深度学习环境搭建-Nvidia驱动与Cuda安装

NVIDIA显卡驱动及CUDA相关安装流程(包括多版本cuda切换) NVIDIA显卡驱动及CUDA相关安装流程——包含多版本cuda切换 阅读详情


前言

说实话,笔者毕业后已经从业多年了,但是仍然有很多开发环境配置的问题让人懵圈,好在笔者一直有写笔记的习惯,之前一直是记录在私人云,如今整理出来分享给各位,并且除了说明步骤,还会尽可能解释这么做的原因,方便读者厘清逻辑。

注意:本文针对linux系统


1. 环境配置与文件

本文所使用的环境配置为:

  • 显卡驱动:nvdia430
    • 文件名:NVIDIA-Linux-x86_64-430.14
  • cuda:cuda-10.0
    • 文件名:cuda_10.0.130_410.48_linux
  • cudnn:cudnn7.5
    • 文件名:cudnn-10.0-linux-x64-v7.5.0.56

可以发现我们使用的显卡驱动是430版本的,和cuda10.0 中自带410版本驱动不匹配,但是并无大碍,430驱动和cuda-10之间是完全兼容的。不过要注意的是,如果安装的显驱和cuda默认的显驱版本相差过大有是否会出现不兼容尚不清楚。

另外,关于不同cuda和cudnn版本的选择是很重要的,因为可能最新的版本各大深度学习框架支持并不理想,比如tensorflow的预编译安装包只支持cuda10.0,其他版本需要自己手动编译;在cuda10刚出的时候,pytorch的libtorch也只支持到cuda9,因此请根据自己的需求选择。

2. 安装步骤

2.1 安装相关依赖

sudo apt-get install build-essential #这是编译环境,包含make,GCC G++等

笔者的电脑只安装了编译环境就能正常安装显卡驱动了,但是查阅资料发现不同作者给出的依赖各不相同,以下为部分汇总,如果只安装编译环境无法正常安装显卡驱动,请尝试安装以下软件包

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev 

2.2 安装官方驱动

前往nvidia的官方网站下载对应驱动 https://www.nvidia.com/Download/index.aspx?lang=cn
在这里插入图片描述
选择与自己显卡对应的驱动进行下载即可

2.3 禁用nouveau并且关闭图形化界面(Xserver)

Nouveau是由第三方为NVIDIA显卡开发的一个开源3D驱动,也没能得到NVIDIA的认可与支持。虽然Nouveau Gallium3D在游戏速度上还远远无法和NVIDIA官方私有驱动相提并论,不过确让Linux更容易的应对各种复杂的NVIDIA显卡环境,让用户安装完系统即可进入桌面并且有不错的显示效果,所以,很多Linux发行版默认集成了Nouveau驱动,在遇到NVIDIA显卡时默认安装。企业版的Linux更是如此,几乎所有支持图形界面的企业Linux发行版都将Nouveau收入其中。

不过对于个人桌面用户来说,处于成长阶段的Nouveau并不完美,与企业版不一样,个人用户除了想让正常显示图形界面外很多时候还需要一些3D特效,Nouveau多数时候并不能完成,而用户在安装NVIDIA官方私有驱动的时候Nouveau又成为了阻碍,不干掉Nouveau安装时总是报错。

Xserver就是Linux的图形化界面

修改//etc/modprobe.d/blacklist.conf文件,在这个文件末尾添加以下命令:

blacklist nouveau
options nouveau modeset = 0

修改后如图:
在这里插入图片描述

然后执行命令更新启动文件后重启:

sudo update-initramfs -u
sudo reboot

重启后检查nouveau是否关闭,输入以下命令:

lsmod | grep nouveau

如果没有输出,表示nouveau已经禁用。
最后关闭图形界面:

 service lightdm stop

注意你的电脑可能没有安装lightdm图形界面,而使用的是gdm3,这种情况下你需要执行

service gdm3 stop

或者安装lightdm后再关闭它(推荐这个,因为从经验来说你很可能以后还是要装它的),安装命令如下:

sudo apt install lightdm

2.4 安装驱动

进入显卡驱动安装文件所在的目录下执行以下命令安装:

sudo ./NVIDIA-Linux-x86_64-430.14.run –no-opengl-files

由于各位下载的驱动版本可能和我的并不一样,请以自己的文件名为准,另外参数 –no-opengl-files表示不安装OpenGL文件,这个参数能够避免无法进入图形界面的问题
安装过程中一路accept或者continue下去就行,安装完成后 执行以下命令看是否安装成功:

nvidia-smi

成功的话会有如下显示:
在这里插入图片描述
你会发现显驱的cuda 版本是10.2,不过好像并不会和我们即将安装的cuda10.0发生冲突。
然后启动Xserver并重启检查是否有bug:

service lightdm start
sudo reboot

如果你的Xserver没有办法正常启动,或者卡在登陆界面循环登陆,那么很有可能是在上面的安装步骤中没有正确关闭Xserver或者驱动安装时没够添加参数–no-opengl-files,请检查一下,报错的处理方法集中在后文bug处理章节。

2.5 安装cuda

安装完显卡驱动后开始安装cuda,同样需要去nvidia的cuda页面下载对应的安装包。

cuda下载页面:https://developer.nvidia.com/cuda-downloads

首页默认提供的是10.1版本的,我们需要的是10.0,点击legacy releases下载早期版本:
在这里插入图片描述
在这里插入图片描述
根据自己的系统版本下载,笔者使用的是ubuntu18
在这里插入图片描述
其中下载第一个Base Installer就可正常使用,patch 1是补丁,有需要也可以下载.

接下来开始安装,注意这里同样需要先关闭Xserver,然后执行cuda10的安装文件:

service lightdm stop
sudo ./cuda_10.0.130_410.48_linux.run

这个时候会有很多提示需要你确认,由于上文中已经成功安装了显卡驱动,所以这里就不需要再次安装了

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 XXX.XX ?

这里选择 no,其余都是yes或者accept

安装成功后开始添加系统变量,这里可以选择在profile中添加,或者添加在自己用户下的.bashrc文件中:

vim ~/.bashrc #打开配置文件
添加以下变量:
export PATH=/usr/local/cuda-10.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-10.0

添加完成后的效果如图:
在这里插入图片描述
这些变量可以让python找到cuda的库和头文件,避免出现no find之类的错误
执行source命令使bashrc文件生效:

source ~/.bashrc

最后验证cuda是否安装成功,注意这里需要在安装cuda的时候安装了相关sample,如果完全按照本文教程则sample也已成功安装:

cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

若看到以下信息则安装成功:
在这里插入图片描述

2.6 cudnn安装

安装完cuda后, 我们还需要安装cudnn: https://developer.nvidia.com/cudnn
要注意的是cudnn需要注册后才能下载,笔者使用的是7.5版本的cudnn,因此也需要选择早期版本下载:
在这里插入图片描述
在这里插入图片描述
安装cudnn:
cudnn很容易安装,只需要将文件解压后拷贝进cuda根目录即可:

tar -zxvf cudnn-10.0-linux-x64-v7.5.0.56.tgz #解压
cd cudnn-10.0-linux-x64-v7.5.0.56 #进入cudnn文件夹
sudo cp -r cuda/* /usr/local/cuda-10.0/ #将文件夹下的所有文件拷贝进cuda10下

至此就大功告成全部安装成功了。

3. BUG处理

这里介绍一下笔者在显驱和cudnn出现过的相关bug和处理方法:

3.1. 循环登陆or无法进入Xserver

推测造成循环登录或者无法进入图形化界面的主要原因是openGL发生错误,反映到操作上就是安装过程中没有禁用Xserver或者没有禁用nouveau(但是理论上没有禁用nouveau是无法执行安装程序的,会报错),所以解决办法就是卸载目前的显卡驱动后重新按照教程安装一遍,这里给出卸载显驱的命令:

service lightdm stop #关闭Xerver服务
sudo /usr/bin/nvidia-uninstall #nvidia自带的卸载程序
sudo apt-get install autoremove --purge nvidia* #通过apt来卸载

上面两个命令可以都执行一遍,避免没卸干净。

3.2. 显卡驱动丢失,nvidia-smi报错

如果发现cuda没有正常启动,输入nvidia-smi报错:

NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.

这里有两种可能,先说第一种:如果你是刚装好驱动就报这个错误,那么是由于nvidia驱动没有被内核加载,可以尝试执行以下命令查看是否有内核文件:

cd /lib/modules
find . -name "*.ko" | grep -i nvidia

正常情况下的输出应为:
在这里插入图片描述
比对看一下自己是否缺少了nvidia.ko(也有可能是nvidia_xxx.ko)这个文件。
如果缺少了,则需要安装kernel source:

sudo apt-get install linux-source
sudo apt-get install linux-headers-4.18.0-25-generic

其中:4.18.0-25-generic来自于命令 uname -r 的输出
第二种情况是正常安装后使用了一段时间,突然某一天报错,这种情况一般是最近有对cuda环境进行过更改,导致显卡驱动损坏。
这种情况下最简单粗暴的方法就是将cuda和显卡驱动全部卸载重装:

service lightdm stop #关闭Xserver服务
sudo /usr/bin/nvidia-uninstall #nvidia自带的卸载程序
sudo apt-get autoremove --purge nvidia* #通过apt来卸载
sudo /usr/local/cuda-10.0/bin/uninstall_cuda_10.0.pl #卸载cuda

卸载完成后重新装一遍即可。

CentOS8:英伟达显卡驱动与CUDA安装 挺偶然的,同事在CentOS8版本的GPU服务器上安装英伟达的显卡驱动和CUDA遇到了问题,于是协助进行了安装,顺便记录下此次安装过程与心得。 阅读详情

相关推荐

新装的ubuntu系统如何安装nvidia驱动、CUDA、CUDNN

用做的优盘安装完linux系统后,首先需要更新语言库,这里根据提示安装即可。接下来需要先安装nvidia驱动。 1、安装nvidia驱动 (1)点击右上角设置按钮,关于–这台计算机,在计算机简介显示NV117图像卡,这里可以拍照记录一下,一会安装完驱动会有变化。 (2)接着是使用Ubuntu自带的驱动安装器,在菜单里搜索“驱动”,会找到软件更新器,或者直接找到附加驱动打开即可。 (3)打开程序之后,需要一段时间等待,搜索服务器上的驱动。 (4)服务器回应之后,会显示电脑上的硬件,以及可以安装的驱动版本,最上

ashiners的博客 1万+

NVIDIA、CUDA、CUDNN、PyTorch安装吐血整理!!!

CUDA、CUDNN、PyTorch安装

weixin_38040996的博客 1万+

Ubuntu22.04深度学习环境搭建:NVIDIA驱动、CUDA与cuDNN一站式安装指南

本文详细介绍了在Ubuntu22.04系统上搭建深度学习环境的完整流程,包括NVIDIA显卡驱动安装、CUDA工具包配置以及cuDNN加速库的部署。通过一站式安装指南,帮助开发者快速配置GPU加速环境,显著提升深度学习模型的训练效率。文章还提供了常见问题排查和性能优化建议,确保环境稳定运行。

weixin_26833503的博客 395

Ubuntu系统配置深度学习环境之nvidia显卡驱动和cuda安装

NVIDIA 显卡驱动是为了确保 NVIDIA 显卡能够正确运行而开发的软件。显卡驱动负责与操作系统通信,管理显卡的各种功能,并提供性能优化和兼容性保证。安装适用于特定显卡型号和操作系统版本的最新驱动程序是确保显卡能够正常工作的重要步骤。CUDA 是 NVIDIA 推出的一种并行计算平台和编程模型。它充分利用 NVIDIA 显卡的并行处理能力,使开发人员能够通过编写并行计算任务来加速各种计算工作。

YY007H的博客 3414

【深度学习3】ubuntu22.04从零开始搭建深度学习环境

ubuntu22.04从零开始搭建深度学习开发环境

weixin_43387635的博客 1万+

NVIDIA显卡驱动、CUDA Toolkit与cuDNN版本兼容性全解析:从安装到深度学习环境搭建

本文全面解析NVIDIA显卡驱动、CUDA Toolkit与cuDNN的版本兼容性问题,提供从安装到深度学习环境搭建的详细指南。重点介绍如何选择匹配的驱动版本、CUDA Toolkit配置技巧以及cuDNN加速库的安装方法,帮助开发者避免常见错误并优化GPU性能。

weixin_29056865的博客 492

CentOS 8.5+NVIDIA驱动+CUDA+cuDNN一站式配置指南:从驱动安装到深度学习环境搭建

本文提供CentOS 8.5系统下NVIDIA驱动、CUDA和cuDNN的一站式配置指南,详细讲解从驱动安装到深度学习环境搭建的全过程。通过禁用nouveau驱动、安装NVIDIA官方驱动、配置CUDA工具包和cuDNN加速库,最终验证TensorFlow GPU环境的正常运行,帮助用户快速搭建高效的深度学习开发环境。

gray5的博客 579

Windows11搭建 NVIDIA 深度学习环境(NVIDIA 驱动+CUDA+cuDNN)

该方式主要用于对现有驱动程序进行更新,同时保留当前已设置好的 NVIDIA 各项参数与配置。当您的计算机上尚未安装任何 NVIDIA 驱动程序,或者您希望对驱动安装组件进行精细选择,如选择特定版本的组件、安装路径等,就可以选择此安装方式。选择 自定义安装 后勾选执行清洁安装:清洁安装会将所有 NVIDIA 设置恢复为默认值并删除它已创注的所有配置文件。

fcclzydouble的博客 2462

Ubuntu 21.04系统安装 + Nvidia RTX3080 Ti 显卡驱动安装+驱动安装后重启黑屏解决+cuda+pytorch深度学习环境搭建

Ubuntu 21.04系统安装 + Nvidia RTX3080 Ti 显卡驱动安装+驱动安装后重启黑屏解决+cuda+pytorch深度学习环境搭建 前言 因为要做论文的实验,实验室新购置了3080TI,配置ubuntu深度学习环境,因为在安装3080TI的显卡驱动上遇到很多次问题,便做一个经验分享 1. Ubuntu 21.04 系统安装 1.1 准备系统盘 在ubuntu 官网下载官方镜像 (21.04 河马系统) 使用 Rufus 制作系统盘 尝试了18.04、20.04系统,能装系统,但

weixin_46203866的博客 6387

Zynq7系列DDR3 PCB设计中的阻抗匹配与端接电阻优化策略

本文深入探讨了Zynq7系列SoC在DDR3接口PCB设计中的核心挑战,重点分析了走线阻抗与端接电阻的匹配策略。通过对比官方推荐的40欧姆与工程实践中更通用的50欧姆方案,结合仿真数据揭示了阻抗匹配对信号完整性的决定性影响,并提供了从叠层规划、布线优化到后期验证的完整实战清单,旨在帮助工程师实现高稳定性的高速电路设计。

weixin_29306011的博客 182

华为云Stack应急预案实战:从IaaS到PaaS的故障场景与恢复指南

本文详细解析华为云Stack应急预案在IaaS到PaaS层的故障场景与恢复实践,涵盖计算节点故障、存储链路中断等典型问题。通过标准化操作流程和实战案例,帮助企业在突发故障时快速恢复业务,确保高可用性。华为云Stack的应急预案体系经过金融、政务等严苛场景验证,恢复时间指标(RTO)控制在30分钟以内。

weixin_33724059的博客 377

在Ubuntu系统从0搭建yolo深度学习环境

官网下载的yolov5-6.2,解压: tar -xzvf yolov5-6.2.tar.gz。下载对应驱动:https://www.nvidia.cn/drivers/lookup/在/home/priscilla/.bashrc末尾添加:注意更改为实际文件与实际路径。我没有采取下载下来再手动安装的方式,手动安装时禁用图形界面一直出问题。运行lsmod | grep nouveau,若有输出,则进行禁用。运行lsmod | grep nouveau,若无输出,则禁用成功。点击查找,查看对应驱动版本。

Codieyoung的博客 2465

从网格剖分到结果外推:一文拆解HFSS快速扫频(Fast Sweep)的底层逻辑与性能调优

本文深入解析了HFSS快速扫频(Fast Sweep)技术的底层逻辑与性能调优方法。通过ALPS算法实现频带外推,快速扫频相比离散扫频和插值扫频能提升3-5倍计算效率,特别适用于天线阵列、微波滤波器等宽频带分析场景。文章详细介绍了算法架构、参数优化策略及工程实践中的精度保障机制,帮助工程师高效完成电磁仿真。

weixin_28693447的博客 96

Linux下 NVIDIA显卡驱动 + CUDA + Anaconda 安装配置全流程(记录深度学习服务器环境从零开始搭建)

本帖旨在记录一次从零开始搭建深度学习Linux服务器所需全部环境的过程希望一个帖子可以解决你配置环境的所有问题,成为你的环境搭建向导

Frost216的博客 6731

手把手教你用GD32F407VET6的EXMC驱动外部SRAM,搞定大内存需求

本文详细介绍了如何使用GD32F407VET6的EXMC外设驱动外部SRAM,解决嵌入式开发中的大内存需求问题。通过硬件连接方案、EXMC时序配置与初始化步骤,以及软件集成与内存管理技巧,帮助开发者快速实现内存扩展。特别适合需要处理图形显示缓冲、音频处理等大内存场景的GD32F407开发者。

weixin_30752699的博客 350

Sigrity OptimizePI Best Capacitor Location Estimation模式如何评估电容最佳位置操作指导

Sigrity OptimizePI Best Capacitor Location Estimation模式用于前仿真分析,评估电容的最佳位置以获得最小回路电感,如何分析,以下图为例进行说明。IC devices,输入U*, A*, B*, Q*, P*,将所有这些字母开头的器件都识别为IC。Min设置为1(最少电容个数为1),max设置为28(最多电容个数为28)Capacitors 输入C*,将所有C开头的器件都识别为电容。Grid X设置为8,Grid Y也设置为8。

weixin_54787054的博客 384

Ubuntu 18.04 安装及深度学习平台搭建

Ubuntu 18.04 安装及深度学习平台搭建Ubuntu 18.04 系统安装U盘启动盘的制作系统安装NVIDIA驱动安装Anaconda安装CUDA安装cudnn安装Opencv安装Pytorch安装Tensorflow安装 Ubuntu 18.04 系统安装 对于从事深度学习算法工作的工程师,Ubuntu系统是很好的开发平台。目前最新版本为19.04,本博客使用18.04版本来给大家分享。...

一路向北的博客 3663

文末含资料链接和视频讲解!YOLOv8集成CoordAtt注意力机制详细教程

本文详细介绍了如何在YOLOv8目标检测框架中集成CoordAtt注意力机制。首先解析了CoordAtt的工作原理,它通过分解式池化将位置信息嵌入到通道注意力中,相比传统注意力机制具有更好的空间信息保持能力。然后提供了PyTorch实现代码解析,包括自适应平均池化、Hard-Swish激活函数等关键实现细节。最后概述了YOLOv8架构,为后续集成CoordAtt提供基础。该教程适合具备深度学习基础的开发者,将理论与实践结合,帮助读者掌握这一目标检测优化技术。

FJN110的博客 267

ubuntu18.04 从零搭建深度学习环境 Anaconda+NVIDIA Driver+CUDA+CUDNN+PyTorch

新安装的ubuntu双系统,从头开始搭建深度学习环境记录 一、安装python 下载Anaconda https://www.anaconda.com/distribution/ 选择合适的版本,右键复制链接地址,进入命令行 sudo wget -c https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh 国外地址,下...

青支的博客 660

OSG第三方库编译之二十一:minizip编译(Windows、Linux、Macos环境下编译)

OSG编译;第三方库;跨平台编译;minizip编译(Windows、Linux、Macos环境下编译)

LuckyHanMo的博客 2627

无人机:DJI Matrice 600 Pro_(8).DJI_Matrice_600_Pro_负载能力

在一些高级应用场景中,可能需要自定义开发负载设备。

zhubeibei168的博客 1345

记录之前Ubuntu20.04搭建深度学习环境过程

本文为记录之前几年搭建深度学习环境的记录文档。当前服务器环境信息(2022.11.09),后面所有版本肯定会跟新,需重新评估版本匹配,尤其是显卡驱动和cuda、cuda和cuDNN、cuda和Pytorch的版本匹配,如果下述环境安装,为保证安装不出问题,各个软件版本最好安装匹配的版本显卡型号:Quadro P2000nvidia显卡驱动版本:515.76cuda版本:11.7Python版本:3.9Pytorch版本: 1.13.0Yolo v5版本:6.2。

u010718566的博客 1257

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

ubuntu下搭建深度学习环境(1080Ti+CUDA)

ubuntu下搭建深度学习环境安装Nvidia显卡驱动 、CUDA、cudnn准备安装Nvidia显卡驱动方式1方式2安装CUDA安装cudnn安装多版本cuda并存 安装Nvidia显卡驱动 、CUDA、cudnn 准备 显卡驱动下载链接:link,选择对应自己的版本。 CUDA下载链接: link cudnn链接: link , 这个需要注册下载。 我在以下环境测试过,现在各种版本都应该比较好...

johndonxy的博客 850

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Ubuntu 22.04 离线环境下完整安装 Anaconda、CUDA 12.1、NVIDIA 驱动及 cuDNN 8.9.3 教程

本文详细介绍Ubuntu 22.04离线环境下深度学习开发环境的搭建方法。主要内容包括:1)通过下载.sh文件离线安装Anaconda并验证;2)在有网络机器上下载依赖包并打包传输到离线机器安装;3)下载NVIDIA驱动.run文件,禁用nouveau驱动后离线安装;4)下载CUDA 12.1的runfile本地安装包,仅安装工具包组件。所有步骤均包含详细命令和参数说明,确保在无网络条件下完成Anaconda、NVIDIA驱动535.247.01、CUDA 12.1.0及必要依赖的完整安装。

Chiron技术栈 3472

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Linux下,Nvidia驱动以及Cuda的安装

最近刚好在看动手深度学习的书,需要在GPU环境下运行,故此记录一下。 一、确认安装环境 1.禁用nouveau(否则与NVIDIA驱动安装会有冲突,nouveau是linux自带系统驱动) 右键打开终端 sudo vi /etc/modprobe.d/blacklist.conf(没有安装vim编辑器需要先执行 sudo apt-get install vim) 在打开的文件末尾添加以下...

qq_38184400的博客 5772

ubuntu18.04下深度学习环境的配置过程(pytorch、cuda、cudnn)

一、安装pycharm 推荐使用专业版,不建议使用汉化。 具体步骤: 进入pycharm官网下载安装包,社区版,专业版均可。专业版可以在官网申请许可证使用。 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Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。 新的改变 我们对Markdo...

weixin_42265958的博客 732
上一篇: Caffe 完全安装指南(GPU) 上
下一篇: 基于YOLOv8的电路板元器件识别
TchaikovskyBear
博客等级 码龄8年 10粉丝 3原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

TchaikovskyBear

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
⌂ 换网址