机器学习预测CPU占有率

已于 2023-09-01 05:43:08 修改
阅读量749 收藏 4
点赞数
文章标签： 机器学习 人工智能 python
于 2023-08-31 08:04:31 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_45904458/article/details/132594841
版权

        现在有一组数据，64台主机在过去三周的cpu使用率时序数据，时序间隔300秒。一共366735条数据，部分数据如下图：

4992590f096e45fa8bacfad4f493c735.png4625cc80a2b04ea49807c0a65fae4442.png

        现在需要预测下一周的CPU占有率，我们选择训练集的最后3000条数据做预测，使用四个模型去运行，发现准确率可以达到100%。

模型一：线性回归模型

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('cpu_train.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded = pd.get_dummies(train_data['vmid'], prefix='vmid')
X_train = pd.concat([train_data['time'], vmid_encoded], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 使用最后3000条数据作为测试集
X_test = X_train.iloc[-3000:]
y_test = y_train.iloc[-3000:]

# 初始化线性回归模型
model = LinearRegression()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, predicted_means)
accuracy = model.score(X_test, y_test)



# 输出预测结果和真实值
for i, (index, row) in enumerate(X_test.iterrows()):
    time = row['time']
    true_mean = y_test.iloc[i]
    predicted_mean = predicted_means[i]
    print(f"Time: {time}, True Mean: {true_mean}, Predicted Mean: {predicted_mean}")

print(f"L  Mean Squared Error: {mse}")
print(f"L  Accuracy: {accuracy}")

# # 创建一个DataFrame来存储预测结果
# result_df = pd.DataFrame({'Time': X_test['time'], 'True Mean': y_test, 'Predicted Mean': predicted_means})
#
# # 将结果保存到CSV文件
# result_df.to_csv('LinearRegression_Predictions.csv', index=False)
#
# print("Predicted results saved to LinearRegression_Predictions.csv")

运行结果：

6dc47f9863c643b6b65a3266bd6c902e.png

模型二：XGBoost回归模型 

import pandas as pd
import xgboost as xgb
from sklearn.metrics import mean_squared_error

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('cpu_train.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded = pd.get_dummies(train_data['vmid'], prefix='vmid')
X_train = pd.concat([train_data['time'], vmid_encoded], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 使用最后3000条数据作为测试集
X_test = X_train.iloc[-3000:]
y_test = y_train.iloc[-3000:]

# 初始化XGBoost回归模型
model = xgb.XGBRegressor()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, predicted_means)
# XGBoost模型没有score方法，这里可以直接计算R^2作为"Accuracy"
r2 = model.score(X_test, y_test)

# 输出预测结果和真实值
for i, (index, row) in enumerate(X_test.iterrows()):
    time = row['time']
    true_mean = y_test.iloc[i]
    predicted_mean = predicted_means[i]
    print(f"Time: {time}, True Mean: {true_mean}, Predicted Mean: {predicted_mean}")

print(f"X Mean Squared Error: {mse}")
print(f"X R^2 (Accuracy): {r2}")

# # 创建一个DataFrame来存储预测结果
# result_df = pd.DataFrame({'Time': X_test['time'], 'True Mean': y_test, 'Predicted Mean': predicted_means})
#
# # 将结果保存到CSV文件
# result_df.to_csv('XGBoost_Predictions.csv', index=False)
#
# print("Predicted results saved to XGBoost_Predictions.csv")

运行结果：

bff4680c4a0b4131bd81270b9ae7842f.png

模型三： 随机森林回归模型

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('cpu_train.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded = pd.get_dummies(train_data['vmid'], prefix='vmid')
X_train = pd.concat([train_data['time'], vmid_encoded], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 使用最后3000条数据作为测试集
X_test = X_train.iloc[-3000:]
y_test = y_train.iloc[-3000:]

# 初始化随机森林回归模型
model = RandomForestRegressor()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, predicted_means)
# 随机森林模型没有score方法，这里可以直接计算R^2作为"Accuracy"
r2 = model.score(X_test, y_test)

# 输出预测结果和真实值
for i, (index, row) in enumerate(X_test.iterrows()):
    time = row['time']
    true_mean = y_test.iloc[i]
    predicted_mean = predicted_means[i]
    print(f"Time: {time}, True Mean: {true_mean}, Predicted Mean: {predicted_mean}")

print(f"R Mean Squared Error: {mse}")
print(f"R R^2 (Accuracy): {r2}")

# # 创建一个DataFrame来存储预测结果
# result_df = pd.DataFrame({'Time': X_test['time'], 'True Mean': y_test, 'Predicted Mean': predicted_means})
#
# # 将结果保存到CSV文件
# result_df.to_csv('RandomForest_Predictions.csv', index=False)
#
# print("Predicted results saved to RandomForest_Predictions.csv")

运行结果：

d2ace95595b94555ad6e973f27c40f69.png

 

模型四：决策树回归模型

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('cpu_train.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded = pd.get_dummies(train_data['vmid'], prefix='vmid')
X_train = pd.concat([train_data['time'], vmid_encoded], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 使用最后3000条数据作为测试集
X_test = X_train.iloc[-3000:]
y_test = y_train.iloc[-3000:]

# 初始化决策树回归模型
model = DecisionTreeRegressor()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, predicted_means)
# 决策树模型没有score方法，这里可以直接计算R^2作为"Accuracy"
r2 = model.score(X_test, y_test)

# 输出预测结果和真实值
for i, (index, row) in enumerate(X_test.iterrows()):
    time = row['time']
    true_mean = y_test.iloc[i]
    predicted_mean = predicted_means[i]
    print(f"Time: {time}, True Mean: {true_mean}, Predicted Mean: {predicted_mean}")

print(f"D Mean Squared Error: {mse}")
print(f"D R^2 (Accuracy): {r2}")

# # 创建一个DataFrame来存储预测结果
# result_df = pd.DataFrame({'Time': X_test['time'], 'True Mean': y_test, 'Predicted Mean': predicted_means})
#
# # 将结果保存到CSV文件
# result_df.to_csv('DecisionTree_Predictions.csv', index=False)
#
# print("Predicted results saved to DecisionTree_Predictions.csv")

运行结果：

348b46dc9f3c47f4be329dd536919b98.png

 

下面我将用自己的测试集去预测的代码放在下面：

模型一：线性回归

import pandas as pd
from sklearn.linear_model import LinearRegression


# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('your_train_data.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded = pd.get_dummies(train_data['vmid'], prefix='vmid')
X_train = pd.concat([train_data['time'], vmid_encoded], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 初始化线性回归模型
model = LinearRegression()

# 在训练集上训练模型
model.fit(X_train, y_train)

# 从CSV文件读取测试数据，从第二行开始
test_data = pd.read_csv('your_teat_data.csv', skiprows=1, header=None, names=['time', 'vmid'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded_test = pd.get_dummies(test_data['vmid'], prefix='vmid')
X_test = pd.concat([test_data['time'], vmid_encoded_test], axis=1)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 输出预测结果
for i, row in test_data.iterrows():
    vmid = row['vmid']
    time = row['time']
    mean = predicted_means[i]
    print(f"Time: {time}, vmid: {vmid}, Predicted mean: {mean}")


# 创建一个DataFrame来存储预测结果
result_df = pd.DataFrame({'Time': test_data['time'], 'vmid': test_data['vmid'], 'Predicted Mean': predicted_means})

# 将结果保存到CSV文件
result_df.to_csv('LinearRegression.csv', index=False)

print("Predicted results saved to LinearRegression.csv")

模型二：XGBoost回归模型

import pandas as pd
import xgboost as xgb
from tqdm import tqdm

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('your_train_data.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded = pd.get_dummies(train_data['vmid'], prefix='vmid')
X_train = pd.concat([train_data['time'], vmid_encoded], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 初始化XGBoost回归模型，并设置参数为使用GPU加速
model = xgb.XGBRegressor(n_estimators=100, random_state=0, tree_method='gpu_hist')

# 在训练集上训练模型，添加进度条
with tqdm(total=len(X_train)) as pbar:
    model.fit(X_train, y_train)
    pbar.update(len(X_train))

# 从CSV文件读取测试数据，从第二行开始
test_data = pd.read_csv('your_test_data.csv', skiprows=1, header=None, names=['time', 'vmid'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded_test = pd.get_dummies(test_data['vmid'], prefix='vmid')
X_test = pd.concat([test_data['time'], vmid_encoded_test], axis=1)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 输出预测结果
for i, row in test_data.iterrows():
    vmid = row['vmid']
    time = row['time']
    mean = predicted_means[i]
    print(f"Time: {time}, vmid: {vmid}, Predicted mean: {mean}")

# 创建一个DataFrame来存储预测结果
result_df = pd.DataFrame({'Time': test_data['time'], 'vmid': test_data['vmid'], 'Predicted Mean': predicted_means})

# 将结果保存到CSV文件
result_df.to_csv('xgboost.csv', index=False)

print("Predicted results saved to xgboost.csv")

模型三：随机森林模型

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from tqdm import tqdm
from sklearn.preprocessing import OneHotEncoder

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('your_train_data.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
encoder = OneHotEncoder(sparse_output=False)
vmid_encoded = encoder.fit_transform(train_data[['vmid']])
X_train = pd.concat([train_data['time'], pd.DataFrame(vmid_encoded, columns=encoder.get_feature_names_out(['vmid']))], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 初始化随机森林回归模型
model = RandomForestRegressor()

# 在训练集上训练模型，添加进度条
with tqdm(total=len(X_train)) as pbar:
    model.fit(X_train, y_train)
    pbar.update(len(X_train))

# 从CSV文件读取测试数据，从第二行开始
test_data = pd.read_csv('your_test_data.csv', skiprows=1, header=None, names=['time', 'vmid'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded_test = encoder.transform(test_data[['vmid']])
X_test = pd.concat([test_data['time'], pd.DataFrame(vmid_encoded_test, columns=encoder.get_feature_names_out(['vmid']))], axis=1)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 输出预测结果
for i, row in test_data.iterrows():
    vmid = row['vmid']
    time = row['time']
    mean = predicted_means[i]
    print(f"Time: {time}, vmid: {vmid}, Predicted mean: {mean}")

# 创建一个DataFrame来存储预测结果
result_df = pd.DataFrame({'Time': test_data['time'], 'vmid': test_data['vmid'], 'Predicted Mean': predicted_means})

# 将结果保存到CSV文件
result_df.to_csv('RandomForestRegressor.csv', index=False)

print("Predicted results saved to RandomForestRegressor.csv")

模型四：决策树回归

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from tqdm import tqdm
from sklearn.preprocessing import OneHotEncoder

# 从CSV文件读取训练数据，从第二行开始
train_data = pd.read_csv('your_train_data.csv', skiprows=1, header=None, names=['time', 'vmid', 'mean'])

# 使用独热编码来处理 'vmid' 列
encoder = OneHotEncoder(sparse_output=False)
vmid_encoded = encoder.fit_transform(train_data[['vmid']])
X_train = pd.concat([train_data['time'], pd.DataFrame(vmid_encoded, columns=encoder.get_feature_names_out(['vmid']))], axis=1)

# 目标变量是mean
y_train = train_data['mean']

# 初始化决策树回归模型
model = DecisionTreeRegressor()

# 在训练集上训练模型，添加进度条
with tqdm(total=len(X_train)) as pbar:
    model.fit(X_train, y_train)
    pbar.update(len(X_train))

# 从CSV文件读取测试数据，从第二行开始
test_data = pd.read_csv('your_test_data.csv', skiprows=1, header=None, names=['time', 'vmid'])

# 使用独热编码来处理 'vmid' 列
vmid_encoded_test = encoder.transform(test_data[['vmid']])
X_test = pd.concat([test_data['time'], pd.DataFrame(vmid_encoded_test, columns=encoder.get_feature_names_out(['vmid']))], axis=1)

# 进行mean值预测
predicted_means = model.predict(X_test)

# 输出预测结果
for i, row in test_data.iterrows():
    vmid = row['vmid']
    time = row['time']
    mean = predicted_means[i]
    print(f"Time: {time}, vmid: {vmid}, Predicted mean: {mean}")

# 创建一个DataFrame来存储预测结果
result_df = pd.DataFrame({'Time': test_data['time'], 'vmid': test_data['vmid'], 'Predicted Mean': predicted_means})

# 将结果保存到CSV文件
result_df.to_csv('decision_tree.csv', index=False)

print("Predicted results saved to decision_tree.csv")

 

 

咸鱼翻身的路上
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
12代酷睿CPU效率分析（二）分支预测效率篇
AthlonxpX86的专栏
02-04 1979
12代酷睿CPU效率分析（二）分支预测效率篇 该测试使用异数OS的伏羲易经机的理论测试工具完成测试，主要测试大规模元宇宙AI合约虚拟机状态跳转性能，主要有jump switch 以及tab查表等几种方式，下图成绩从左到右分别是12700大核，12700小核，2667v2的成绩。 结论： 12700H无论大小核，相对2667v2居然都能对虚拟机的跳转表做预取加速，其中大核在1M尺寸的虚拟机跳转预取性能甚至接近L1延迟，这其中有1.25M L2的功劳，也有新处理器有了对虚拟机预读加速能力的支持。 12700
基于ARIMA-BP神经网络的CPU利用率预测模型研究
02-25
基于ARIMA-BP神经网络的CPU利用率预测模型研究
马克斯(maxcms)4.0采集规则使用方法_智能预测之cpu使用率预测
weixin_39633165的博客
11-14 338
智能预测之cpu预测背景与目标cpu是服务器正常运行的比较重要的指标之一。为了保证其性能，业界通常为其设定阈值的方法来确保服务的可靠性和可用性。甚至有学者使用时间序列的预测模型来提前预测服务器的cpu的走势。在预测情况比较复杂的监控项时候，传统的ARIMA或者指数平滑的方法很难达到比较好的效果，因为他们很难捕捉到以前从未出现过的情况。相反，神经网络模型由于输入的是非线性方程，可以处理更复杂的时间序...
基于tensorflow来分析算法训练、在线运行、预测各阶段的CPU/RAM资源占用情况
weixin_41069650的博客
08-17 1688
为了搞清楚算法在训练、发布、预测各个阶段对CPU和RAM的资源占用情况，笔者做了个小实验。
详解CPU漏洞对机器学习的影响：几乎所有卷积层都受影响，QR分解降速37%
AI科技大本营
01-07 2802
作者 | Mikel Bober-Irizar翻译 | 刘畅编辑 | Donna（备注：KPTI 在计算机中指 Kernel page-table isolation，是一种Linux内核功能，可以减弱安全漏洞带来的影响）2018新年伊始，互联网公司发现了两个非常严重的新漏洞。这两个漏洞分别是熔毁（Meltdown）和幽灵（Spectre），它们主要会影响几大处理器供应商。这些漏洞会使攻击者利
机器学习（二）—— 配置环境yolo-cpu
丁丁逗的博客
12-25 1219
文章目录1. 配置环境1.1 配置镜像源1.2 创建新环境1.3 进入该环境1.4 安装相关包1.5 运行代码 1. 配置环境 1.1 配置镜像源 需要注意的是，pip中下载安装比较慢，可以换个清华镜像源。 到用户文件夹下，创建一个pip文件夹，然后在pip文件夹里创建一个txt文件。 修改txt文件的内容，并且把后缀改成ini。 [global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple 1.2 创建新环境 Win+R启动cmd，在命令
机器学习之使用决策树回归模型进行cpu占有率预测
09-03
这段代码使用了决策树回归模型来对CPU数据进行预测，通过对训练数据进行独热编码处理，构建了特征集，并在训练集上训练模型，然后使用该模型对测试数据进行平均值的预测。最后，预测结果被保存到CSV文件中，并通过...
机器学习之使用随机森林回归模型进行cpu占有率预测
08-31
这代码使用Pandas、scikit-learn和tqdm库，通过随机森林回归模型预测虚拟机行为。它从CSV文件读取训练数据，对虚拟机ID进行独热编码，使用时间和编码特征训练模型，并在进度条下训练。然后，从另一个CSV文件读取测试...
采用 Python 机器学习预测足球比赛结果
热门推荐
GitChat
04-23 8万+
足球是世界上最火爆的运动之一，如何运用机器学习来预测足球比赛结果，是每一个足球爱好者所向往的！ 本场 Chat 适合有 Python 基础的机器学习初学者，我们带你一起熟悉机器学习的开发流程，帮你快速建立起自己的英超比赛预测模型！ 你将获取到如下内容： 人工智能在线建模平台介绍； 熟悉机器学习开发流程； 熟悉 Python 数据挖掘库 NumPy、Pandas、Scikit-Learn 等开发库...
未来已来，7000字详解机器学习平台
weixin_42628496的博客
06-18 587
首先，本文所指机器学习平台是：为提升机器学习效率，降低机器学习应用门槛，提供从数据导入、模型训练到模型部署、模型监控功能的一站式机器学习平台。为避免概念混乱，特别说明TensorFlow、PyTorch、Caffe、CNTK、MXNet、Spark等在本文中不是指机器学习平台，而是归为深度学习、机器学习计算框架。 那么机器学习平台离我们有多远呢？目前国内外各大互联网公司还有一些人工智能创业公司已经建立了机器学习平台并不断优化，有些在建立机器学习平台的路上或者规划中。其中，第四范式的Hypercycl.
Innovus机器学习在高性能CPU设计中的应用.pdf
09-24
Innovus机器学习在高性能CPU设计中的应用.pdf
基于cpu的深度学习机器学习包详情
01-31 210
基于cpu的深度学习机器学习包详情
使用模型预测的时候GPU使用率的问题
herr_kun的博客
03-30 3794
这里是在使用LSTM进行预测的时候的gpu使用情况 将C:\Program Files\NVIDIA Corporation\NVSMI中的nvidia-smi文件拖入到cmd窗口查看GPU 的使用情况 下图是未进行模型预测时的使用情况：可以看到当没有模型运行时，GPU的使用率是很低的 下图是进行预测时的使用情况（batchsize=10000）：可见GPU的使用率已经很高了...
从零点一开始机器学习之GPU运算性能和CPU性能对比（GPU算力表）
小黄瓜要编程的博客
12-24 1万+
在机器学习之Win10 64位下安装Cuda+Cudnn文中，我们已经简单的阐述了一下gpu在机器学习中性能好于cpu，但是到底有多大的差距呢？刚开始的同学没有一个直观的认识（主要是我自己也没有直观的认识），在此记录一下吧。 我们采用同样的一个简单的基于VGG16的图像分类代码来对比一下，如果有误导或者理解不到位的地方，恳请指正，谢谢！服务器虽然有点旧，但是还是可以看出问题的！ 图像分三类，每一类图像3800张左右，batch_size均为25 CPU服务器一 服务器配置 选取epoch5-15查看
主机CPU使用率趋势解释_cpu占用率变化情况，2024年最新Linux运维开发基础视频教程
最新发布
04-16 417
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
深度学习（机器学习、神经网络）的最佳 CPU推荐
专注于3D渲染行业，分享3D渲染的经验和技巧
05-08 7035
选择用于数据科学的 CPU 或用于挖矿的CPU 时需要考虑很多因素，但本文将探讨其中最重要的三个因素：成本、功耗和性能。希望在阅读本购买指南后，您会了解哪种计算机最适合您的需求！决定处理器时需要考虑许多因素。选择芯片时，内核数量、时钟速度和价格范围都会发挥作用。在这里，我们将分解最重要的考虑因素，并帮助您决定哪种 CPU 适合您。首先，对于这个问题，没有一个适合所有人的答案。很大程度上取决于您正在从事的深度学习项目类型以及您的预算中有多少可用资金。
改变CPU利用率
huan_xia的专栏
04-17 433
1.1让CPU占用率听你的指挥 1.CPU的占用率固定在50%，为一条直线； 解法一： #include #include //头文件 int main() {  for(;;)  {   for(int i=0;i   Sleep(10);//注意VC中S大写  }  return 0; } 缺点循环的次数不一定固定，不同的CPU是不同的计算方法，
主机CPU使用率趋势解释_cpu占用率变化情况
2401_83621384的博客
04-12 991
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
基于TensorFlow2.0利用LSTM框架进行实时预测价格
爱听许嵩歌的博客
06-23 5384
基于TensorFlow-gpu2.0，利用LSTM框架进行实时预测比特币价格 利用kaggle给的数据集，链接：https://www.kaggle.com/mczielinski/bitcoin-historical-data#coinbaseUSD_1-min_data_2014-12-01_to_2019-01-09.csv 下载数据集后，解压，利用coinbaseUSD_1-min_data_2014-12-01_to_2019-01-09.csv文件 ...
评论 1
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

咸鱼翻身的路上

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