CMAKE路径宏的区别

cmake CMAKE_CURRENT_SOURCE_DIR和CMAKE_CURRENT_LIST_DIR的区别 特性适用文件仅所有 CMake 脚本(.cmake嵌套脚本中的行为始终指向顶层的目录指向当前脚本的实际目录动态性静态(同一文件内不变)动态(随当前执行文件变化)推荐使用场景仅在中引用同级文件通用(尤其在被包含的脚本中) 阅读详情

在 CMake 中,CMAKE_SOURCE_DIR 和 PROJECT_SOURCE_DIR 是两个不同的变量,它们的含义和用法略有不同。

  1. CMAKE_SOURCE_DIR:

    • CMAKE_SOURCE_DIR 变量表示包含当前正在处理的 CMakeLists.txt 文件的顶层源代码目录的路径。
    • 这个变量的值是在 CMake 运行时由 CMake 自动设置的,指向包含当前 CMakeLists.txt 文件的顶层目录。
    • 如果你的项目结构是单个 CMake 项目,那么 CMAKE_SOURCE_DIR 和 PROJECT_SOURCE_DIR 通常是相同的。
  2. PROJECT_SOURCE_DIR:

    • PROJECT_SOURCE_DIR 变量表示项目的顶层源代码目录的路径。
    • 这个变量的值是在 CMakeLists.txt 文件中通过 project() 命令指定的项目名称所对应的目录。
    • 如果你的 CMake 项目是作为子目录被包含在其他项目中,那么 PROJECT_SOURCE_DIR 可能会指向子项目的顶层目录,而不是整个主项目的顶层目录。

简而言之,在子目录中CMAKE_SOURCE_DIR为项目根目录路径,PROJECT_SOURCE_DIR为当前项目所在的子目录路径

cmake 添加宏_CMake 入门3 —— CMake 的函数和宏 CMake 中 function 和 macro 的区别通过代码直观地来看看区别。set(var "ABC")macro(Moo arg)message("arg = ${arg}") # 输出原值 ABCset(arg "abc")message("# After change the value of arg.")message("arg = ${arg}") # 输出原值 ABCendm... 阅读详情

相关推荐

CMake宏与file命令实战:构建自动化文件收集系统,告别手动枚举源文件

本文详细介绍了如何利用CMake宏与file命令构建自动化文件收集系统,解决手动枚举C/C++源文件的痛点。通过GLOB_RECURSE等高级技巧实现跨平台文件自动收集,大幅提升项目维护效率,特别适合中大型项目开发。文章包含实用代码示例和性能优化建议,帮助开发者掌握CMake构建系统的核心技能。

weixin_42545503的博客 385

CMake模块化开发必看:用CMAKE_CURRENT_LIST_DIR实现跨脚本资源引用

本文深入解析CMake模块化开发中`CMAKE_CURRENT_LIST_DIR`的关键作用,对比其与`CMAKE_CURRENT_SOURCE_DIR`的差异,提供跨脚本资源引用的最佳实践。通过实战案例展示如何构建可复用的CMake模块库,解决大型C++项目中的路径引用难题,提升构建系统设计的可靠性和可维护性。

weixin_42635064的博客 310

CMake:CMAKE_SOURCE_DIR,PROJECT_SOURCE_DIR,PROJECT_BINARY_DIR

如果一个顶层目录下只有一个工程,那么CMAKE_SOURCE_DIR和PROJECT_SOURCE_DIR表示的都是顶层目录,而PROJECT_BINARY_DIR就是${CMAKE_SOURCE_DIR}/build。可见PROJECT_SOURCE_DIR和PROJECT_BINARY_DIR是与。CMAKE_SOURCE_DIR:顶层CMakeLists.txt所在的目录。PROJECT_BINARY_DIR:当前工程的编译输出目录。PROJECT_SOURCE_DIR:当前工程的源码目录。

风静如云的博客 8488

CMake入门实例、宏变量说明

本文主要用来记录使用CMake在编译代码时一些常用命令,及过程中注意的点。CMake官方使用教程文档 编译动态库 add_library: 为生成的库添加源文件,是库的名字,直接写名字即可,不要写lib,会自动加上前缀。 STATIC表示静态库(lib),SHARED表示动态库(so) 实例 CMake常用变量说明 在外部指令中使用 ${} 进行变量的引用。在 IF 等语句中,是直接使用变量名而不通过 ${} 取值。如果是编译,这个变量指得就是工程顶层目录,如果是编译,指的是工程编译发生的目录。另外 和

机器人梦想家 Bing Lee 3528

STM32驱动数码管:从硬件连接到动态显示实现

本文详细介绍了使用STM32单片机驱动数码管的完整流程,从硬件连接到软件实现。内容涵盖共阳/共阴数码管原理、GPIO配置、段码表生成,并重点解析了多位数码管动态显示的核心技术,包括动态扫描原理、消影处理及实战代码,帮助开发者快速掌握这一嵌入式开发基础技能。

p5l2m9n4o6q的博客 577

SQLite → PostgreSQL 迁移脚本与踩坑清单

本文提供了SQLite迁移到PostgreSQL的两种可靠路径:首选使用pgloader工具自动转换schema和数据,支持类型映射和并行复制;备选方案通过sqlite3导出CSV再用PostgreSQL的COPY命令导入,适合需要自定义清洗的场景。重点介绍了数据类型映射规则、迁移步骤、校验方法和常见问题,包括自增主键、布尔值、时间类型等关键差异处理。迁移后需进行行数核对、哈希抽样等校验,并给出了性能优化建议。最后强调迁移不仅是数据转移,更需要同步升级数据模型和索引策略,根据业务场景选择合适的数据库方案。

aifs2025的博客 1889

cmake 一些有用的宏

一个开源项目,如果想依赖cmake的find_package规则来实现编译的自动查找,主要是<1>头文件路径<2>库名字<3>库路径这三个方面, 有2个办法:(1)cmake 有个 系统变量 CMAKE_ROOT通常比如说是 “/usr/local/share/cmake-3.5”它的子目录大概是completions editors Help inclu...

u010584319的博客 3082

避开奸商套路!手把手教你用Thaiphoon Burner和CPU-Z,一眼看穿内存SPD信息有没有被篡改

本文教你使用Thaiphoon Burner和CPU-Z工具,快速识别内存SPD信息是否被篡改,避免购买到虚标频率或假冒颗粒的内存条。通过详细步骤和实战案例,帮助用户掌握内存检测技巧,确保硬件购买的透明度和安全性。

weixin_32228501的博客 704

CMAKE常用的宏

cmake常用的宏

qq_42615475的博客 1125

4、高光图像滤镜显著改善文本图像的光学字符识别

本文介绍了高光图像滤镜在光学字符识别(OCR)中的应用,详细探讨了其技术原理、实现步骤和在多种场景下的效果。通过增强文本图像的边缘和对比度,高光滤镜显著提升了OCR的识别率,尤其适用于扫描文档、手写笔记和低质量图像。实验结果表明,该方法在不同类型的文本图像中均表现出色,并提出了未来优化方向,如深度学习集成和多模态融合,为OCR技术的发展提供了新的可能性。

ooo22的博客 97

全15万字丨PyTorch 深度学习实践、基础知识体系全集;忘记时,请时常回顾。

本篇博客介绍的知识是——深度学习之PyThon框架基础。这是深度学习/神经网络的基础,多次回顾,会有不一样的感受。书读百遍,其义自见。

追光者♂:记录、分享、总结、提升,现象级专栏《Python从入门到人工智能》作者,无惧黑暗,坚信曙光 5810

CMake常用命令及指令宏

获取路径下文件夹名 file(GLOB children RELATIVE ${CMAKE_SOURCE_DIR} ${CMAKE_SOURCE_DIR}/*) foreach(child ${children}) if(IS_DIRECTORY ${CMAKE_SOURCE_DIR}/${child}) list(APPEND dirlist ${child}) endif() endforeach() set(result ${dirlist}) list(APPEND dirlist "app

苦逼的程序猿 3118

基于Matlab生成并可视化多架飞机轨迹仿真(附源码)

这使我们可以轻松地对直线和恒定转弯进行建模,并具有额外的自由度,可以在直线段和曲线段之间平滑过渡。同样,空气中的物体会经历重力的影响,遵循抛物线(二次)路径。需要更多的航点来适应这些变化,但是轨迹的其余部分需要更少的点。第三个轨迹,如下所示,代表了一架速度更高的飞机。它由两个恒定的转弯组成,飞机在第二个转弯的中间减速。一旦知道(并设置了)物体穿过空间的物理路径,物体的速度作为行进距离的函数就通过三次埃尔米特插值来确定。在此示例中,学习了内部使用的插值符背后的概念,并展示了如何使用少量航点重现场景。

珞瑜的博客 5469

深入理解CMake中的include_directories()与catkin_package(INCLUDE_DIRS)的区别及应用

直接影响当前CMake项目,为其添加编译时的头文件搜索路径,而用于指定当其他包找到此包时,应该添加哪些头文件路径,从而支持跨包的依赖和模块化构建。在实际应用中,通常需要根据项目的具体需求和结构来灵活使用这两个命令。

m0_73640344的博客 830

基于 YOLOv26 的高速抛物识别系统:微小目标检测

本文提出了一种基于YOLOv26的高速抛物识别系统,专注于微小目标检测。系统采用多模块协同架构,包括视频预处理、YOLOv26检测、目标跟踪和抛物行为分析等模块。关键技术包括YOLOv26s模型检测、DeepSORT目标跟踪和边缘计算部署。通过构建包含多种抛物类型的专业数据集,并应用数据增强技术提升模型性能。系统实现了车辆检测、微小抛物目标识别、抛物轨迹分析和风险等级评估等功能,可实时检测高速公路上的抛物行为并触发告警,为交通管理提供智能化解决方案。

一键难忘的博客 637

Mac 下 OpenClaw 安装全记录:从零到一的保姆级图文教程

本文主要介绍了Mac 下 OpenClaw 安装全记录:从零到一的保姆级图文教程,希望能对学习使用OpenClaw 的同学们有所帮助。 文章目录 1. 背景 2. 安装教程 2.1 安装OpenClaw 2.2 配置模型 2.3 对话 3. 后续使用步骤 4. 关闭程序

weixin_43178406的博客 11万+

Clause 开发技能之 CMake 进阶教程(二)

这篇文章分享一下 CMake 中函数:function, 和宏:macro 的使用。本文先从二者区别说起,由于二者区别很小,所以后文就仅对函数的用法进行讨论,因为函数有作用域的概念,适用范围更广。后文分享一个很实用的递归函数用于包含指定目录的所有子目录。

Chatopera 1233

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

【构建】CMake 常用函数和命令清单

CMake 常用函数和命令清单

YZJincsdn的博客 585

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

【CMake】cmake中的include指令(.cmake文件/MACRO宏/function函数)

说到cmake,可能最先想到的就是CmakeLists.txt文件,但是在很多情况下,也会看到.cmake文件。也许,你会诧异,.cmake文件是干什么的,甚至会想.cmake文件是不是cmake的正统文件,而CmakeLists.txt并不是。 但其实,CmakeLists.txt才是cmake的正统文件,而.cmake文件是一个模块文件,可以被include到CMakeLists.txt中。 ...

Yngz_Miao的博客 5万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

CMake | 使用宏重用代码

使用宏macro重用代码。 详解命令:${ARGC} ${ARGV} ${ARGN} math add_test set_tests_properties

该用户还没想到好的昵称的博客 1649

qmake与CMake区别

特性qmakeCMake本质Qt 项目构建文件生成器跨平台构建系统生成器 (元构建系统)主要领域Qt 项目 (尤其适合简单/纯 Qt 项目)通用 C/C++ 项目 (任何规模、复杂度,强烈推荐用于 Qt 6+)配置文件.pro文件文件核心优势Qt 集成简单,上手快真正的跨平台一致性,功能强大灵活,生态庞大跨平台性较好,但不如 CMake 一致和强大极佳,是其主要设计目标功能范围专注于 Qt 需求,功能相对有限极其丰富,覆盖构建的方方面面依赖管理较弱强大等)学习曲线较平缓较陡峭。

我的博客 1753

CMake4-指令2-1:include【将需要在很多CMakeLists文件中复用的语句抽取出来放入.cmake文件中(如:MACRO宏、function函数)】【清单文件中的命令会被立即处理】

cmake的宏是MACRO,函数是function。COMMAND1(ARGS ...) # 命令语句...endmacro()COMMAND1(ARGS ...) # 命令语句...function()定义一个名称为name的宏(函数),arg1...是传入的参数。我们除了可以用${arg1}来引用变量变量说明argv##是一个下标,0指向第一个参数,累加argv所有的定义时要求传入的参数argn定义时要求传入的参数以外的参数argc。

u013250861的博客 1650

【CMake】.cmake文件与CMakeLists.txt区别及使用示例

关注点分离原则# CMakeLists.txt(做什么)# .cmake文件(怎么做)# FindMySQL.cmake 中封装查找细节模块化设计每200行逻辑考虑拆分为.cmake模块使用function()封装可重用操作查找模块规范命名遵循提供导入目标路径管理# 顶层设置模块路径现代CMake实践使用target_*命令代替全局命令通过.cmake文件提供导入目标经验法则:当某段CMake代码需要在两个不同地方使用时,它就应该属于.cmake文件;当定义构建目标或项目结构时,它属于。

weixin_43510208的博客 1685

【使用CMake组织C++工程】3:CMake 函数和宏

这篇文章分享一下CMake中函数:function, 和宏:macro的使用。本文先从二者区别说起,由于二者区别很小,所以后文就仅对函数的用法进行讨论,因为函数有作用域的概念,适用范围更广。后文分享一个很实用的递归函数用于包含指定目录的所有子目录。

Small Flows 1万+

CMake与makefile的区别

最好写上,它会引入两个变量 demo_BINARY_DIR 和 demo_SOURCE_DIR,同时,cmake 自动定义了两个等价的变量 PROJECT_BINARY_DIR 和 PROJECT_SOURCE_DIR。CMakeLists.txt 使用 CMake 的自定义语言,其语法更加清晰和可读,具有更高的抽象层次,使得配置和生成过程更加简单。CMakeLists.txt 更适合管理大型、复杂和跨平台的项目,而 Makefile 通常更适合小型项目或特定于某个平台的项目。

Artisan_w 2141

【CMake入门】

个人CMake的学习过程,从cmake基础函数再慢慢了解环境的搭建

qq_47964024的博客 1761
上一篇: windows系统运行makelists文件
打你个大西瓜丿
博客等级 码龄8年 40粉丝 4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