MIPS/RISC-V ALU教学实验:系统学习数字逻辑设计

FPGA五级流水线CPU设计:从零实现RISC-V/MIPS处理器核 计算机体系结构的核心在于理解处理器如何高效执行指令,流水线技术通过将指令处理划分为多个阶段并行工作,显著提升了指令吞吐率。其原理是将取指、译码、执行、访存和写回等阶段重叠执行,但会引入数据冒险和控制冒险等挑战,需通过前递和流水线暂停等机制解决。这项技术的工程价值在于为高性能计算和嵌入式系统提供了基础架构支撑,广泛应用于从教学实验到芯片原型验证的场景。本文聚焦于利用Verilog/VHDL在FPGA平台上实现一个具备冒险处理能力的五级流水线CPU核,涵盖从模块设计、功能仿真到上板验证的全流程,为学习计算机组成 阅读详情

从零构建MIPS/RISC-V ALU:一场深入数字逻辑的硬核实践

你有没有想过,计算机到底是怎么“算数”的?
当我们在代码里写下 a + b ,背后究竟发生了什么?是魔法吗?

不。那是 组合逻辑电路 在默默工作——而这一切的核心,就是 ALU(Arithmetic Logic Unit) 。

在MIPS和RISC-V处理器的教学设计中,ALU实验常常是学生第一次真正“动手造CPU”的起点。它不像抽象的编程语言那样远离硬件,也不像完整的多级流水线那样复杂难懂。它刚刚好:足够简单,能在一个周末完成;又足够完整,足以让你窥见整个计算机体系结构的运作脉络。

今天,我们就来一起手把手实现一个支持主流指令的32位ALU模块,并深入剖析它的设计哲学、控制机制与工程细节。这不是一份冷冰冰的技术文档,而是一次带你走进芯片内部的实战之旅。


为什么ALU是理解CPU的“第一扇门”?

ALU看起来只是一个小功能块,但它其实是连接 软件语义 与 硬件行为 的关键桥梁。

比如这条RISC-V汇编指令:

add x5, x6, x7

对程序员来说,这只是“把x6和x7加起来放到x5”。但对硬件而言,这需要一连串精确的物理操作:

  1. 控制器识别出这是 ADD 指令;
  2. 解析出操作码,生成对应的控制信号;
  3. 从寄存器堆读取两个操作数;
  4. 把它们送进ALU进行加法运算;
  5. 将结果写回目标寄存器。

其中第4步,就是ALU的工作。它不只是“做加法”,还要处理减法、逻辑运算、比较、状态标志……所有这些都必须通过基本的与门、或门、非门组合而成。

所以,构建ALU的过程,本质上是在回答一个问题:
我们能否仅用最基本的逻辑门,构造出能够执行现代指令集所需全部基础运算的功能单元?

答案是肯定的——而且过程比你想象的更清晰、更有章法。


ALU要做什么?先看它得支持哪些操作

在MIPS和RISC-V架构中,典型的ALU需要支持以下几类基本操作:

类型 操作 说明
算术 ADD, SUB 加法与减法
逻辑 AND, OR, XOR, NOR 位级布尔运算
比较 SLT Set Less Than,有符号小于则输出1
地址计算 ADD 用于LW/SW等访存指令的地址偏移计算

注意:虽然移位操作如SLL/SRL也常见于指令集中,但在教学级单周期CPU中,通常将其放在ALU外部实现(例如使用单独的移位器模块),以简化ALU结构。

因此我们的ALU聚焦于上述七种核心功能即可。


内部结构怎么搭?关键在于“共享+选择”

如果你为每种运算都单独做一个加法器、一个减法器、一个与门阵列……那面积会爆炸式增长。现实中的ALU不会这么做。

真

MIPS/RISC-V ALU课程实验:快速理解数据通路 通过MIPS/RISC-V ALU设计实验,直观掌握处理器核心部件的工作机制,深入理解数据通路在指令执行中的关键作用,提升计算机组成原理的实践能力。 阅读详情

相关推荐

本科生课程设计:32位RISC-V ALU实现完整示例

深入解析32位RISC-V架构下ALU的实现过程,结合本科生课程设计实例,帮助掌握mips/risc-v alu设计核心要点,适合计算机体系结构学习者参考与实践。

weixin_36483050的博客 360

超详细版MIPS与RISC-V ALU数据通路设计讲解

详细剖析MIPS与RISC-V架构下ALU数据通路的设计原理与实现细节,涵盖关键控制信号、功能模块连接方式,帮助理解mips/risc-v alu设计中的核心难点与优化思路。

weixin_42599558的博客 735

EZ8:从零构建8位RISC CPU的教学实践

CPU是计算机系统的核心抽象,其本质是取指、译码、执行的循环过程。理解这一原理需回归硬件本源,而非依赖高级工具链。RISC架构以精简指令集降低学习门槛,8位数据通路则强制暴露溢出、补码、时序等底层机制,成为数字电路认知的‘过滤器’。这种极简设计不仅适用于FPGA教学平台(如Basys3),更可延伸至嵌入式开发、AI模型量化(如qwen27b 8-bit版本)及自研工具链构建(如汇编器、微程序控制器)。EZ8项目正是以‘存储器与CPU的连接’为锚点,将理论知识转化为可测量、可调试、可显示(LED点阵屏)的物理

weixin_29164497的博客 291

从零理解RISC-V CPU:ZipCPU核心架构与FPGA实现全解析

CPU作为计算机的核心,其设计遵循取指、译码、执行、访存和写回的基本原理,通过指令集架构(ISA)定义软硬件交互的规范。RISC-V以其开放、简洁的指令集,降低了CPU设计的复杂度,提升了可定制性,在教育与嵌入式领域价值显著。在FPGA开发中,CPU核心的轻量化与可综合实现是关键,能够满足定制化嵌入式系统的需求。本文以ZipCPU这一开源RISC-V核心为例,深入剖析其采用三级流水线、无缓存设计及中断处理等机制,是如何在FPGA平台上实现从仿真验证到上板调试的完整流程,为学习计算机体系结构与数字逻辑设计提供

weixin_26834281的博客 308

从零开始:手把手教你实现CPU算术指令的硬件逻辑

本文详细解析了CPU算术指令(如add、sub、slt)的硬件逻辑实现,从二进制补码系统到ALU设计,涵盖Verilog代码示例和性能优化技巧。适合硬件工程师和计算机架构爱好者学习如何构建高效的算术逻辑单元。

weixin_29170327的博客 624

RISC-V五级流水线CPU设计:从原理到FPGA实现的完整指南

在计算机体系结构中,流水线技术是提升处理器性能的核心方法,它通过将指令执行过程划分为多个阶段并行处理,显著提高指令吞吐率。其基本原理是将取指、译码、执行、访存和写回等阶段重叠执行,但这也引入了数据冒险和控制冒险等挑战。从技术价值看,掌握流水线设计是理解现代CPU工作原理、进行高性能处理器开发的基础。在应用场景上,该技术广泛应用于从嵌入式微控制器到高性能服务器的各类处理器中。本文聚焦于基于开放指令集架构RISC-V的五级流水线CPU实现,详细探讨了其数据通路设计、关键模块如寄存器堆和ALU的实现,并重点解析了

weixin_29192211的博客 222

MIPS多周期CPU设计:54条指令的时序对齐与硬件语义实现

多周期CPU是计算机组成原理中的核心概念,其本质是将指令执行分解为若干阶段以平衡性能与硬件复杂度。理解其工作原理需掌握指令流水线阶段划分、数据冒险检测、控制信号时序约束及寄存器写回时机等基础机制。MIPS架构因指令格式规整、手册定义清晰,成为教学级CPU设计的经典载体;而54条指令子集覆盖了R/I/J型典型操作与边缘指令(如bgezal、jalr),恰好支撑Linux汇编子集运行,同时兼顾FPGA资源限制。本设计聚焦纯RTL手写实现,强调建立/保持时间匹配、PC精确捕获、空泡插入位置等真实硬件约束,揭示‘为

weixin_29179311的博客 324

RISC-V五级流水线CPU设计实战:从冒险处理到Verilog实现

CPU流水线设计是数字逻辑与计算机体系结构的核心实践,通过将指令执行拆分为取指、译码、执行、访存、写回五个阶段并行推进,显著提升处理器吞吐率。其原理在于利用流水线寄存器隔离各阶段,但需解决数据冒险、控制冒险和结构冒险。技术价值在于以面积和复杂度换取频率与性能的平衡,广泛应用于RISC-V等精简指令集处理器的教学与工程验证。在嵌入式、IoT及定制加速器场景中,五级流水线是理解现代CPU微架构的基石。本文围绕RV32I子集,深入讲解转发、停顿、分支预测等冒险处理机制,并提供可综合的Verilog代码与仿真验证方

weixin_29178069的博客 275

多周期MIPS CPU硬件设计:从状态机到FPGA部署

多周期CPU是一种通过时序分阶段复用硬件资源来平衡性能与面积的关键微架构范式。其核心原理是将指令执行划分为取指、译码、执行、访存和写回等离散时钟节拍,由有限状态机(FSM)驱动控制流,并依赖寄存器化数据通路与旁路机制解决数据冒险。这种设计显著降低关键路径延迟,提升主频潜力,广泛应用于教学CPU实现、FPGA嵌入式控制器及RISC-V原型验证等场景。本文基于可综合Verilog实现,完整覆盖MIPS I指令子集、五阶段状态机建模、ALU/寄存器堆/存储器协同、ILA实时调试及Vivado/Quartus全流程

weixin_29189363的博客 191

用五款开源工具搭建你的数字IC设计EDA流水线

数字IC设计离不开EDA工具,但商用套件门槛高,开源工具为教学和小规模验证提供了灵活方案。理解一条完整数字设计流程需要掌握从图形化电路设计到RTL仿真,再到逻辑综合的各个环节。RTL仿真作为验证核心,依赖Icarus Verilog与GTKwave的组合;而RTL综合则借助Yosys将行为级描述映射为门级网表。同时,RISC-V生态的兴起,使RARS这类指令集仿真器能够无缝衔接汇编程序与硬件设计,大大降低学习成本。这条由digital、RARS、iverilog、GTKwave和Yosys组成开源EDA流水

weixin_33910191的博客 317

MIPS多周期CPU设计实战:数据通路、状态机与仿真验证全解析

计算机组成原理中,CPU指令执行方式分为单周期、多周期与流水线。单周期虽然控制简单,但时钟周期受最慢指令约束,硬件利用率低;多周期CPU则通过将每条指令拆分为取指、译码、执行、访存、写回等多个步骤,用状态机统一调度,以更长周期数换取更高时钟频率与硬件复用。理解多周期设计,关键在于掌握数据通路中PC、ALU、寄存器堆、临时寄存器等部件在不同周期内的协作,以及控制信号对数据流向的精确调配。这一设计思想不仅有助于深入理解指令周期与微程序控制,更是后续学习流水线冒险、RISC-V CPU设计的重要基础。在工程实践中

weixin_26886855的博客 190

Halcon实战:5种边缘检测算子对比(Sobel、Roberts、Prewitt、Kirsch、Canny)

本文深入对比了Halcon中Sobel、Roberts、Prewitt、Kirsch和Canny五大边缘检测算子的实战表现与核心差异。通过工业图像实例与代码解析,提供了基于噪声水平、边缘连续性及实时性要求的场景化选型指南,帮助工程师精准选择最适合的算子以优化视觉检测流程。

weixin_29266007的博客 394

亿佰特E77模块(STM32WLE5CCU6)LoRa通信实战指南:从配置到应用开发

本文详细介绍了亿佰特E77模块(STM32WLE5CCU6)的LoRa通信实战指南,从硬件配置到应用开发。基于ARM Cortex-M4内核的E77模块集成了LoRa射频前端,具备超低功耗和硬件级抗干扰特性,适用于智能农业、工业现场等场景。文章提供了开发环境搭建、LoRa参数配置、实战通信及性能优化等实用技巧,帮助开发者快速掌握LoRa通信技术。

weixin_29164185的博客 770

YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型

一、本文介绍 本文记录的是基于MobileNet V4的YOLOv11目标检测轻量化改进方法研究。MobileNet V4通过整合UIB、Mobile MQA以及优化的NAS策略,能够在在不降低性能指标的前提下,降低计算成本。本文配置了原论文中MNv4-Conv-S、MNv4-Conv-M、MNv4-Conv-L、MNv4-Hybrid-M和MNv4-Hybrid-L五种模型,以满足不同的需求。 模型 参数量 计算量 推理速度 YOLOv11m 20.0M 67.6GFLOPs 3.5ms

Limiiiing的博客 4471

9.13华为OD机试真题 新系统 - 手机桌面整理 (Java/Py/C/C++/Js/Go)

华为OD机试真题 新系统【手机桌面整理】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【 手机桌面整理】多语言题解。

qq_45776114的博客 653

Android 11多窗口+分屏+APP窗口嵌套TaskView实现原理一

然而随着版本的迭代升级,google对分屏的定制差异化也越来越大,Androd 11的分屏用的是split-screen-primary和split-screen-secondary的方式,在systemui中去实现的,其定制化的灵活度不是很高,很多业务都是放到sustemui或者fw去实现,但是随着版本的升高,后面出现了TaskView来替代了老版本的分屏方式,但是Task的核心原理其实和之前的方式是一样的,TaskView来实现分屏。

qq_18420641的博客 2621

YOLO系列算法改进 | 自研篇 | C3k2融合Circulant Attention注意力模块 | 给局部特征提取器装上了全局动态卷积核,兼顾效率、精度与泛化能力!| AAAI 2026

YOLO系列算法改进 | 自研篇 | C3k2融合Circulant Attention注意力模块 | 给局部特征提取器装上了全局动态卷积核,兼顾效率、精度与泛化能力!| AAAI 2026 (以YOLO26最新目标检测模型为基础,融合C3k2_Circulant创新模块改进Backbone)

2502_91881744的博客 245

uniapp [安卓苹果App端] - 实现获取手机日历读写权限+调用本机日历数据及操作功能+日历中插入事项事件提醒,检测权限手机日历权限是否开启并引导用户同意授权,uniApp app端开启日历授权

uni-app,权限,手机日历权限,安卓Android,苹果ios,uniapp安卓android获取本机日历读写权限使用,uni-app获取日历权限并实现插入事项事件功能 uniapp苹果IOS系统不支持怎么办,判断权限,权限被拒绝了怎么办,获取日历权限报错,读取日历数据农历阴历并操作插入移除,给用户手机日历中放入一条提示,UniApp调用日历进行读写,打包上架后如何获取,安卓ios权限检测,安卓和ios权限获取,uniapp的APP端日历读写权限与使用示例代码,如何开启日历权限,日历的新增事项和删除,判

🏆 前端领域优质创作者 1万+

【WRFDA教程第四期】雷达数据同化(Radar Data Assimilation)

雷达数据同化(Radar Data Assimilation)

WW、forever的博客 1770

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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")

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

上一篇: C语言char类型:字符与整数的底层关系
下一篇: PaddlePaddle框架的Batch Size选择对收敛速度的影响
闫泽华
博客等级 码龄8年 2832粉丝 3414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  | 博主筛选后可见
 
 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