三种开关形态——解构TTL反相器

别再死记硬背!用Multisim仿真带你直观理解TTL反相器的工作原理 本文通过Multisim仿真工具深入解析TTL反相器的工作原理,帮助读者摆脱死记硬背的学习方式。从实验环境搭建到动态特性剖析,详细展示了如何通过波形观测理解晶体管开关行为,并验证了二极管保护机制等关键设计要点。 阅读详情
AI摘要

本文以TTL反相器电路构成为基础,介绍其三种开关形态,即反相开关型、推拉输出型和射极输入型。还分析了TTL反相器工作原理,包括输入高低电平时的状态、过渡过程、输出特性、电平范围及噪声容限,有助于快速分析和掌握各类TTL门电路。

很久没有登录CSDN论坛了,因为最近不怎么上来查资料了,也没写多少东西,而且这里图片处理相当麻烦,在公号发了后,没再来论坛发,论坛APP阅读效果感觉也不太好,排版太乱,互动一般。

一上来就发现大多数文章被提示可设为VIP,我也不知道有多少人是VIP,所以暂时就这样吧。我自己也是VIP,以前也确实查阅或下载过程序编写方面的资料,现在基本上闲着。

今天这篇文章比较长,对要求学习门电路结构和原理的相关专业同学可能有用(有的专业不要求,会用逻辑符号就可以了)。算是完成一个任务吧,下次登录估计又很久以后了。

本文以TTL反相器的电路构成为基础,介绍TTL电路的三种开关形态,也就是三种开关应用形式,这虽然是一种非正式归纳,但易于理解,这种方法将有助于快速分析和掌握各类TTL门电路。全文稍长,约4000字。

1.从基本门电路(反相器)分型

TTL反相器是一种基本电路结构,包含输入级、中间级(常称为倒相级)和推拉输出级,如图1所示。该电路最终实现 Y = A ˉ Y=\bar{A} Y=Aˉ,其中,电源电压 V C C = 5 V V_{CC}=5\mathrm{V} VCC​=5V,各电阻参考值为 R 1 = 4 k Ω R_1=4\mathrm{k}\Omega R1​=4kΩ、 R 2 = 1.6 k Ω R_2=1.6\mathrm{k}\Omega R2​=1.6kΩ、 R 3 = 1 k Ω R_3=1\mathrm{k}\Omega R3​=1kΩ、 R 4 = 130 Ω R_4=130\Omega R4​=130Ω,作为标准TTL电路,本文设低电平约为0.2V,高电平约为3.5V。

在这里插入图片描述

图1

这三级电路实际上构成了不同的开关形态。首先从中间(倒相)级说起。

2.反相开关型(倒相级)

反相开关型电路,以上一篇文章(此处加链接)介绍过的基本共射极开关电路为基础,结合其在图1所示电路中的位置及前后关系,略做修正,如图2所示。其中,后级电路的三极管T5对该形态的影响,在于其发射结是否导通,故图中用二极管代替。

在这里插入图片描述

图2

我们知道,硅管PN结的导通压降约为0.7V,图2中,若 u B 2 < 0.7 V u_{B2}<0.7\mathrm{V} uB2​<0.7V,则T2、T5均截止,此时 u C 2 u_{C2} uC2​为高电平,电压接近5V。

当 0.7 V < u B 2 < 1.4 V 0.7\mathrm{V}< u_{B2}<1.4\mathrm{V} 0.7V<uB2​<1.4V时,因 R 3 R_3 R3​的存在,T2将导通,且随着基极电流 i B 2 i_{B2} iB2​的增大,T2逐步由放大状态向饱和状态趋近,在这一过程中,集电极电压 u C 2 u_{C2} uC2​逐步降低,发射极电压 u E 2 u_{E2} uE2​逐步提高,这就是所谓的“倒相”过程。

当 u E 2 u_{E2} uE2​升至0.7V,即 u B 2 u_{B2} uB2​达到1.4V时,T2、T5同时导通且进入饱和状态,饱和导通电压 u C E S 2 ≈ 0.2 V u_{CES2}\approx 0.2\mathrm{V} uCES2​≈0.2V,T2集电极电压 u C 2 u_{C2} uC2​降至 u C E S 2 + 0.7 V = 0.9 V u_{CES2}+0.7\mathrm{V}=0.9\mathrm{V} uCES2​+0.7V=0.9V,与其相接的后级电路T4管将截止。
‘’

注:关于饱和导通电压的数值,不同教材资料给出了0.1~0.3V的不同取值,就理论分析来说均可接受。受三极管饱和状态的深浅影响,标准TTL电路, V C C = 5 V V_{CC}=5\mathrm{V} VCC​=5V条件下,三极管刚开始进入饱和状态时, u C E = 0.6 ∼ 0.7 V u_{CE}=0.6\sim 0.7\mathrm{V} uCE​=0.6∼0.7V,而在极深度饱和情况下, u C E < 0.1 V u_{CE}<0.1\mathrm{V} uCE​<0.1V,接近于0,所以一般情况下,我们不妨取 u C E S = 0.2 V u_{CES}=0.2\mathrm{V} uCES​=0.2V,与第1节设定的低电平一致。
‘’

3.推拉输出型

如图3所示,两个NPN三极管T4、T5和二极管D构成推拉输出型结构,其作用是提高整体电路的驱动能力和稳定性,并将输出高、低电平标准化。特别需要指出的是,不可将该结构(也称图腾柱电路)与模拟电子技术中的互补推挽电路混淆,后者是由两个互补的三极管构成(NPN和PNP),常用于功率放大并提升效率。

在这里插入图片描述

图3

在该开关形态中,理论上任意时刻T4、T5只有一个导通,但实际上有一个非常短暂的共同导通时间(见下文说明)。输出高、低电平的变化与前级反相电路T2的导通状态有关,图3中,将T2等效为一个开关,两端代表其集电极和发射极,分别与T4、T5的基极相接。

由上一节可知,当 u B 2 u_{B2} u

从原理到实战:TTL反相器的深度工作状态剖析与设计权衡 本文深入剖析TTL反相器的工作原理与设计权衡,详细解析晶体管工作状态及外围元件设计要点。通过实测数据和电路分析,揭示TTL反相器在饱和深度、驱动能力和噪声容限等方面的关键特性,为数字电路设计提供实用指导。特别探讨现代TTL器件的演进趋势和实际应用中的优化策略。 阅读详情

相关推荐

集成密度与工艺限制:TTL与CMOS逻辑门发展前景分析

探讨TTL与CMOS逻辑门在现代工艺下的集成密度发展瓶颈,分析制造工艺限制对逻辑门性能提升的影响,比较两者在功耗、速度和可扩展性方面的优劣,展望未来技术演进方向。

weixin_42518334的博客 970

从零构建TTL计算机:深入解析Isetta复古计算机的设计与调试

晶体管-晶体管逻辑(TTL)是数字电路的基础,其核心在于使用74系列等标准逻辑芯片构建基本门电路和时序电路,实现二进制运算与控制。理解TTL原理是掌握计算机体系结构的基石,它能直观揭示数据流动、时钟同步和状态机控制等底层机制,具有极高的教学与工程实践价值。在嵌入式系统、硬件安全、教育实验平台等场景中,基于TTL的自主CPU设计能深化对冯·诺依曼架构的理解。本文聚焦于一个具体实践——Isetta TTL Computer项目,该项目将经典74LS系列芯片应用于完整计算机的构建,并特别探讨了系统调试中常见的“T

weixin_30263073的博客 350

模拟开关选型与电路设计:从导通电阻到电荷注入的硬件避坑指南

模拟开关是数据采集、音频路由、视频切换和传感器接口中不可或缺的器件,其本质是CMOS传输门,用于传递连续模拟电压,而非简单的数字电平切换。与数字开关不同,模拟开关的性能受导通电阻、漏电流、电荷注入、带宽等关键参数制约。导通电阻随输入电压变化,平坦度直接影响精密测量精度;漏电流在高阻抗源场景下会造成显著误差;电荷注入则在采样保持电路中引发毛刺。理解这些参数背后的原理,是正确选型和电路设计的基础。在实际工程中,模拟开关广泛用于多路热电偶信号切换、ADC前端复用、音频矩阵及视频信号路由。合理的电源架构、去耦布局、

weixin_30599769的博客 442

CMOS门电路:数字世界的基石,从原理到应用全面解析

在数字集成电路领域,逻辑门是实现基本运算功能的核心单元。其工作原理基于布尔代数,通过晶体管的开关状态来表征逻辑‘0’和‘1’。CMOS(互补金属氧化物半导体)技术因其革命性的互补结构,在实现逻辑功能时,具有近乎为零的静态功耗和极高的噪声容限,这为其带来了卓越的技术价值:极低的功耗、强大的抗干扰能力以及出色的可扩展性,使其成为现代微处理器、存储器和各类数字芯片的绝对主流。从基础的与非门、或非门到构成复杂系统的组合与时序逻辑,CMOS门电路是构建一切数字系统的物理基石。本文将以CMOS门电路为核心,深入剖析其互

weixin_29174141的博客 259

上下拉电阻的本质:从驱动补偿到状态固化的工程逻辑

上下拉电阻是数字电路中基础却常被误读的关键元件,其核心在于解决开关器件驱动能力不对称或输入状态不确定的问题。原理上,它通过建立默认电平路径,在单向导通(如二极管逻辑、OC/OD输出)或高阻态(如CMOS浮空输入)场景中提供直流偏置与噪声抑制能力。技术价值体现在以极低成本实现电平转换、线与逻辑、ESD兼容性及系统可靠性提升。典型应用场景包括I²C总线设计、TTL输出驱动增强、MCU GPIO防浮空配置等。本文深入剖析其在二极管逻辑、TTL与CMOS三大技术代际中的角色演进,结合仿真数据与手册参数,揭示上拉电阻

weixin_36149538的博客 192

图腾柱与互补推挽驱动电路的本质区别与选型指南

图腾柱和互补推挽是电子系统中两类关键的功率驱动输出拓扑,均属于双晶体管推拉结构,但其器件组合、偏置逻辑与电压适配机制存在根本差异。互补推挽采用NPN+PNP互补对,具备线性放大能力与同相输出特性,适用于模拟信号驱动和运算放大器输出级;图腾柱则采用同类型器件(如NPN+NPN)级联结构,依赖反相逻辑与二极管钳位实现防直通,天然支持高低电平转换,广泛用于PWM栅极驱动芯片。二者在开关速度、可靠性、集成难度及失效模式上表现迥异,尤其在MCU低电平驱动高压MOSFET等典型场景中,图腾柱凭借电平移位兼容性与固有死区

weixin_35006125的博客 199

基于FPGA的64路模拟量/8路开关量离线采集与NAND存储设计

数据采集系统(DAS)的核心是把多路模拟量、开关量和脉冲信号统一量化、缓存并可靠落盘。其原理通常由模拟前端完成多路切换与A/D转换,FPGA负责采样时序、FIFO缓冲和NAND Flash页编程,光耦隔离与电平钳位则保障现场信号安全接入。合理设计通道建立时间、先断后通切换和跨时钟域同步,可显著提升多路采集的精度与稳定性。这类方案适用于设备状态监测、离线记录仪、存储测试和毕业设计等场景,也便于在采样率、通道数与存储容量之间做工程权衡。围绕64路模拟量、8路开关量和1路脉冲的离线采集与回读需求,可进一步理解FP

weixin_29165465的博客 288

纯硬件实现ASCII键盘编码:74系列芯片逻辑设计详解

ASCII编码是计算机字符表示的基础标准,其7位二进制结构决定了键盘输入到机器可读信号的映射本质。理解该过程需掌握组合逻辑电路原理,包括优先编码、条件修正与并行输出等核心机制。74LS148优先编码器解决矩阵扫描中的鬼键与优先级冲突,74LS85比较器和74LS183加法器协同实现ASCII码空间的分段线性映射,体现硬件对非线性字符分布的工程适配。这类设计不仅支撑教学中数字逻辑能力训练,更在嵌入式接口、固件降级容错及无MCU交互场景中具备实际价值——例如工业HMI紧急输入、Bootloader底层调试键控等

weixin_29161785的博客 50

小白投资理财 - 解读威廉分形指标 Williams Fractals

威廉分形指标用于识别价格趋势中的关键点,帮助判断支撑位和阻力位。

wumingxiaoyao的博客 4347

[cshell]个性化配置你的cshrc/tcshrc

本文介绍了csh/tcsh shell的配置优化方法,主要包括:1. 配置文件管理(全局和个人配置);2. 按键绑定设置(解决远程登录按键问题);3. 提示符个性化(包含颜色配置方案);4. 环境变量设置(如LSCOLORS、CLICOLOR等);5. 安全防护措施(防误删、防覆盖等);6. 实用alias命令集(简化操作、提高效率)。文章提供了详细的配置示例,并建议通过man tcsh获取更多帮助信息。这些配置能显著提升shell使用体验和工作效率。

元直的博客 6122

老 Intel Mac mini 装 OpenClaw:低成本常年在线方案

老款Intel Mac mini部署OpenClaw方案摘要 本文详细介绍了如何利用老款Intel Mac mini低成本部署OpenClaw系统。方案推荐2011-2018款Mac mini,建议升级至16GB内存和SSD存储以提升性能。部署步骤包括:1)安装Ubuntu系统;2)配置Docker环境;3)通过docker-compose部署OpenClaw及其依赖组件(PostgreSQL和Redis);4)进行系统级和Docker层面的性能优化;5)设置开机自启动服务。该方案充分利用老款设备剩余价值,

一键难忘的博客 2482

PCL 八叉树的使用

八叉树(Octree)是一种空间划分的数据结构,广泛应用于三维点云的处理和分析。八叉树通过将空间递归地划分为八个子区域,可以有效地组织和索引三维点数据,提升点云的查询、降采样和配准等操作的效率。

纵马踏花向自由 1660

生成EtherCAT从站XML图片信息方法

详细介绍了EtherCAT从站XML文件中图片元素的生成方法。

kevin1499的博客 2133

基于ESP32的智能无线广播系统开发博客

通过本项目的开发,我们成功地实现了基于ESP32的智能无线广播系统。该系统不仅具备传统广播的功能,还实现了通过Wi-Fi无线传输音频、实时广播和智能控制等多种先进功能。未来,随着技术的进一步发展,我们还可以扩展更多功能,如智能推荐广播内容、支持语音识别和控制等。希望本项目能够为嵌入式开发人员提供一些思路和参考,帮助大家在实际开发中更好地应用ESP32平台,开发出更加智能和实用的无线广播系统。

2201_76125393的博客 424

【数据集】中国多属性建筑数据集CMAB

【数据集】中国多属性建筑数据集CMAB

WW、forever的博客 4485

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: 卡诺图之间的运算(拓展应用)
下一篇: 特殊题型——增量网络法及其应用
数字时代DigitalTime
博客等级 码龄11年 5342粉丝 31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
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