使用VS开发WindowsPhone7应用同时运行两个模拟器调试

Windows Phone 7 Silverlight开发实战:XAML、模拟器与跨平台设计溯源 XAML是一种声明式UI标记语言,起源于WPF,后经Silverlight演进成为移动与跨平台开发的核心范式。其核心原理是分离界面描述与业务逻辑,依托CLR运行时和数据绑定机制实现高效渲染与响应式交互。技术价值在于提升UI可维护性、支持设计-开发协同,并为UWP、MAUI等现代框架提供架构基因。典型应用场景包括早期Windows Phone 7应用开发、混合式网页容器集成(如WebBrowser控件)、以及基于MVVM的松耦合工程实践。本文聚焦2010年WP7 CTP阶段的真实开发历程,深入解析XAML布局 阅读详情
大家知道wp7模拟器并不提供启动多个实例模拟器的功能。这给我们目前SDK7.1的网络通信调试带来了不便。那么就让我们自己手动去添加这个功能吧。

1.下载模拟器表述文件放到指定文件夹中

a)下载文件:Show Emulator.xsl(17.94 KB, 下载次数: 20)

b)把DYCOM Emulator.xsl文件放到以下文件夹中:C:\ProgramData\Microsoft\Phone Tools\CoreCon\10.0\addons

其实到这步已经完成了。就这么简单。我们可以调试需要双开模拟器的程序。

完事以后:




ps:如果你的系统是Win7的64位的,那么直接把下载的文件放入文件夹就可以了,如果是32位的请自行修改文件中C:\Program Files (x86)\Microsoft SDKs\Windows Phone\v7.1\Emulation\Images\WM70C1.en-US.bin路径。去掉(x86)。

另,文件第9行的Name值可以任意修改(Name="Show Emulator" )。

AD元件库构建及维护之——DbLib公共元件库的使用教程 AD元件库构建及维护之——DbLib元件库的使用教程 阅读详情

相关推荐

从Protocol到硬件控制:揭秘高通UEFI中ABL与XBL的协作机制

本文深入解析了高通UEFI架构中ABL与XBL的协作机制,重点探讨了Protocol通信在硬件控制中的关键作用。通过对比传统GPIO控制方式,揭示了Protocol架构在安全性、可维护性和灵活性方面的优势,并提供了关机充电场景的实战案例分析及调试技巧。

weixin_29185199的博客 431

脱离 Visual Studio 启动 VS 所支持的各种模拟器(WindowsPhone Emulator & Hololens Emulator)...

WindowsPhone 和 Hololens 模拟器都是依赖 Hyper-V 技术而搭建的,通常情况下只有通过 Visual Studio 部署对应项目才能启动模拟器。 但直接通过 Windows 自带的 Hyper-V 管理器来启动这些虚拟机却由于缺少相对应的交互式硬件,只能显示主界面而不能交互操作 相比在 Visual Studio 中调用模拟器时,通过 Hyper-V 启动...

weixin_34302798的博客 282

告别手动复制粘贴:3种高效合并Excel表格的方法对比(含代码)

本文对比了VBA、Power Query和Python三种高效合并Excel表格的方法,并提供了可直接运行的代码。针对不同数据量、更新频率和技术背景,详细分析了各方案的优缺点与适用场景,帮助读者告别低效的手动操作,实现自动化数据整合。

weixin_29057237的博客 446

windows phone7 模拟器试用

下载了windows phone7 toolkit,安装包含了wp7开发所需的vs studio 2010 express, wp sdk, silverlignt sdk等,还是挺方便的。 安装完后,打开windows phone emulator,启动很快(相对android来说)。进入wp7后,发现只有一个应用程序ie,怎么不像印象中的wp7呢,不是主屏幕有好几个tile的吗?点击右箭头,...

kanyun157的专栏 287

Xilinx XDMA IP核配置实战:AXI Memory Mapped vs Stream选型指南(附PCIe调试技巧)

本文深入解析Xilinx XDMA IP核配置中AXI Memory Mapped与AXI Stream两种DMA接口的核心区别与选型策略。针对PCIe高速数据传输场景,详细对比了二者在数据特性、延迟、硬件资源及软件复杂度上的差异,为FPGA工程师在数据采集、实时处理等项目中做出高效设计决策提供实战指南,并附有关键的PCIe调试技巧。

qsc901234的博客 585

2、MOSFET基本物理效应及其BSIM4模型解析

本文深入探讨了MOSFET的基本物理效应及其在BSIM4模型中的数学表述,涵盖门和沟道的几何结构、温度依赖性、材料模型选项、阈值电压计算、以及其他关键物理效应如LDD电阻、有限电荷厚度、有效迁移率等。同时解析了机械应力、邻近效应及布局依赖效应对MOSFET性能的影响,并通过参数表和建模流程提供了精确建模的指导,旨在帮助读者优化MOSFET器件性能与可靠性。

purple的博客 566

vs2005+WinCE模拟器+ActiveSync调试WinCE程序

一、WinCE 模拟器通过ActiveSync 6.1(即Windows Mobile设备中心)连接PC 1.启动WinCE模拟器 命令行: start .\DeviceEmulator.exe WINCE镜像\Wince5.bin /memsize 256 /video 480x272x16 /sharedfolder .\模拟卡 2.设置ActiveSync 3.模拟器插...

weixin_34346099的博客 481

基于 STM32 的智慧图书馆智能控制系统设计与实现

智慧图书馆智能控制系统集成环境调控、安全监控、借阅管理与信息推送功能,通过 STM32 主控芯片联动传感器、执行器及云平台,实现图书馆智能化管理。系统架构分为感知层(传感器)、控制层(STM32 主控)、执行层(继电器 / 显示屏)及云端层(数据交互),支持温度自动调节、灯光自控、火情安防监控、天气推送及 RFID 借还书管理。本系统通过 STM32 实现多传感器融合与设备控制,结合 RFID 与云平台技术,构建了集环境智能调控、安全监控、便捷借阅于一体的智慧图书馆解决方案。

weixin_42300449的博客 2211

用真机进行调试VS2013开发的windowsPhone app

为了鼓捣WP的应用,装了双系统,不料新的win8.1系统运行的时候,我的锐捷总是报错,需要禁用我的虚拟网卡。开玩笑,禁用了还怎么用模拟器。但是没找到合适的解决方案,所以只好研究一下怎么弄到真机上进行调试。网上是有教程的,但是不是很多,而且作为菜鸟看不是很懂,所以自己特意按照自己的理解方式再费笔墨进行记录。   不确定各个人的硬件情况。所以从头开始说,哪一步开始有问题的可以跳着看。   1. 电

心之忧矣 不歌何为 2675

第1章第11节:创建可容纳多行滚动文字的输入框TextEditor [SwiftUI快速入门到实战]

TextField可以让用户输入单行的文字内容,若想输入多行的文字内容,可以使用能够容纳多行滚动文字的 TextEditor。 定义一个字符串属性,用来存储用户输入的文字内容。接着定义一个布尔属性,用来标识是否弹出警告窗口,以显示用户输入的内容。 TextEditor是由UIKit中的UITextView演变而来,因此可以在init方法中,通过UITextView修改TextEditor的外观属性。 添加一个VStack视图,作为子视图的容器。 创建一个TextEditor,Te..

互动教程网[www.hdjc8.com] 832

深度剖析:Spring AI 与 LangChain4j,谁才是 Java 程序员的 AI 开发利器?

首先介绍 AI 时代 Java 开发框架选择背景,接着对比两者功能特性(Spring AI 的生态集成与标准化设计、LangChain4j 的多模型适配与提示工程)、应用场景(企业级系统改造与创新产品开发)、开发体验(学习成本与调试工具)、生态扩展(Spring 商业支持与 LangChain4j 开源社区)、性能安全(企业级优化与自主安全实现)及成本趋势(短期投入、长期回报与技术演进),最后给出选型建议与混合架构方案。

博客 5446

WindowsPhone7真机部署和调试程序

请各位注意,本篇不是技术主题,仅仅是展示有关Silverlgiht程序移植到WindowsPhone7真机上的效果,这次移植的是深蓝色右手的最新教程Lesson12.1,其中提供了展示材料:照片和视频,但没有提供有关的代码和技术细节,如果你有兴趣,我们在后面研讨,感谢你的关注:) 非常感谢猪笨无罪提供的WindowsPhone7解锁文章,要不是老弟这个好方法,我还纠结在APPHUB的开发人员...

weixin_34191845的博客 74

交通仿真软件:SUMO_(1).SUMO基础知识

SUMO 中的交通网络由节点(junctions)和边(edges)组成。节点表示交叉口或路网的连接点,边表示连接节点之间的道路。节点:节点文件(.nod.xml)定义了网络中的所有节点。每个节点有一个唯一的 ID 和坐标。</边:边文件(.edg.xml)定义了连接节点的边。每个边有一个唯一的 ID、起点节点 ID 和终点节点 ID。</车辆文件(.vtype.xml)定义了不同类型的车辆。每个车辆类型可以有不同的参数,例如长度、最大速度、加速度等。</

kkchenjj的博客 1433

Windows Phone 7 开发环境搭建

WP7安装包名称介绍 VS升级包名称:VS2010SP1dvd1.exe SDK模拟器名称:WPSDKv71_chs1.exe 或 在线安装包名称:vm_web2.exe 美工设计名称:ExpressionStudio_UltimateTrial_zh-Hans.exe Windows Phone 7 开发环境搭建介绍 本文通过step by step的模式讲述如何从0开...

优快云1332531529的博客 293

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

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

关于WindowsPhone7的内存问题,90MB

关于WindowsPhone7的内存问题,90MB 最近关注的WP7比较多,众所周知所有的移动终端设备几乎对内存都有着令人发指的要求,而我所开发的领域——游戏,却是对内存要求非常高,一组几百人的用户数据字节数可能还没一张图片字节数多,而近期我的一些游戏作品也在探讨有关内存的优化等问题,最近WP7的lumia 610悄然加入到Apphub...

weixin_34185320的博客 100

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")

Vue组件销毁指南:定时器、事件监听与内存泄漏清理实践

在现代化前端开发中,组件生命周期管理是影响应用稳定性与内存性能的重要基础。无论是Vue 2的beforeDestroy还是Vue 3的unmounted,都承担着实例销毁前的最终清理职责。理解组件销毁原理,能帮助开发者有效避免定时器残留、全局事件监听未移除、数据订阅泄漏等常见问题。围绕Vue实例卸载流程,解析销毁钩子的触发时机与清理策略,并结合轮询组件、事件绑定等真实场景,展示如何通过规范的生命周期管理杜绝内存泄漏,保障长页面应用的流畅体验。

weixin_34187862的博客 325

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

WindowsPhone8 应用开发学习笔记(一)

最近接到wp8开发项目:

Joy58061678的专栏 1265

WindowsPhone8.1RT建立空白应用挂起没反应的解决方案

wp8.1下, 建立空白应用后遇到的问题:想要实现保存、提取数据都无法成功 在退出程序后无法进入到OnNavigatedFrom()中去。 网上说要手动的InvokeOnSuspending事件. -------------------简陋的分割线----------------------------- 后来了解到在空白应用里缺少SuspensionManager.cs以及...

anxuexie4674的博客 132

Windows Phone开发学习之三——建立第一个WP7项目

欲使用 Visual Studio 2010 Express for Windows Phone 建立 Windows Phone 7 应用程序,您可以启动 Visual Studio 2010 Express for Windows Phone,执行 [File | New Project] 功能,屏幕上就会出现如图1 的画面,于左方窗口的 [Visual C#] 项目下可以看到 Visual

gdddww的专栏 1323

.NET平台开发Windows Phone 7、iPhone及Android应用

编者按:在Windows Phone 7发布之后,移动开发领域除iPhone和Android之外季军即 将明朗,越来越多的开发者开始向Windows Phone 7平台转移。本文为著名开发者赵劼为InfoQ撰写的一篇文章,详实记录了在近日举办的Modern .NET DDD Conference会议上,著名开发者Chris Hardy在他的演讲中展示了如何基于.NET/C#,开发面向Wi...

weixin_30810239的博客 117

Windows Phone 7 模拟器外观下载——Nokia Lumia 800

一、更改Windows Phone 模拟器外观 1、下载需要的外观2、打开 C:\Program Files\Microsoft XDE\1.0 目录3、备份3个png图片以及WM7_Skin.xml文件。(可以直接压缩备份到目录上)4、删除刚备份的文件5、将下载的文件解压到该目录上6、以后,调试、运行Windows Phone7、 模拟器就可以拥有不错的手机外观了 二、更改Vi...

weixin_30664051的博客 156
上一篇: 在Visual studio2010中文版中集成Windows Phone 7
下一篇: WP7学习笔记
Flashcom
博客等级 码龄22年 24粉丝 2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