Android 10 正式版或将 9月3日 发布!

Altium Designer 16安装教程(Windows11、小白教程) Altium Designer 16在Windows11中的超详细安装教程 阅读详情

点击“开发者技术前线”,选择“星标?”

13:21 在看|星标|留言,  真爱

8月23日, 谷歌官宣安卓Q改名了!根据 phonearena 的报道,他们向两位谷歌支持团队的成员分别确认 Android 10 的发布日期,得到的答复都是 2019 年 9 月 3 日。也就是说,如果信息准确无误的话,Android 10 将在下周就会正式推出。

640?wx_fmt=jpeg

 640?wx_fmt=jpeg

谷歌自家的 Pixel 手机或将成为搭载 Android 10 系统的第一批设备,包括 Pixel 3/3XL、3a/3a XL,以及 Pixel 2/2 XL,甚至是 2016 年发布的初代 Pixel 和 Pixel XL,都会获得更新。同时,Android 10 的正式推出也意味着最新版 Pixel 4 系列手机即将亮相。

至于其他 Android 设备,也都将在接下来几个月内陆续收到更新。三星、诺基亚等分别公布了推出 Android 10 的时间表,还有部分第三方厂商公布了首批升级 Android 10 的设备机型。

640?wx_fmt=png

上周谷歌刚刚公布 Android Q 不同以往的命名方式,它不会再按照基于美味零食或甜点的字母顺序进行命名,而是使用类似 Windows 和 iOS 系统的数字版本号,即将发布的 Android 将被称为 Android 10。

Android 10 还更换了新的 logo:将文本从绿色改为黑色,以便于阅读,转换字体,并使用特写的机器人,而且采用了一种新的绿色。随着 Android 10 的最终发布,Google 将在未来几周内开始使用新 Logo。

640?wx_fmt=png

目前为止,即将推出的 Android 10 已经发布了 6 个 beta 版本。新版本 Android 的新功能包括对可折叠手机的支持、对 5G 的支持、实时字幕、智能回复、建议操作以及改进的安全和隐私功能。值得一提的其他功能还包括无缝背景更新、改进的数字健康套件和家长控制功能,以及令许多用户期待的暗黑模式。

---END---

选择”开发者技术前线 “星标?,内容一触即达。点击原文更多惊喜!

开发者技术前线 汇集技术前线快讯和关注行业趋势,大厂干货,是开发者经历和成长的优秀指南。

历史推荐

牛逼了,华为突然在这领域对谷歌“出手”,谁也没料到这么迅速!

百度地震了,注定了早晚的事

字节跳动,正在掀起一场战争!

2019,Vue 开发最佳指南,你都需要学点啥?

640?

点个在看,解锁更多惊喜!

英飞凌 AURIX TC3XX 系列单片机的 NVM-Flash 介绍 简单介绍英飞凌 AURIX TC3XX 系列多核单片机的 Flash,便于快速上手使用 阅读详情

相关推荐

具身机器人内部PCB板分类与系统架构详解

本文系统梳理了机器人内部PCB板的功能架构,将其划分为5大模块:1)核心主板(含主控计算机板、实时控制板等);2)感知类PCB(视觉、听觉、触觉等);3)运动控制类PCB(伺服驱动、编码器等);4)电源与安全类PCB(电源管理、BMS等);5)通信类PCB(EtherCAT背板等)。通过人体器官类比(如大脑对应主控板、小脑对应实时控制板),详解了各模块的芯片选型、位置分布及协同关系,并给出信号/能量/指令的三流闭环示意图和典型系统参数(48V供电、1ms通信周期)。整体呈现了机器人"神经系统&qu

几十年资深高级架构师,技术专家的技术笔记。专注C、Java、Python、微服务、云原生、AI工程化及高并发系统分布式架构实战,分享源码剖析、性能调优与架构治理经验。 330

Android 版本:从 1.0 到 15 的鲜活历史

例如,该更新提供了对不同应用程序如何使用您的数据以及允许应用程序访问多少信息的更强大且易于访问的控制,并且它包括操作系统的一个新的隔离部分,允许人工智能功能完全在设备上运行,没有任何网络访问或数据暴露的可能性。时期对 Android 来说是一个奇怪的时期。分散在整个 Android 中的基于卡片的概念成为了一种核心 UI 模式,它可以指导一切内容的外观,从通知(现在显示在锁定屏幕上以供一目了然的访问)到最近使用的应用程序列表,它呈现出毫不掩饰的基于卡片的外观。不幸的是,它发生了很大的变化,还引入了。

qq_51320133的博客 1万+

从OpenClaw到Hermes Agent:AI Agent实战部署与自动化工作流构建

AI Agent(智能体)作为大语言模型(LLM)的能力延伸,其核心原理在于通过工具调用(Tool Calling)与环境交互,使模型从“对话”走向“执行”。这一技术价值在于将自然语言指令转化为具体操作,实现业务流程自动化,从而提升开发与运维效率。在应用场景上,AI Agent广泛适用于自动化运维、智能客服、数据报告生成等重复性任务处理。本文聚焦于两大热门开源框架OpenClaw与Hermes Agent,深入探讨其部署配置、技能扩展及实战联调。通过结合OpenClaw的模块化扩展能力与Hermes Age

weixin_34122810的博客 506

Android 10正式版发布,看看都有哪些新特性

谷歌在今年3月推出了Android 10.0的首个测试版,昨天,Android 10.0的正式版正式向外发布,而最先尝到新版本的自然是亲儿子Pixel手机。 新特性解读 根据Android官网的介绍,Android 10.0将聚焦于隐私可控、手机自定义与使用效率,此版本主要带来了十大新特性。 创新与新体验 可折叠 基于强大的多窗口支持,Android 10扩展了跨应用程序窗口的多任务处理,并在设...

xiangzhihong8的专栏 7万+

「API取数」FDL获取金蝶云星空的单据数据

本文介绍了如何使用FDL实现金蝶云API取数以及如何有效应对复杂的API数据处理场景。

oOBubbleX的博客 2035

为什么类型论是函数式编程的理想基础?

函数式编程(如Haskell、Scala、OCaml)以“函数为核心”“无副作用”“不可变数据”等特性著称,但它的“安全高效”并非凭空而来——背后的关键支撑是类型论。本文将聚焦“类型论如何支撑函数式编程”,从基础概念到具体案例,解释两者的本质联系。本文将按“故事引入→核心概念解释→关系拆解→原理+代码案例→实际应用→总结”的逻辑展开,用“乐高积木”“菜谱”等比喻贯穿全文,确保抽象理论可视化。类型论:程序的“接口规则手册”,定义类型和函数的约束;函数式编程。

AI天才研究院 700

谷歌官方Android镜像下载(中文站)

谷歌官方Android镜像下载(CN中文站)

qq_51273504的博客 5万+

无感健康监测的未来:毫米波雷达如何重新定义睡眠科技与居家养老

毫米波雷达技术正重新定义无感健康监测,特别是在睡眠科技与居家养老领域。通过精准监测呼吸、心率和体动,无需穿戴设备即可实现临床级精度。结合合宙Air700E开发板,构建了完整的远程看护解决方案,为老年人提供跌倒检测、异常报警等安全保障,同时保护用户隐私。

cake8的博客 571

Android版本演进史

原文链接:http://android.eoe.cn/topic/summary :在开发android应用程序前,你必须使用SDK管理器下载至少一种Android平台来编译你的程序。通常,任何修复漏洞的Android发布版本会重新发布并标注“revision”的修订号, 在下面, 你可以看到各个Android 版本以及他们修订版本的发布声明 。 :为了查看已经安装过哪些Android ...

weixin_30613433的博客 117

Gromacs基础教程一:入门建议

本系列教程针对的群体:非计算化学专业,而是偏生物方向的、有少量分子动力学模拟需求的人群。

m0_67843839的博客 8574

Python爬虫实战:爬取并分析电子商务平台用户评论数据

爬虫(Web Scraping)是指通过编写程序模拟浏览器行为,从网站中提取数据的过程。爬虫技术可以自动化地抓取网站上的信息,广泛应用于数据收集、价格监控、市场研究等多个领域。情感分析(Sentiment Analysis)是一种自然语言处理技术,用于确定文本的情感倾向。对于电子商务平台的评论数据,情感分析可以帮助商家了解消费者的反馈情绪,例如产品的好评、差评或中性评价。本文详细介绍了如何使用Python爬虫技术从电子商务平台抓取并分析用户评论数据。我们展示了如何通过requestsSelenium。

2201_76125261的博客 1178

2024年安卓最全Android 10正式版发布,看看都有哪些新特性,准备Android面试

在此为大家准备了四节优质的Android高级进阶视频:架构师项目实战——全球首批Android开发者对Android架构的见解。

2401_84545804的博客 3601

工业产线瑕疵检测:基于 YOLO 的自动化质检系统实战

从工业瑕疵数据集构建到模型训练,从桌面检测界面到产线适用性优化,本文覆盖了一套工业质检系统的完整路线。这个场景的核心评价指标不是最高精度,而是在保证 recall ≥ 0.95 的前提下尽可能压低 false positive——因为漏检的直接成本(客户投诉、质量事故)远高于误报的成本(人工复检)。部署时先设一个偏低的置信度阈值确保覆盖,再通过持续收集人工复检数据来逐步调优。

m0_71589036的博客 68

Android 11正式版发布!

Android 11今天正式发布了!新版本主要加强了聊天气泡、安全隐私、电源菜单,以及对瀑布屏、折叠屏、双屏的支持。除了谷歌自家的Pixel 手机,一加、小米、OPPO、Realme的手机用户也会在未来几天收到更新推送。 虽然最近几个版本的安卓系统变化不是很大,底层改变不多,但有一些有趣的亮点,主要在社交沟通、隐私安全和控制媒体设备这三个方面。 社交沟通 通知栏专门分割出一个部分,用以显示来自各种通讯软件的消息,可轻松地进行一站式管理。用户还可以优先安排与重要人物的对话,这样就不会错过任何重要信息。 气.

优快云资讯 2万+

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Android 10正式版发布

在美国时间9月3日,谷歌发布了Android 10正式版,经过了一年多的开发和早期使用者的数个月的测试,Android 10正式版终于发布了。 Android10的亮点 Android 10主要有三大亮点 Android 10走在移动创新技术的前沿,具有先进的机器学习技术,同时也支持新兴设备,例如折叠屏设备和5G设备。 Android 10主要提升了隐私性和安全性,使用了接近50...

chends 3万+

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

苹果秋季发布会于9月16日召开;华为搜索业务将在国内亮相;Android 11正式版发布 | 极客头条

整理 | 郑丽媛 头图 | 优快云 下载自东方 IC 「极客头条」—— 技术人员的新闻圈! 优快云 的读者朋友们早上好哇,「极客头条」来啦,快来看今天都有哪些值得我们技术人关注的重要新闻吧。 国内要闻 华为搜索业务将在国内亮相,已有百万欧洲用户 华为官网日程显示,华为搜索将在国内首次亮相,9月11日进行主题演讲。此前华为已经在海外市场率先上线搜索服务PetalSearch(花瓣搜索)以替代谷歌搜索。Petal Search是华为基于大数据、AI、NLP自然语言处理等最新技术打造的移动搜索引擎,是华为.

优快云资讯 5663

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

Android 10正式版发布,新特性来袭!

点击上方“开发者技术前线”,选择“星标”13:21 在看真爱原文链接:https://dwz.cn/FQ118EWj在美国时间9月3日,谷歌发布了Android 10正...

开发者技术前线-DevolperFront 1137

Android 11 正式版发布!

整理 | 郑丽媛出品 | 优快云(ID:优快云news)头图 | 优快云 下载自谷歌官网Android 11今天正式发布了!新版本主要加强了聊天气泡、安全隐私、电源菜单,以及对瀑布...

优快云资讯 3683

苹果雪豹操作系统正式版_Android 11 正式版发布!

整理 | 郑丽媛出品 | 优快云(ID:优快云news)头图 | 优快云 下载自谷歌官网Android 11今天正式发布了!新版本主要加强了聊天气泡、安全隐私、电源菜单,以及对瀑布屏、折叠屏、双屏的支持。除了谷歌自家的Pixel 手机,一加、小米、OPPO、Realme的手机用户也会在未来几天收到更新推送。虽然最近几个版本的安卓系统变化不是很大,底层改变不多,但有一些有趣的亮点,主...

weixin_39987847的博客 237

Android 10正式版发布,支持5G和折叠屏设备

点击上方“码农突围”,马上关注,每天早上8:50准时推送真爱,请置顶或星标原文链接:https://dwz.cn/FQ118EWj在美国时间9月3日,谷歌发布了Andro...

欢迎关注公众号:【码农突围】,回复9999,可以获取一份LeetCode刷题笔记 909

三星android11推送,三星国行S10系列正式推送One UI 3正式版,基于安卓11打造

三星国行S10系列正式推送One UI 3正式版,基于安卓11打造2021-02-04 13:56:5024点赞15收藏101评论2月4日消息,今日,三星GALAXY盖乐世官方微博宣布,国行三星Galaxy 10e、S10、S10+三款机型已正式推送基于安卓11打造的One UI 3正式版。此次的One UI 3升级计划覆盖多种机型数十款设备,升级周期持续至今年9月。目前已完成One UI 3正式...

weixin_28813803的博客 329

Android 10系统新特性解读

概述 和往年一样,将于今年5月7日举办的谷歌 I/O 19大会上谷歌将发布首版Android Q Beta系统。按照惯例,Android Q Beta并非首个开发者预览版,可能是第二或者第三版,Beta阶段更大意义在于非谷歌系的OEM品牌手机加入,便于测试和用户尝鲜。至于正式版什么时候发布,按照惯例,会在8月或者9月发布稳定的版本供用户使用。 根据目前流出的关于 Android Q 新闻,特别是随...

xiangzhihong8的专栏 1万+

Android 10 正式版本或将于 9 月 3 日推出

根据phonearena的报道,他们向两位谷歌支持团队的成员分别确认 Android 10 的发布日期,得到的答复都是 2019 年 9 月 3 日。也就是说,如果信息准确无误的话,Android 10 将在下周就会正式推出。 谷歌自家的 Pixel 手机或将成为搭载 Android 10 系统的第一批设备,包括Pixel 3/3XL、3a/3a XL,以及 Pixel2/2 XL...

寒冰屋的专栏 299

Android-10系统新特性解读

概述 和往年一样,将于今年5月7日举办的谷歌 I/O 19大会上,谷歌将发布首版Android Q(即Android 10)系统。按照惯例,Android Q Beta并非首个开发者预览版,可能是第二或者第三版,Beta阶段更大意义在于非谷歌系的OEM品牌手机加入,便于测试和用户尝鲜。至于正式版什么时候发布,按照惯例,会在8月或者9月发布稳定的版本供用户使用。 根据目前流出的关于 Android Q 新闻,特别是随着Android Q内测系统的泄露,以及对AOSP代码、System UI APK的挖掘,An

m0_57541165的博客 1001

Android 10还没适配完,Android 11又要出了?

在谷歌的内部峰会视频中出现了一页幻灯片,其中明确给出了Android 11正式版将于9月8日(周二)正式发布的消息。去年Android 10是9月3日正式上线的,这次Android11在...

音视频开发进阶 395

iphone6s发布会_资讯:苹果秋季发布会9月16日凌晨1点举办;Redmi Note 10系列细节曝光;OPPO 开启 Android 11公测版...

黑马公社为你报时,今天是2020年9月9日,周三。黑马资讯如约而至。 苹果秋季发布会于北京时间9月16日凌晨1点举办昨晚,苹果正式公布秋季发布会的时间,将于PDT时间9月15日上午10点(北京时间9月16日凌晨1点)点举办线上发布会,这也是苹果今年的第二次线上发布会,大家可以在微博、腾讯视频等平台进行观看。这次秋季发布会时间比往年稍稍晚了一些,但根据目前的传闻,这也可能是发布产...

weixin_39964391的博客 189
上一篇: 我为什么不再推荐用 RxJava
下一篇: 我用 Python 爬了点你们喜欢的电影,这些电影真的很不错
DevolperFront
博客等级 码龄8年 465粉丝 81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