查看自己的网络结构

最新推荐文章于 2024-02-24 18:20:01 发布
最新推荐文章于 2024-02-24 18:20:01 发布
阅读量1.8k 收藏
点赞数
分类专栏： 学习 文章标签： 深度学习 算法
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_40478033/article/details/121735555
版权

查看网络


直接print（） 

BertForJointSpanExtractAndClassification(
  (bert): BertModel(
    (embeddings): BertEmbeddings(
      (word_embeddings): Embedding(30522, 768, padding_idx=0)
      (position_embeddings): Embedding(512, 768)
      (token_type_embeddings): Embedding(2, 768)
      (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
      (dropout): Dropout(p=0.1, inplace=False)
    )
    (encoder): BertEncoder(
      (layer): ModuleList(
        (0): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (1): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (2): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (3): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (4): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (5): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (6): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (7): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (8): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (9): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (10): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (11): BertLayer(
          (attention): BertAttention(
            (self): BertSelfAttention(
              (query): Linear(in_features=768, out_features=768, bias=True)
              (key): Linear(in_features=768, out_features=768, bias=True)
              (value): Linear(in_features=768, out_features=768, bias=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
            (output): BertSelfOutput(
              (dense): Linear(in_features=768, out_features=768, bias=True)
              (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
              (dropout): Dropout(p=0.1, inplace=False)
            )
          )
          (intermediate): BertIntermediate(
            (dense): Linear(in_features=768, out_features=3072, bias=True)
          )
          (output): BertOutput(
            (dense): Linear(in_features=3072, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (pooler): BertPooler(
      (dense): Linear(in_features=768, out_features=768, bias=True)
      (activation): Tanh()
    )
  )
  (dropout): Dropout(p=0.1, inplace=False)
  (unary_affine): Linear(in_features=768, out_features=1, bias=True)
  (binary_affine): Linear(in_features=768, out_features=2, bias=True)
  (dense): Linear(in_features=768, out_features=768, bias=True)
  (activation): Tanh()
  (classifier): Linear(in_features=768, out_features=5, bias=True)
)
绿箭薄荷
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
12层的bert参数量_小白Bert系列-参数计算
weixin_39642981的博客
11-21 1149
针对上图分别从每个部分进行计算。BERT-Base, Uncased 12层，768个隐单元，12个Attention head，110M参数BERT-Large, Uncased 24层，1024个隐单元，16个head，340M参数BERT-Base, Cased 12层，768个隐单元，12个Attention head，110M参数BERT-Large, Uncased 24层，1024个...
桃源网络硬盘-.net
06-14
桃源网络硬盘是一个以.net进行开发的网络硬盘系统源码。 开发环境：Microsoft.NET Framework SDK 运行要求： Windows 2003及以上版本 或 Windows XP及以上版本，安装 .Net Framework  要求上传目录有写权限 请将其放在虚拟目录或单独的网页空间下 特点： 1.多用户注册各自使用，互不干予。 2.在自己的空间中上传多文件及大文件进行在线查看管理，可建多级目录存放。 3.文件目录多级共享，可共享整个用户空间。 4.树状显示系统功能和目录结构，操作方便。 5.界面模板和样式自定义并可由用户在前台选择喜爱的空间风格。 6.共享权限可设好友、所有人、指定人，并可指定共享类别、查看密码、列表修改删除下载等权限。 7.用户的共享目录和文件可自行设置外部空间处固顶和精华。 8.可以按名称、时间、大小、类型、注释、子目录等元素组合搜索文件。 9.文件和目录可进行压缩解压ZIP操作，可以批量上传及批量下载文件。 10.文件提取功能，可同时定义多个文件的提取码，提取码可个性化定义，并可限制下载次数及天数。 11.上传码功能，可定义一个目录的外部允许上传密码，访客可凭此密码上传到此目录。 12.文件转发功能，可将多个文件下载地址通过邮件或短信发送给他人下载，并可限制下载次数及天数。 13.在线编辑文本文件、播放任何影音文件、查看图片内容、对共享文件及目录添加文字注释功能。 14.在线编辑Word，Excel，PowerPoint文件，及可设置只读office文档，编辑时自动锁定，防止编辑冲突。 15.强大的在线图片编辑功能(缩放，旋转，水印，裁剪)。 16.类似Windows中的图片缩略图预览模式，方便查看图片。 17.注册用户有二级域名空间可以让访客随时访问自己的空间进行文件浏览下载。 18.访客可在外部空间处根据当前权限直接进行添加目录或上传文件。 19.各种文件类型地址点击复制和短地址功能。 20.在空间中上传文件或添加外部网址两种方式。 21.好友功能，可将他人加为好友，并查看对方的指定好友文件及发送短消息。 22.可将好友分组规划，并按分组进行文件共享给指定组的好友。 23.可对自己的所有共享和提取进行查看及管理，批量修改或删除。 24.下载统计功能，可对各个用户下载的每个文件有明确的记录和统计。 25.上传统计功能，可对用户上传的每个文件做记录，监督非法文件。 26.公共目录及公共文件区，显示每个用户共享给所有人的文件及目录列表并可下载。 27.用户可按等级权限自由绑定顶级域名代替外部空间地址，空间地址个性化。 28.用户空间个性化定义公告及标题显示，和对访客留言的查看及管理。 29.站内短信功能，提供收件箱、发件箱、已发送、垃圾箱功能。 30.用户空间中子帐号管理，可建多个相应操作权限的用户登录同一用户空间。 31.网银、支付宝、快钱、财付通、PayNow(台湾)在线支付，用户可任选支付，空间自动续费升级，别人代充，充值卡使用管理。 32.用户积分功能， 可积分兑换金币并可升级空间。 33.前台违法举报，实时对上传内容进行管理。 34.网站留言功能，用户可实时向管理员反馈信息，管理员后台回复。 35.自动过滤内容和禁传非法文件，防止不正当使用。 36.可针对不同等级，不同分组的用户设置进入时公告。 37.批量用户管理操作，群发短信/邮件，可对列表中的所有用户统一一次操作。 38.后台实时查看及管理用户上传的所有文件。 39.强大的用户查找，根据有效期、最后登录时间，审核及锁定，等级及分组查找。 40.共享目录及共享文件查看及管理，未共享的文件不会列出，充份保护用户隐私。 41.用户等级制，可设每个等级的空间、上传大小及其它条数限制。 42.为每个等级设置下载速度上限、开启二级域名及等级费用。 43.用户分组功能，可设定一组用户文件的存放盘符及路径，可前台选择，并可多网站管理。 44.允许/禁止的上传扩展名设定，编辑、查看、播放的扩展名设定功能。 45.注册审核、邮件验证、防重复IP注册、时长注册功能。 46.来访IP限制设定和管理员可登录的IP设定。 47.后台管理员可进行管理权限划分并记录操作日志。 48.系统菜单的后台添加和管理。 49.回收站功能，并可在后台设置自动删除时间。 50.文件共享审核功能，杜绝用户共享非法文件。 51.可直观设定目录、文件、用户、公告的外部调用参数，支持模板调用。 52.导入用户功能，支持ACCESS或Excel中导出的TXT格式信息，分项目一次导入。 53.导出用户功能，可选择条件过滤导出，指定导出项目，导出成txt或Excel格式。 54.页面广告分区添加及管理和客户端广告管理。 55.随时在线整理硬盘和数据库中的数据，保持数据最优化。 56
桃源网络硬盘5.8-企业版
11-19
桃源网络硬盘支持文件目录多级共享，树状显示系统功能和目录结构，操作方便，拥有上传码功能、文件提取功能、文件转发功能、好友功能等等，详细功能请看以下介绍。 桃源网络硬盘.Net简介： 1.多用户注册各自使用，互不干予。 2.在自己的空间中上传多文件及大文件进行在线查看管理，可建多级目录存放。 3.文件目录多级共享，可共享整个用户空间。 4.树状显示系统功能和目录结构，操作方便。 5.界面模板和样式自
【pytorch】Animatable 3D Gaussian+源码解读（一）
最新发布
XYQjiayou的博客
02-24 1223
animatable 3d gaussian代码解读
BERT Word Embeddings 教程
ningyanggege的博客
02-28 3795
本篇文章译自 Chris McCormick 的BERT Word Embeddings Tutorial 在这篇文章，我深入研究了由Google的Bert生成的word embeddings，并向您展示了如何通过生成自己的word embeddings来开始Bert。 这篇文章有两种形式——一种是博客文章，另一种是colab的notebook。 介绍 历史 2018年是NLP取得突破性进...
【Pytorch】torch.nn.functional.normalize 的正则化
anshiquanshu的专栏
03-10 2093
本质 torch.nn.functional.normalize(input,p=2,dim=1,eps=1e-12,out=None) 本质上就是按照某个维度计算范数，p表示计算p范数（等于2就是2范数），dim计算范数的维度（这里为1，一般就是通道数那个维度） 官方参考 官方api：https://pytorch.org/docs/stable/nn.html#normalize 源码： def normalize(input, p=2, dim=1, eps=1e-12, ou...
Ubuntu系统复现NeRFStudio（详细）
weixin_59961223的博客
05-09 4195
nerfstudio详细安装过程，包括常见错误的分析以及解决方法。
Bert代码详解（一）
热门推荐
cpluss的博客
03-12 2万+
这是bert的pytorch版本（与tensorflow一样的，这个更简单些，这个看懂了，tf也能看懂），地址：https://github.com/huggingface/pytorch-pretrained-BERT 主要内容在pytorch_pretrained_bert/modeling文件中。 由于这几天要参见计算所复试，超级紧张，所以先把草稿贴在这里，复试过了再加以完善！！！嘤嘤...
bert网络结构
ox180x的博客
06-23 845
这里以BertForMaskedLM为例，记录下BertModel的网络结构和一些思考，cls那部分网络结构不涉及，即BertOnlyMLMHead那部分。 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849BertForMaskedLM(...
【语音增强论文解读 03】TCNN: TEMPORAL CONVOLUTIONAL NEURAL NETWORK FOR REAL-TIME SPEECHENHANCEMENT IN THE TIME
qq_41893773的博客
04-05 4237
作者：Ashutosh Pandey and DeLiang Wang 文末附文章地址及其开源代码地址 1.动机 尽管使用 T-F 表示是最流行的方法，但它也有一些缺点。首先，这些方法通常忽略干净的相位信息，并使用噪声相位进行时域信号重建。 2.方法 受成功实现用于序列建模的 TCNN 以及基于编解码器架构的时域语音增强的有效性的启发，建议将它们结合起来以获得实时增强系统。所提出的模型具有基于编码器-解码器的架构，该架构由因果卷积层组成。在编码器和解码器之间插入一个...
使用网络命令探索网络结构.zip
11-14
网络设计规划作业：使用网络命令探索网络结构，使用ipconfig命令查看自己的ip地址.......
VB网络编程实例
05-29
160.htm 建立你自己的器－查看源文件 ◆ 161.htm 建立你自己的器－打印 ◆ 162.htm 建立你自己的器－打印设置 ◆ 163.htm 建立你自己的器－发送到FontPage ◆ 164.htm 建立你自己的器－发送到...
桃源网络硬盘
02-14
在自己的空间中上传多文件及大文件进行在线查看管理，可建多级目录存放。 　3.文件目录多级共享，可共享整个用户空间。 　4.树状显示系统功能和目录结构，操作方便。 　5.界面模板和样式自定义并可由用户在前台...
使用Pytorch如何查看网络结构
Chaos_Happy
03-02 3470
如何通过torch查看网络结构
pytorch查看网络架构的几种方法
Everyday try to become better -Kobe Bryant
09-10 3133
outpu:)
网络拓扑七大类型：总线、环形、星形、网状、树形、点对点、混合，我背的滚瓜烂熟！
网络技术联盟站
01-30 4151
由两台计算机直接连接组成。
[Pytorch系列-48]：如何查看和修改预定义神经网络的网络架构、网络参数属性
文火冰糖（王文兵）的博客
11-15 1万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 第1章FineTuning、Transfer Trainning的理论基础与深度解析 第2章查看预定义神经网络的网络架构 2.1 前置条件 2.2 生成预定义网络实例 2.3 显示网络结构 2.4查看网络的内部特定结构以及对应的名称 第3章查看预定义神经网络的参数 3.1查看模型参数的名称以及结构 3.2 查看模型全部参数的结构以及当前的数值 3.3无名查看模型参...
使用网络命令探索网络结构
weixin_40929263的博客
11-17 652
使用网络命令探索网络结构 1.使用ipconfig命令查看自己的ip地址，截图 2.ping大学主页www.heuet.edu.cn，截图 3.跟踪路由 tracert www.heuet.edu.cn，截图 4.根据上面的跟踪结果，画出从自己的主机出发到达www.heuet.edu.cn的网络结构，画图 5.使用netstat命令查看主机开放端口及相应进程， 指出结果中与www.heu...
tensorflow 查看自己构建的网络结构
09-23
你可以使用以下代码来查看自己构建的网络结构： ```python import tensorflow as tf # 构建你的网络结构 model = tf.keras.models.Sequential([ tf.keras.layers.Dense(64, activation='relu', input_shape=(784,...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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