【学习AI-相关路程-参考学习-学习他人文章-win11上-安装cuda和cudnn-工具安装 】

最新推荐文章于 2024-09-03 22:06:26 发布
最新推荐文章于 2024-09-03 22:06:26 发布
阅读量1k 收藏 17
点赞数 22
分类专栏： AI 文章标签： 人工智能 学习
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/qq_22146161/article/details/141197712
版权

【学习AI-相关路程-参考学习-学习他人文章-win11上-安装cuda和cudnn-工具安装 】

1、 前言

之前在Linux下也就是Ubuntu 20.04下，安装过cuda环境。
【学习AI-相关路程-工具使用-自我学习-NVIDIA-cuda-工具安装 （1）】
同时也在jetson orin NX上安装了，如下文章

【学习AI-相关路程-工具使用-自我学习-jetson&cuda&pytorch-开发工具尝试-基础样例 （3）】

2、 概念说明

1-使用软件时，先想明白为什么用。

凡事要想明白，你为何这样做，有什么目的，自己带着主观能动性，要明白自己为啥做这样事情，有时候可能更重要，我们在win上安装cuda，是想要借用它并行出来能力，往小了说，我们学习AI相关知识，正好cuda平台可以用，这是一个工具，往大了说，是要完成相关工作。

2-了解cuda

CUDA（Compute Unified Device Architecture）是由NVIDIA开发的一种并行计算平台和编程模型，允许开发者使用GPU（图形处理单元）来加速计算任务。GPU原本是为图形渲染设计的，但由于其高度并行的架构，也非常适合处理大量相似的数据任务。CUDA的主要作用包括以下几个方面：

  1. 加速计算密集型任务
    CUDA可以将计算密集型任务分配到GPU上进行处理，而不是传统地使用CPU。GPU拥有大量的计算核心，能够同时执行成千上万的线程，从而显著加快处理速度。这在科学计算、图像处理、深度学习、模拟仿真等领域非常有用。
  2. 并行处理
    CUDA使得开发者能够利用GPU的并行计算能力来处理大量并行任务。比如在深度学习中，训练神经网络需要大量的矩阵运算，这些运算非常适合在GPU上并行处理，从而加快训练速度。
  3. 编程灵活性
    CUDA提供了一种扩展的C语言编程环境，允许开发者编写能够在GPU上运行的并行代码。通过CUDA，开发者可以更灵活地控制GPU的资源，优化代码性能。
  4. 广泛应用
    CUDA已经成为深度学习和AI领域的事实标准。许多流行的深度学习框架（如TensorFlow、PyTorch等）都提供了对CUDA的支持，使得在这些框架上运行的模型能够充分利用GPU加速。
  5. 支持大规模并行运算
    CUDA能够支持大规模并行运算，这对于处理大数据集和复杂的仿真非常重要。例如，在高性能计算（HPC）中，CUDA常用于求解科学和工程问题，如气候模拟、分子动力学等。
  6. 优化现有应用
    现有的应用程序可以通过CUDA进行优化，将部分计算密集型代码移植到GPU上，从而提高性能。例如，视频处理软件可以通过CUDA加速视频解码和编码过程。

3-了解cuDNN

简单说这是一个加速库，在其他文章里也说过。
在这里插入图片描述
cuDNN（CUDA Deep Neural Network library）是由NVIDIA开发的一个用于深度学习的GPU加速库。它专门优化了卷积神经网络（CNN）的性能，并提供了高度优化的GPU操作以支持各种深度学习框架。以下是cuDNN的主要特点和作用：

  1. 高效的深度学习运算
    cuDNN 提供了一组高度优化的低级别函数，专门用于加速深度学习模型中的常见操作，如卷积、池化、归一化和激活等。它对这些操作进行了专门优化，特别是在大规模的神经网络训练和推理中，可以显著提高性能。
  2. 深度学习框架的支持
    cuDNN 被广泛集成到主流的深度学习框架中，如 TensorFlow、PyTorch、Caffe、MXNet 等。这意味着当您使用这些框架时，如果系统中安装了 cuDNN，框架会自动调用 cuDNN 提供的优化函数，从而利用 GPU 来加速深度学习任务。
  3. 跨平台支持
    cuDNN 可以在不同的操作系统上运行，包括 Windows、Linux 和 macOS。它与 NVIDIA 的 CUDA 平台紧密集成，因此可以利用 NVIDIA GPU 的并行计算能力进行加速。
  4. 支持多种网络类型
    cuDNN 不仅支持卷积神经网络，还支持其他类型的网络如循环神经网络（RNN）、长短时记忆网络（LSTM）等。它提供了支持这些网络所需的基本构件，并进行了高度优化。
  5. 自动化内存管理
    cuDNN 自动管理 GPU 内存的分配和优化，开发者不需要手动处理这些低级细节。它能够根据不同的硬件架构动态调整内存使用，以达到最佳的性能。
  6. 性能优化
    cuDNN 的每个版本都会根据最新的 NVIDIA GPU 进行优化。它通过利用 GPU 的最新架构特性，如 Tensor Cores 等，来进一步提高深度学习任务的执行速度。
  7. 精度和性能的平衡
    cuDNN 支持多种精度（如 FP32、FP16 等），允许开发者在不同的精度模式下平衡性能和模型精度。特别是在训练和推理时，使用混合精度（如 FP16）可以显著提高计算速度而不显著影响模型的精度。
  8. 广泛应用
    cuDNN 被广泛应用于许多需要高性能计算的深度学习应用中，如图像分类、目标检测、自然语言处理和生成对抗网络（GANs）等。
    总之，cuDNN 是一个专门为深度学习任务设计的 GPU 加速库，通过优化神经网络的常见操作，为深度学习模型提供高效的计算支持。它是深度学习开发者和研究人员在训练和部署大规模深度学习模型时的重要工具。

4-整个流程

在安装软件的时候，其实有些东西我们默认不管的，可以说三个系统下

  • jetson orin NX
  • Ubuntu 20.04
  • win11

虽然涉及整个流程步骤不完全一致，但是大体上要做的事情是几乎差不多的。

  • 系统要求
  • 硬件要求
  • 安装英伟达驱动
  • 安装cuda
  • 安装cuDNN
  • 配置环境变量
  • 验证安装
  • 软件依赖和开发软件

其中前三项，一般win下买英伟达显卡，都是为了打游戏的，基本都是适配的。即使不说，大家自己也早已熟悉了。

至于最后的软件依赖进行编程等等，本次先不说了，不过根据自己了解，需要使用Anaconda这种工具，正在学习中。。。

3、参考文章-致谢

首先还是非常感谢博主的文章，有个参照，并且一尝试，就直接可以了。
参考链接：https://blog.csdn.net/YYDS_WV/article/details/137825313
在这里插入图片描述

4、实验步骤

1、安装cuda

1-查看电脑适合的cuda

（1）安装好了英伟达驱动后，在终端中，使用如下指令，这步目的是为了知道自己电脑可以安装什么版本的cuda。

nvidia-smi

如下自己电脑显示的。
在这里插入图片描述
当然你说不会使用终端，那么使用图像界面工具也是可以的。

（2）在搜索中输入“NVIDIA Control Panel”，
在这里插入图片描述

NVIDIA Control Panel

基本会看到如上软件。
在这里插入图片描述
然后在帮助内的==“系统信息”==里找到组件，可以查看
在这里插入图片描述

（3）通过上述两种方式，确定cuda版本。
在这里插入图片描述
如上图，就可以确定是12.2.1了

2-去英伟达官网下载cuda

（1）确定版本后，我们去官网，当然，需要先注册账号，你要是喜欢打游戏，那个账号是一样的，就不需要注册了，用那个账号是通用的。
官网链接：https://developer.nvidia.com/cuda-toolkit-archive
在这里插入图片描述
如下图，选择自己之前确认的cuda版本。

在这里插入图片描述

（2）选择自己对应的版本，我这里因为是12.2cuda，所以如下选择。我们直接选择exe，直接下载下来，进行安装。

在这里插入图片描述
可以看到大概是3G左右，点击“Download(3.0GB)”
在这里插入图片描述
（3）下载完毕的包如下
在这里插入图片描述

3-双击安装

（1）安装最好默认，据参考博主说，安装其他目录失败了，那么最好默认安装，当然如果选择其他目录，也可以尝试下，看评论说有成功的。

在这里插入图片描述
（2）检查系统兼容性
在这里插入图片描述
（3）和参考博文一样，选择自定义安装
h
（5）安装的组件，cuda是必装的。其他可以了解下。
在这里插入图片描述
（6）安装位置，最好留意下，后续要配置环境变量
在这里插入图片描述
（7）安装过程
在这里插入图片描述
（8）安装完成
在这里插入图片描述

4-验证cuda

安装完成后，使用如下命令进行验证。

nvcc -V

在这里插入图片描述

5-确认cuda环境变量

（1）在搜索中输入“编辑环境变量”，进行相关环境变量编辑，如下图所示。
在这里插入图片描述
（2）确认已有的环境变量，如下图为软件自动安装后，有了的cuda环境变量。
在这里插入图片描述

2、安装cuDNN

那么我们接下来下载并复制cuDNN。

1-去英伟达官网寻找cuDNN

链接：https://developer.nvidia.com/rdp/cudnn-archive
如下图，我们寻找一个相配的版本，如果后续不可用，我们可能需要再回来找相关应该版本。
在这里插入图片描述

2-去英伟达官网下载cuDNN

我们直接选择对应的版本的zip。
在这里插入图片描述

3-复制到对应目录下

我们下载这个，主要是复制到对应目录下。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\lib\x64

如下图，将解压的文件复制这个目录下。
在这里插入图片描述

3、配置环境变量

之后就是配置环境变量了，

1-打开环境变量

（1）在搜索中输入“编辑环境变量”，进行相关环境变量编辑，如下图所示。
在这里插入图片描述
（2）确认已有的环境变量，如下图为软件自动安装后，有了的cuda环境变量。
在这里插入图片描述
如上，是我们刚才确认的，然后新建环境变量。

2-新建环境变量-相关说明

这里我自己应该犯了一个错误，我不确定是不是应该编辑Path，还是说，直接新建。不过最后过了，如果到时候有问题在改吧。
我这里直接新建了，个人觉得也是可以的，添加进来，就好，自己用win11也是不长时间，所以看到博主的文章就很奇怪，直接新建了，其实应该是编辑，Path，如下图那样。
在这里插入图片描述

3-新建环境变量-我自己尝试

下图直接点击“新建”
在这里插入图片描述
就会出如下。

在这里插入图片描述
起个名字之后，分别编辑另几个。

在这里插入图片描述

4、验证安装结果

（1）在如下目录下，使用终端运行两个exe文件，

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\extras\demo_suite

在这里插入图片描述
如上图所示，右键点开终端

或者

搜索中输入CMD,然后使用如下目录进入相关目录

cd /d C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\extras\demo_suite

在这里插入图片描述
（2）进入目录后，运行exe文件，如下为运行.\deviceQuery.exe

.\deviceQuery.exe

在这里插入图片描述
如下为运行软件 .\bandwidthTest.exe

 .\bandwidthTest.exe

在这里插入图片描述
最后都会有什么pass字样为成功。

Windows PowerShell
版权所有（C） Microsoft Corporation。保留所有权利。

安装最新的 PowerShell，了解新功能和改进！https://aka.ms/PSWindows

PS C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\extras\demo_suite> .\bandwidthTest.exe
[CUDA Bandwidth Test] - Starting...
Running on...

Device 0: NVIDIA GeForce GTX 1650 Ti with Max-Q Design
Quick Mode

Host to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
   Transfer Size (Bytes)        Bandwidth(MB/s)
   33554432                     12663.0

Device to Host Bandwidth, 1 Device(s)
PINNED Memory Transfers
   Transfer Size (Bytes)        Bandwidth(MB/s)
   33554432                     12066.7

Device to Device Bandwidth, 1 Device(s)
PINNED Memory Transfers
   Transfer Size (Bytes)        Bandwidth(MB/s)
   33554432                     31088.3

Result = PASS

NOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled.
PS C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\extras\demo_suite> .\deviceQuery.exe
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\extras\demo_suite\deviceQuery.exe Starting...

CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "NVIDIA GeForce GTX 1650 Ti with Max-Q Design"
  CUDA Driver Version / Runtime Version          12.2 / 12.2
  CUDA Capability Major/Minor version number:    7.5
  Total amount of global memory:                 4096 MBytes (4294639616 bytes)
  (16) Multiprocessors, ( 64) CUDA Cores/MP:     1024 CUDA Cores
  GPU Max Clock rate:                            1200 MHz (1.20 GHz)
  Memory Clock rate:                             5001 Mhz
  Memory Bus Width:                              128-bit
  L2 Cache Size:                                 1048576 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               zu bytes
  Total amount of shared memory per block:       zu bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  1024
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          zu bytes
  Texture alignment:                             zu bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  CUDA Device Driver Mode (TCC or WDDM):         WDDM (Windows Display Driver Model)
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            Yes
  Supports Cooperative Kernel Launch:            Yes
  Supports MultiDevice Co-op Kernel Launch:      No
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 12.2, CUDA Runtime Version = 12.2, NumDevs = 1, Device0 = NVIDIA GeForce GTX 1650 Ti with Max-Q Design
Result = PASS
PS C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2\extras\demo_suite>

5、总结

还是感谢参考文章，如此一来在三个环境下的cuda我们就都有，之后就是在win上运行相关AI的东西了。

好奇龙猫
关注
专栏目录
python&anconda系列（亲测有效）：window11系统CUDA、cuDNN 安装以及环境变量配置
weixin_54626591的博客
12-24 3047
window11系统CUDA、cuDNN 安装以及环境变量配置
【pytorch】 Win11下cuda，cudnn以及pytorch环境安装
weixin_48846514的博客
05-19 1868
Win11 cuda,cudnn,pytorch环境安装
【安装教程】安装cudnn
weixin_42421914的博客
03-18 7052
首先我是已经安装了cuda，但是因为没有安装cudnn在跑程序的时候出现了一些问题，因此安装了cudnn。CUDA可以看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。
手把手带你安装CUDA
qq_51375047的博客
08-07 1万+
CUDA是NVIDIA发明的并行计算平台和编程模型。它通过利用图形处理单元 （GPU） 的强大功能，大幅提高计算性能。CUDA 在开发时考虑了几个设计目标：为标准编程语言（如 C）提供一小组扩展，使并行算法的直接实现成为可能。使用 CUDA C/C++，程序员可以专注于算法的并行化任务，而不是将时间花在实现上。支持异构计算，其中应用程序同时使用 CPU 和 GPU。应用程序的串行部分在 CPU 上运行，并行部分卸载到 GPU。因此，CUDA 可以逐步应用于现有应用程序。
Win11配置Cuda+cudnn
z_c_kaifa的博客
08-06 938
win11安装CUDA和cudnn
win11系统下安装带w10链接的CUDA以及安装cuDNN
weixin_58964057的博客
04-26 1341
这里也不需要换路径，因为这只是个暂存的地方，并不是安装路径，安装好后这个会自动卸载，不占用C盘，也无需担心。登录注册好之后，选择版本进行下载，由于我的cuda的版本是11.3，所以我选择了这个版本。然后粘贴到安装的cuda的路径下的v11.3里面的lib文件夹里面的x64文件夹里面。然后粘贴到安装的cuda的路径下的v11.3里面的include文件夹里面。我是直接进入了DOS中进行检查的，也可以进Anaconda中进行检查。然后粘贴到安装的cuda的路径下的v11.3里面的bin文件夹里面。
window11系统CUDA、cuDNN 安装以及环境变量配置
争渡的博客
06-17 5万+
虽然 CUDA 包含了一些基本的矩阵运算和线性代数函数，但它不直接包含深度神经网络相关的算法和优化。因此，为了使用 CUDA 进行深度学习任务，您需要安装一个额外的库，例如 cuDNN。因此，通过与 CUDA 结合使用，cuDNN 可以大幅提高深度学习应用的性能和效率。（CUDA Deep Neural Network Library）是 NVIDIA 提供的一个可选的库，用于优化深度神经网络的训练和推理性能。：这里我用 11.4版本为例，流程上是一样的，就是版本号不一样仅此而已。一般这里安装完毕后，会。
Win11安装CUDA教程
weixin_51350942的博客
11-14 7488
Win11安装CUDA教程
Windows11下NVIDA CUDA,cuDNN和TensorRT安装教程 用tensorRT加速yolov5全记录
qq_64997742的博客
01-19 3796
确保正确导出onnx文件需要注意以下几个方面：1：任何用到shape/size返回值的参数时，例如tensor.view(tensor.size(0), -1)这种操作，避免直接使用tensor.size()的返回值，而是加上int强转，例如tensor.view((tensor.size(0)), -1)，断开跟踪。2：nn.Upsample或者nn.functional.interpolate函数，使用scale_factor指定倍率，而不是用size参数指定。
在windows11环境下CUDA和cuDNN安装教程（超详细）.卸载CUDA、安装CUDA的nsight visual studio edition失败的情况、vs2019里面没有CUDA新建项目
Redamancy06的博客
07-15 1万+
下载CUDA下载地址下载CUDNN下载地址安装CUDA和cuDNN安装CUDA配置环境变量配置SDK验证deviceQuery和bandwidthTest测试一下输入set cuda可以查看CUDA安装路径安装cuDNN，cuDNN 其实就是 CUDA 的一个补丁而已卸载CUDA安装CUDA失败的情况nsight visual studio edition失败VS2019+CUDA11.1新建项目里没有CUDA选项...............
Windows11下多版本CUDA的安装与切换
weixin_66540163的博客
03-30 4288
所以在安装新版本的 CUDA 时，一定不能高于该版本，我需要的新环境的 CUDA 版本为 9.0，低于 12.2，可以安装。更改 CUDA 安装时缓存位置（默认为 C盘，不更改也可以，但得与原先安装的 CUDA 的安装缓存位置不同，或者该位置为空）安装完新版本的 CUDA 后，此时运行的环境为新版本的 CUDA，当我们需要切换为其他版本时，仅需要对环境变量进行修改即可。至此， 新版本的 CUDA 与 cudnn 安装成功，可以使用该版本的 CUDA 进行 GPU 加速了。
【保姆级教程】如何在Win11上搭建一个GPU环境
最新发布
yanqianglifei的专栏
09-03 602
然后添加环境变量，鼠标右键此电脑 => 属性 => 高级系统设置 => 环境变量，将CUDA的安装目录添加到CUDA_PATH变量中。：https://developer.nvidia.com/cuda-downloads，图片下载的是。默认情况下，安装的 Linux 分发版为 Ubuntu。我们将文件夹覆盖到上面的CUDA安装目录下，比如我的CUDA的安装目录是。，将压缩包内对应的文件夹复制到bin、include、lib目录下即可。将 替换为要安装的发行版的名称。，能够正确显示各种信息就安装完成了。
win11下安装Cuda和Cudnn(pytorch+GPU环境安装)，保姆级教程！！！
qq_36623004的博客
10-09 2万+
cuda+cudnn的安装配置(pytorch+GPU环境安装)
win11安装cuda教程
weixin_46889564的博客
02-10 334
win11+cuda
Windows11系统安装CUDA和CuDNN
牧羊女
08-23 1597
Windows11系统上的CUDA和CuDNN环境配置。
在windows11环境下安装CUDA11.6+Anaconda3+pyToach1.13搭建炼丹炉
qq_1763467007的博客
06-26 3883
在windows11环境下安装CUDA11.6+Anaconda3+pyToach1.13搭建炼丹炉 目前2023.03出来的pyToach2.0是用不到了，因为最低版本支持CUDA11.7。我的显卡是1650，驱动达不到CUDA11.7的要求，因此安装不了11.7。
以windows11 为例安装conda,配置cuda和pytorch环境
进化的程序员
08-31 1493
【代码】以windows11 为例安装conda,配置cuda和pytorch环境。
【Windows11】Cuda和Cudnn详细安装教程
热门推荐
Jin1Yang的博客
05-13 7万+
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
win10安装CUDNN
06-24
Windows 10 安装CUDA和cuDNN（Convolutional Deep Neural Network Library）通常是为了支持深度学习框架如TensorFlow、PyTorch等在GPU上进行高性能计算。以下是安装CUDA和cuDNN的基本步骤： 1. **下载CUDA**: 访问NVIDIA官网（<https://developer.nvidia.com/cuda-downloads>），选择适合你系统的CUDA版本。确保选择与你的Windows 10版本兼容的，还要注意GPU类型。 2. **下载cuDNN**: 在CUDA安装包中通常包含了cuDNN，但如果需要单独下载，访问<https://developer.nvidia.com/cudnn>，找到对应的cuDNN版本，然后下载cuDNN的Win64 SDK。 3. **安装CUDA**: 双击安装文件，按照向导完成安装，确保在安装过程中勾选“Register CUDA”选项，以便系统能识别CUDA。 4. **添加环境变量**: 安装完成后，需要将CUDA路径添加到系统的PATH环境变量中，这样命令行可以识别CUDA工具。 5. **验证安装**: 打开命令提示符或PowerShell，运行`nvidia-smi`命令，如果能显示GPU信息，则说明安装成功。 6. **安装cuDNN**: 如果你单独下载了cuDNN，解压后将其包含的库文件夹（如cudnn64_110.dll）复制到CUDA的bin目录下，并将头文件复制到include目录下。然后，在相应的深度学习框架中配置cuDNN路径。 7. **配置框架**: 在使用TensorFlow或PyTorch时，需要在代码或配置文件中指定cuDNN的路径，这通常是在初始化时设置的。
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

打赏作者

好奇龙猫

你的鼓励将是我创作的最大动力

¥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