看显卡支持的CUDA版本（如$11.8$），需与深度学习框架要求的CUDA版本一致[^2]。 - **CUDA核心数**：直接影响并行计算速度，例如$RTX 3090$含$10496$个CUDA核心。 2. **其他硬件** - **CPU**：至少$8$核处理器（如Intel i7或AMD Ryzen 7），避免成为数据预处理瓶颈。 - **内存**：$32\text{GB}$起步，大型数据集需$64\text{GB}$。 - **存储**：$1\text{TB}$ NVMe SSD加速数据读写，机械硬盘用于冷数据备份。 - **电源与散热**：GPU功耗较高（如$RTX 4090$需$450\text{W}$），建议$850\text{W}$金牌电源。 #### 二、软件环境搭建步骤 1. **操作系统** - 推荐Ubuntu $20.04/22.04$（对GPU支持更友好）[^3]，Windows可通过WSL2兼容。 2. **驱动与CUDA安装** ```bash # Ubuntu示例：安装NVIDIA驱动与CUDA sudo apt install nvidia-driver-535 sudo apt install cuda-11-8 ``` 安装后通过`nvidia-smi`验证驱动状态。 3. **cuDNN与框架集成** - 从NVIDIA官网下载匹配CUDA版本的cuDNN库，解压后复制到CUDA目录： ```bash sudo cp cudnn-linux-x86_64-8.9.3.28_cuda11-archive/include/* /usr/local/cuda-11.8/include/ sudo cp cudnn-linux-x86_64-8.9.3.28_cuda11-archive/lib/* /usr/local/cuda-11.8/lib64/ ``` 4. **深度学习框架安装** PyTorch环境配置示例（使用conda）： ```bash conda create -n pytorch_env python=3.9 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia ``` 通过代码验证GPU是否可用： ```python import torch print(torch.cuda.is_available()) # 输出应为True ``` #### 三、环境配置注意事项 1. **国内镜像加速**：更换`pip`/`conda`源（如阿里云、清华源）提升依赖下载速度。 2. **系统级隔离**：使用Docker或虚拟环境（如`conda`）避免依赖冲突。 3. **监控工具**：安装`nvtop`或`gpustat`实时监控GPU利用率。
评论
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