CUDA及深度学习环境配置大全

已于 2022-09-09 17:04:11 修改
阅读量5.1k 收藏 16
点赞数 2
分类专栏： 深度学习 文章标签： 个人开发
于 2022-04-11 12:04:17 首次发布
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_42283621/article/details/124095937
版权

文章目录


可能用到的文件：
链接：https://pan.baidu.com/s/1J_YWJXJPpTh-DgKFAlzeCA?pwd=afrx
提取码：afrx
复制这段内容后打开百度网盘手机App，操作更方便哦

Anaconda

Anaconda是专注于数据分析、能够对包和环境进行管理的Python发行版本，包含了conda、Python等多个科学包及其依赖项。

conda 是开源包（packages）和虚拟环境（environment）的管理系统：
1）包管理：可以使用 conda 来安装、更新 、卸载工具包。
2）虚拟环境管理：在conda中可以建立多个虚拟环境，用于隔离不同项目所需的不同版本的工具包。

windows

演示版本为4.10.3，文件Anaconda3-2021.11-Windows-x86_64.exe

常规安装流程，注意Advanced Installation Options这一页，有两种方式，选其中一种即可：

1）如下图1所示，两个都勾选，安装完成后，将在环境变量PATH中看到如图2所示的新增项。这种安装方法有用户反应安装失败或测试失败，可以尝试使用第2中方法（本人测试没有任何问题）。

image-20220806083704826

image-20220806084247820

2） 只勾选第2个，安装完成后，手动在环境变量PATH中添加如图2所示的新增项。

测试：

image-20220806084511327

linux

演示版本为4.5.11，文件Anaconda3-5.3.0-Linux-x86_64.sh

# 执行安装程序，一直回车
bash Anaconda3-5.3.0-Linux-x86_64.sh

是否同意协议（默认no），输入yes

image-20220806095055557

（可能不出现）是否添加环境变量，有2种解决方案写在后面。

image-20220806112306631

是否安装VSCode，输入no

image-20220806095355853

（可能不出现）是否添加环境变量，有2种解决方案：
1）出现：输入yes（若输入no则等同于不出现，转2）），输入source ~/.bashrc立即生效
2）不出现：
修改环境变量 vim ~/.bashrc
在最后加上一行并保存（要修改成自己的路径） export PATH=/home/lu/anaconda3/bin:$PATH
立即生效 source ~/.bashrc

测试：

image-20220806095855885

PyCharm

PyCharm是一种Python（Integrated Development Environment，集成开发环境），带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、项目管理、代码跳转、智能提示、自动完成单元测试、版本控制。此外，该IDE提供了一些高级功能，以用于支持Django框架下的专业Web开发。

windows

演示版本为专业版2021.3，文件pycharm-professional-2021.3.exe

常规安装，注意下面的Installation Options全选即可，安装完成需要重启系统。安装完成后将有下面两个新的环境变量被自动添加。

image-20220806085400491

image-20220806091025198

image-20220806091046841

测试：

打开，新建一个项目，解释器选择anaconda环境下的python.exe

image-20220806090845749

image-20220806091147832

linux

演示版本为专业版2022.1，文件linux-pycharm-professional-2022.1.tar.gz

  1. 解压（解压之后的文件夹不能删除），然后在其bin目录下打开终端
  2. bash pycharm.sh安装
  3. 打开后固定到启动器，否则下次可能找不到在哪里打开

测试：

打开，新建一个项目，解释器选择anaconda环境下的python.exe

image-20220806100829312

image-20220806100921816

GPU&CUDA Driver&CUDA&cuDNN

CUDA 目前有两种不同的 API：Driver API 和 Runtime API，分别对应两个CUDA版本（最高支持的CUDA版本 和 正在使用的CUDA版本）。其中 Driver API及最高支持的API版本 在安装CUDA Driver时被确定，Runtime API和正在使用的CUDA版本 在安装cudatoolkit时被确定。通常将 Runtime API和正在使用的CUDA版本 称为CUDA例如CUDA 10.1，将 Driver API及最高支持的API版本 称为CUDA Driver，例如CUDA 11.6 Driver。

GPU(显卡)

纯硬件，深度学习一般使用NVIDIA GPU，作者测试Windows GPU 为 NVIDIA GTX 1050Ti，Linux 为 NVIDIA RTX 3060。

CUDA Driver(显卡驱动)

用来驱动显卡的程序，即GPU硬件所对应的软件。

根据显卡型号在官方网站可以下载驱动：https://www.nvidia.cn/Download/index.aspx?lang=cn#

image-20220806103142889

Windows安装完驱动后，在 英伟达控制面板 帮助 系统信息 显示中可以看到 驱动程序版本，在组件中可以看到CUDA Driver版本，它的意思是现在所安装的显卡驱动程序 支持安装 CUDA 11.6.110及之前的所有版本，并不是已经安装了CUDA 11.6.110。

image-20220806103740839

image-20220806103721562

linux安装完驱动后，输入命令nvidia-smi可以看到 驱动程序版本(510.73.08)&CUDA Driver版本(11.6)，同样它的意思是现在所安装的显卡驱动程序 支持安装 CUDA 11.6及之前的所有版本，并不是已经安装了CUDA 11.6

image-20220806104540848

CUDA&cuDNN

CUDA(ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。

cudatoolkit是CUDA开发工具包，有以下2种，应注意区分：
1）NIVDIA官网的cudatoolkit，下载后本地安装，较大（完整版），包含CUDA相关的开发（Development）、运行（Runtime）、调试（Nsight Systems、Nsight Compute）组件。网址为 https://developer.nvidia.com/cuda-toolkit-archive。
2）anaconda中的cudatoolkit，通过conda安装，较小（精简版），只包含CUDA的运行组件（Runtime）。命令为conda install cudatoolkit=???（一个等号）。
方法一安装完成后使用nvcc -V命令可以看到正在使用的CUDA版本，方法二则没有。

NVIDIA cuDNN是用于深度神经网络的GPU加速库，分别对应上面的2种cudatoolkit的安装方式为：
1）NIVDIA官网的cudatoolkit安装完成后，在官网下载对应版本的cuDNN，解压到CUDA的安装目录（同名文件夹将合并）。下载网址为https://developer.nvidia.com/rdp/cudnn-download。
2）anaconda中的cudatoolkit安装完成后，通过conda安装。命令为conda install cudnn=???（一个等号）。

本地安装CUDA-Windows

演示版本为CUDA10.1+cuDNN7.6.5，文件cuda_10.1.168_425.25_win10.exe和cudnn-10.1-windows10-x64-v7.6.5.32.zip

  1. 安装CUDA

    image-20220806231459021

    # 添加系统变量

变量名
    CUDA_PATH_V10_1
变量值
    C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1

变量名
    CUDA_PATH
变量值
    %CUDA_PATH_V10_1%

变量名
    Path
变量值
    %CUDA_PATH%\bin
    %CUDA_PATH%\include
    %CUDA_PATH%\lib
    %CUDA_PATH%\libnvvp

# 实际起作用的是Path的新增值
# 若安装了第2个CUDA版本例如11.3，则可以只新增一个 名CUDA_PATH_V11_3，值为其安装路径
# Path不动，仅修改CUDA_PATH值 为CUDA_PATH_V10_1则使用10.1的CUDA，为CUDA_PATH_V11_3则使用11.3的版本，修改后可能需要重启环境/重启系统
# 原理参考：Windows和Linux的环境变量 https://blog.csdn.net/qq_42283621/article/details/126079764

  2. 安装cuDNN

    将cudnn-10.1-windows10-x64-v7.6.5.32.zip压缩包解压，内容复制到CUDA安装路径的同名文件夹下即可。

  3. 测试

    在命令行模式下输入nvcc -V

    image-20220806232716942

本地安装CUDA-Linux

演示版本为CUDA10.1+cuDNN7.6.5，文件cuda_10.1.105_418.39_linux.run和cudnn-10.1-linux-x64-v7.6.5.32.tgz

  1. 安装CUDA

    sh cuda_10.1.105_418.39_linux.run

    取消Driver（指的是CUDA Driver，如果已经安装即nvidia-smi有内容，那么这里应该取消），然后Install。

    # 添加用户变量

# vim ~/.bashrc

export CUDA_HOME=/usr/local/cuda-10.1
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH
export PATH=$CUDA_HOME/bin:$PATH

# source ~/.bashrc

# 实际起作用的是LD_LIBRARY_PATH和PATH的新增值
# 若安装了第2个CUDA版本例如11.3，则将CUDA_HOME改为CUDA 11.3的安装目录，source ~/.bashrc即可切换成功，LD_LIBRARY_PATH和PATH不用改动
# 原理参考：Windows和Linux的环境变量 https://blog.csdn.net/qq_42283621/article/details/126079764

  2. 安装cuDNN

    将cudnn-10.1-linux-x64-v7.6.5.32.tgz压缩包解压，内容复制到CUDA安装路径的同名文件夹下即可。

  3. 测试

    在命令行模式下输入nvcc -V

    image-20220807003419053

  4. 可能出现的问题

    1. Failed to verify gcc version. See log at /var/log/cuda-installer.log for details.
解决：apt install build-essential

conda安装CUDA

# 一个等号
conda install cudatoolkit=???
conda install cudnn=???

版本对应关系

版本对应要求：TensorFlow/PyTorch对应CUDA、CUDA对应cuDNN（TensorFlow/PyTorch与cuDNN无需直接对应，下载cuDNN时在网址https://developer.nvidia.com/rdp/cudnn-download很容易找到CUDA的对应版本）

CUDAPyTorch(pytorch)TensorFlow(tensorflow tensorflow-gpu)
10.01.2.0 1.1.0 1.0.02.0.0
10.11.7.0 1.6.0 1.5.0 1.4.02.1.0 2.2.0 2.3.0
10.21.11.0 1.10.0 1.9.0 1.8.0 1.7.0 1.6.0 1.5.0
11.01.7.02.4.0
11.11.8.0
11.22.5.0 2.6.0 2.7.0 2.8.0 2.9.0
11.31.12.1 1.11.0 1.10.0 1.9.0
11.61.12.1

Pytorch

Facebook推出的深度学习框架，新版本的Pytorch兼容老版本，学习简单使用方便，学术界广泛使用。

# 安装测试testpytorch.py

import torch

print(f'PyTorch版本为{torch.__version__}')
if torch.cuda.is_available():
    print(f'CUDA可用，版本为{torch.version.cuda}')
    if torch.backends.cudnn.is_available():
    	print(f'cuDNN可用，版本为{ torch.backends.cudnn.version()}')
    else:
        print('cuDNN不可用')
else:
    print('CUDA不可用')

if torch.cuda.is_available():
    a = torch.tensor(1, device='cuda')
    b = torch.tensor(2, device='cuda')
    print(a + b)
else:
    a = torch.tensor(1)
    b = torch.tensor(2)
    print(a + b)

CPU版

cpu版本直接无脑安装即可，无需GPU/CUDA Driver/CUDA/cuDNN

windows和linux相同

# 创建虚拟环境
> conda create -n torchcpu python=3.7
> conda activate torchcpu

# 安装（官方https://pytorch.org/get-started/locally/的安装命令）
> conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cpuonly -c pytorch

# 运行测试程序
> python testpytorch.py
# PyTorch版本为1.11.0
# CUDA不可用
# tensor(3)

GPU版

需要有GPU和GPU Driver，无需 本地安装CUDA和 本地安装cuDNN

windows和linux相同

pytorch自带cudnn，官方提供的安装命令中包含conda install … cudatoolkit=??? -c pytorch

某些版本（旧版本常见）对某些GPU不支持（例如pytorch1.7.0对于GTX 3060）。

# 创建虚拟环境
> conda create -n torchgpu python=3.7
> conda activate torchgpu

# 安装（官方https://pytorch.org/get-started/locally/的安装命令）
> conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch

# 运行测试程序
> python testpytorch.py
# PyTorch版本为1.11.0
# CUDA可用，版本为11.3
# cuDNN可用，版本为8200
# tensor(3, device='cuda:0')

TensorFlow

Geogle推出的深度学习框架，新老版本互相不兼容，推出时间早性能好，工业界广泛使用。

由于2020年之后Python2.7停止维护，故无法在win上安装tensorflow 1，linux上正常安装即可

# linux python2 tf1使用该测试程序，其他使用下面的测试程序
# 推荐使用conda命令安装，将自动下载对应的cudatoolkit和cudnn，
#    例如conda install tensorflow-gpu==1.15.0
# 运行该程序后，使用nvidia-smi命令查看是否有显存占用，
#    如果显存未占用可能需要再同时安装本地版的CUDA(cuda10.0 cudnn7.6，原因不祥)
import tensorflow as tf

print(tf.test.is_gpu_available())
sess = tf.Session()
for i in range(10000):
    a = tf.constant(1)
    b = tf.constant(2)
    print (sess.run(a + b))


# 安装测试testtensorflow.py

import tensorflow as tf

print(f'TensorFlow版本为{tf.__version__}')
if tf.test.is_gpu_available():
    print('CUDA可用')
    a = tf.constant(1).gpu()
    b = tf.constant(2).gpu()
    t = a + b
    print(t, t.device)
else:
    print('CUDA不可用')
    a = tf.constant(1)
    b = tf.constant(2)
    t = a + b
    print(t, t.device)

CPU版

cpu版本直接无脑安装即可，无需GPU/CUDA Driver/CUDA/cuDNN

windows和linux相同

# 创建虚拟环境
> conda create -n tfcpu python=3.7
> conda activate tfcpu

# 安装
> conda install tensorflow==2.3.0

# 运行测试程序
> python testtensorflow.py
# TensorFlow版本为2.3.0
# CUDA不可用
# tf.Tensor(3, shape=(), dtype=int32) /job:localhost/replica:0/task:0/device:CPU:0

GPU版

conda CUDA

需要有GPU和GPU Driver，无需 本地安装CUDA和 本地安装cuDNN

conda中存储的window和linux不同，window版本包括2.0.0、2.1.0、2.3.0、2.5.0、2.6.0，linux版本包括2.0.0、2.1.0、2.2.0、2.4.1。

通过conda命令安装cudatoolkit和cudnn

此安装方式某些版本（旧版本常见）对某些GPU不支持，可使用“本地CUDA”方法重试。

# 创建虚拟环境
> conda create -n tfgpu python=3.7
> conda activate tfgpu

# 安装
# linux（linux使用conda安装，将自动安装对应版本的cudatoolkit和cudnn）
> conda install tensorflow-gpu==2.2.0
# windows（windows使用conda安装，需手动安装对应版本的cudatoolkit和cudnn）
> conda install cudatoolkit=10.1
> conda install cudnn=7.6.5
> conda install tensorflow-gpu==2.3.0

# 运行测试程序（linux）
> python testtensorflow.py
# TensorFlow版本为2.2.0
# CUDA可用
# tf.Tensor(3, shape=(), dtype=int32) /job:localhost/replica:0/task:0/device:GPU:0

# 运行测试程序（windows）
> python testtensorflow.py
# TensorFlow版本为2.3.0
# CUDA可用
# tf.Tensor(3, shape=(), dtype=int32) /job:localhost/replica:0/task:0/device:GPU:0

本地CUDA

需要有GPU、GPU Driver、本地安装CUDA 和 本地安装cuDNN

pip中存储的window和linux相同，包含2.0.0、2.1.0、2.2.0、2.3.0、2.4.0、2.5.0、2.6.0、2.7.0、2.8.0、2.9.0。

# 按照上面“本地安装CUDA-Windows”的方法安装CUDA10.1+cuDNN7.6.5

# 创建虚拟环境
> conda create -n tfgpulocal python=3.7
> conda activate tfgpulocal

# 安装
> pip install tensorflow-gpu==2.3.0

# 运行测试程序
> python testtensorflow.py
# TensorFlow版本为2.3.0
# CUDA可用
# tf.Tensor(3, shape=(), dtype=int32) /job:localhost/replica:0/task:0/device:GPU:0

# 可能出现的问题
问题：TypeError: Descriptors cannot not be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.
If you cannot immediately regenerate your protos, some other possible workarounds are:
 1. Downgrade the protobuf package to 3.20.x or lower.
 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).
解决：pip install protobuf==3.20.1
MallocLu
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
cuda_10.0.130_410.48_linux.zip
04-16
cuda_10.0.130_410.48_linux.zip，解压后为cuda_10.0.130_410.48_linux.run
Ubuntu配置CUDA环境变量究极解读
invictusji的博客
10-10 1127
先把网上见得最多的CUDA环境变量配置放这里，这也是所有的罪魁祸首！（不过也怪自己，本来网上的信息很多就是纷繁杂乱，需要自己分辨，知其然而不知其所以然万万不可取）这种重量级的变量（环境变量），他还真是得追加，而非直接赋值，要不直接可不就是把之前。而有些代码在写的时候，他不跟系统环境变量一样直接在。那么问题就来了，由于在。刚开始一直没想明白，后来突然开窍了……），另外是创建两个CUDA独特的变量。，就会在运行代码的时候一直往已有的。其实是分两部分，一个是将CUDA的。文件夹下的文件都加入系统路径（……
如何设置 CUDA_PATH 和 CUDA_TOOLKIT_ROOT_DIR
Kp0fS的草稿纸
03-08 1145
如何设置 CUDA_PATH 和 CUDA_TOOLKIT_ROOT_DIR 在配置 C
CUDA学习：Windows下的CUDA环境配置
weixin_43788327的博客
07-16 2万+
Windows环境下的CUDA配置
CUDA 添加环境变量
qq_44190125的博客
11-20 5884
CUDA添加环境变量
太方便，WIN系统CUDA12.4下使用conda便捷管理虚拟环境中的不同版本的CUDA、cuDNN、PyTorch
u014451778的博客
03-03 5818
记录工作实践。
window11系统CUDA、cuDNN 安装以及环境变量配置
争渡的博客
06-17 4万+
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。
cuda 环境变量配置
雪剑封心
01-18 7831
cuda 环境变量 vim ~/.bashrc 键盘大写“G”，在最末端输入 使其生效：source ~/.bashrc 验证 nvcc -V export PATH="/usr/local/cuda-11.3/bin:$PATH" export LD_LIBRARY_PATH="/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH"
Win 系统 CUDA 环境配置及卸载
知识搬运者
11-16 1万+
1、下载并安装CUDA 查看自己电脑支持的 cuda 版本，或者选择自己需要的 cuda 版本安装。（本教程以cuda1.2为例） 献上各种CUDA的下载链接：CUDA Toolkit Archive | NVIDIA Developer 当解压完毕后会自动运行安装程序，之后窗口会自动弹出来，点击同意并继续。 第一步：接下来一定要讲究了，不然容易翻车！一定要选择自定义安装。 第二步：在组件 C............
如何在Windows10上安装和配置CUDA环境：详细教程
Lion_Long的博客
03-02 5501
本文将手把手地教你如何在Windows10操作系统上搭建CUDA环境，从CUDA工具包的下载和安装开始，一直到配置环境变量和验证CUDA是否成功安装。通过本文的指导，你将能够轻松地在自己的Windows10系统上搭建起完善的CUDA开发环境。
CUDA安装及环境配置——最新详细版
热门推荐
专注于前沿科技解读与实用技巧分享，致力于将复杂技术简单化
11-17 22万+
在安装之前呢，我们需要确定三件事第一：查看显卡支持的最高CUDA的版本，以便下载对应的CUDA安装包第二：查看对应CUDA对应的VS版本，以便下载并安装对应的VS版本（vs需要先安装）第三：确定CUDA版本对应的cuDNN版本，这个其实不用太关注，因为在cudnn的下载页面会列出每个版本对应的cuda版本，11.x以上对应的范围很宽。
服务器（工作站）更新显卡后深度学习环境配置
04-01
通常在服务器或者工作站更换显卡后，会出现显卡驱动不匹配，深度学习环境参数不匹配等问题，本文主要介绍如何解决这一系列问题。
深度学习环境配置Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow.txt
09-23
深度学习环境配置Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow
win10+rtx4070ti深度学习环境（cuda 11.7、cudnn8.6.0、libtorch1.13.1+cu117）
02-14
使用rtx4070ti跑深度学习算法与部署c++环境,cuda及libtorch太大无法上传，文章中附带官方链接
Ubuntu 18.04深度学习环境配置（CUDA9.0+CUDDN7.4+TensorFolw11
08-03
1.安装Ubuntu 3. 安装1080TI显卡驱动 4.安装依赖库 5.GCC降低版本 8.安装Tensorflow GPU 1.8
cuda10.0+py3.7.7+tf1.14.0+pytorch1.2.0深度学习环境配置流程.docx
09-08
流程中环境描述：cuda版本10.0，python版本3.7.7 ，tensorflow版本1.14.0，pytorch版本1.2.0
spring boot3单模块项目工程搭建-下（个人开发模板）
蒾酒的博客
04-25 2987
本文介绍了springboot开发后端服务，单模块项目工程搭建。单模块搭建出完会出多模块项目搭建。坚持看完相信对你有帮助。同时欢迎订阅springboot系列专栏，持续分享spring boot的使用经验。是 Spring Boot 提供的一个起步依赖，用于快速构建基于 Spring MVC 的 Web 应用程序。通过引入这个依赖，你可以快速地搭建一个Web应用程序，并且使用Spring Boot的自动配置功能，简化了配置和部署的过程。
智慧酒店项目智能化系统汇报方案qy.pptx
最新发布
04-30
智慧酒店项目智能化系统汇报方案qy.pptx
基于C语言编写的高并发Epoll服务器.zip
04-30
基于C语言编写的高并发Epoll服务器.zip
linux深度学习环境配置
07-16
要在Linux上配置深度学习环境，需要以下步骤： 1. 安装Linux操作系统，建议使用Ubuntu或CentOS。 2. 安装NVIDIA显卡驱动，如果使用NVIDIA显卡，需要先安装相应的驱动程序。 3. 安装CUDA和cuDNN，这是深度学习框架所需的GPU加速库。 4. 安装深度学习框架，如TensorFlow、PyTorch、Caffe等。 5. 安装Python和相关的Python库，如NumPy、SciPy、Matplotlib等。 6. 配置环境变量，将相关的路径添加到系统环境变量中。 7. 测试环境是否配置成功，可以使用一些简单的深度学习模型进行测试。 总之，配置深度学习环境需要一定的技术水平和耐心，但是一旦配置成功，就可以方便地进行深度学习研究和应用。

“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 2
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

MallocLu

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