墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
874平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
最近做了很多移动端项目，从ionic1 到ionic2 到 react native，再到微信项目 ，其中不乏踩了很多坑。很多问题都在他人的博客，相关论坛，github， 和 stackoverflow 得到了解决。但是别人的总归是别人的，如果长时间不用，自己早晚有一天会忘记，所以从现在开始，开始梳理一些经验了。
这篇博客是我的移动端总结开篇宣言，防止自己偷懒或者忘记。
从去年开始的每一天都很忙碌，但忙碌不是借口，时间是靠挤出来的。
最近在准备考研，明知考研路上艰辛漫漫，但这终将是我必走之路。
最后送给自己一句话：
The difference between ordinary and extraordinary is this little ‘extra’.
普通和非凡之间的区别便是这小小的"额外"努力。
React | React Native
Angular | Ionic
Vue | Weex
H5+搭建移动端应用
1. H5+搭建移动端应用 前两篇介绍了全栈系统里面后台和前端： 后台篇：Flask搭建后台 前端篇：Vue2.0搭建PC前端 项目线上地址：项目访问链接，账号：general 密码：general 今天讲述搭建全栈系统里面的移动端。本文讲述用Vue2.0 + mint-ui创建一个移动端APP，这属于全栈系统中的移动端，项目包含以下内容： 入口页面：定义登录页面和路由跳转 登录页面：实现系统登录功能 业务页面：写了两个业务页面1.> three.js加载gltf格式3D模型；2.> ech
简述pc端应用、webapp、 移动端应用的区别
Web App。
AI移动端应用举例
受到华为AI竞赛的启发，调研了一下近期的AI移动端应用，发现已经出现了以下有趣的应用 1、smart reply(智能回复) 模型能够在输入会话聊天信息时生成回复建议，通过有效的推理，可以很容易地插入到聊天应用程序中，从而为设备上会话智能提供动力。由谷歌发布的一个基于TensorFlow Lite驱动的自然语言应用程序的示例。 2、文档检测校正 模型实现对文档翻拍过程的辅助增强功能，自动识别图片中...
移动端实时音视频直播技术详解（一）：开篇
移动端实时音视频直播技术详解（一）：开篇 1、引言 随着互联网用户消费内容和交互方式的升级，支撑这些内容和交互方式的基础设施也正在悄悄发生变革。手机设备拍摄视频能力和网络的升级催生了大家对视频直播领域的关注，吸引了很多互联网创业者或者成熟企业进入该领域。 本文由七牛云技术团队原创分享，结合实时流网络 LiveNet 和直播云解决方案的实践，将用七篇文章，更系统化地介绍当下大热的视频直播各环节...
协程在移动端单元测试中的应用
本文旨在帮助移动端开发者理解协程在单元测试中的应用价值，掌握使用协程编写高效、可靠单元测试的技术。内容涵盖从基础概念到高级技巧，适用于Android和跨平台移动开发。首先介绍协程核心概念及其在测试中的优势然后深入分析协程测试的实现原理接着通过实际案例展示应用场景最后讨论高级技巧和未来发展趋势协程(Coroutine): 轻量级线程，可在不阻塞线程的情况下挂起和恢复执行单元测试(Unit Test): 验证单个代码单元(函数/方法)行为的自动化测试测试隔离(Test Isolation)
React.js在前端移动端开发中的应用
React核心特性在移动端的适配React Native框架的深度解析移动端性能优化策略实际项目开发经验分享核心概念：React的移动端适配原理技术实现：React Native深度解析实战案例：完整项目开发流程优化策略：移动端性能调优未来展望：React在移动端的发展趋势React.js：用于构建用户界面的JavaScript库：基于React的移动应用开发框架JSX：JavaScript语法扩展，允许在JS中写HTML-like代码。
java在移动端的应用有哪些
Java在移动端的应用有哪些 作为一名经验丰富的开发者，我将会教你如何实现Java在移动端的应用。首先，让我们来看一下整个流程： 步骤 操作 1 学习Java语言基础知识 2 了解移动端开发框架 3 下载并安装Android Studio 4 创建一个新的Android项目 5 编写Java代...
WebAssembly在移动端的应用
作者：禅与计算机程序设计艺术 1.简介 WebAssembly，中文名称为'星际二进制码'，是一种可移植、体积小、加载快的高效的运行环境，可以安全地运行在现代Web浏览器、服务器、智能手机、路由器等设备上。它是一个开源的规范，由Mozilla基金会主导，其目标是在多个平台、CPU架构之间
移动端事件及事件应用
目录1.移动端事件基础 2.移动端常用的事件库 3.移动端轮播图css样式和响应 4.移动端轮播图图片延迟加载1.移动端事件基础PC端常用事件 事件名 作用 click 当鼠标点击时触发 mouseover 当鼠标指针移动到元素上时触发 mouseout 当鼠标指针移出元素时触发 mouseenter 当鼠标指针移动到元素上时触发（不支持冒泡） mou
Less在移动端开发中的应用技巧
本文旨在为前端开发者提供一套完整的Less在移动端开发中的应用指南，涵盖从基础语法到高级技巧的全方位知识。我们将重点探讨Less如何解决移动端开发中的特定挑战，如多设备适配、性能优化和代码维护等问题。文章首先介绍Less的核心概念，然后深入探讨在移动端环境下的特殊应用技巧，接着通过实际案例展示具体实现方式，最后讨论相关工具和未来发展趋势。Less：一种CSS预处理器，扩展了CSS语言，增加了变量、混合(mixin)、函数等功能移动端适配：使网页在不同尺寸的移动设备上都能正常显示的开发技术响应式设计。
SVG手势交互在移动端的高级应用
通过本章内容，我们已经理解了SVG手势拖动技术的核心原理，并学习了如何在实践中实现流畅的拖动交互。下一章我们将进一步探索SVG手势缩放技术，发现如何在移动端实现双指缩放以及如何优化缩放动画以提升用户体验。
使用 Vant 快速构建高质量的移动端应用
在移动端开发中，UI 组件库是提升开发效率、保证界面一致性的重要工具。Vant 是一款由有赞团队开源的轻量级移动端 Vue 组件库，专为移动端场景设计，提供了丰富的组件和灵活的定制能力。无论是开发电商应用、后台管理系统，还是其他类型的移动端项目，Vant 都能帮助开发者快速构建高质量的界面。
航天仿真必看：如何用SOFA库实现高精度GCRS-ITRS坐标转换？避坑指南
本文深入解析了航天仿真中高精度GCRS-ITRS坐标转换的关键技术，重点介绍了SOFA库在天球系与轨道系转换中的权威应用。通过对比传统方法的误差来源，详细阐述了SOFA库的转换算法优势、工程实现步骤及误差控制策略，为航天器轨道仿真提供毫米级精度的解决方案。
h5应用如何适配移动端(干货总结)
H5应用的开发是前端必备技能,h5适配移动端也是业务常见的场景,如何进行必要的适配,今天做一个比较全面的总结。
Rstan下载安装攻略
准备把Rtools删掉，重新下载（胡乱猜测是安装顺序的问题），但是卸载时显示Rtools被占用，但我已经把该关的都关了。这一问题的出现，直接让我卸载掉了Rstudio，又重新安装了一个，不过这次安装在另一个磁盘，因为原来的内存不多了。或者参考知乎，使用清华镜像网址进行下载：（知乎链接）https://zhuanlan.zhihu.com/p/346947595（清华下载链接）https://mirrors.tuna.tsinghua.edu.cn/CRAN/bin/windows/Rtools/
Multisim电路仿真与实验：包含连续时间系统的模拟、周期信号频谱分析、组合逻辑电路：竞争冒险、数字锁
这些实际系统可以是电的或非电的物理量系统，也可以是经济、军事等非物理量系统。矩形周期信号的幅度和周期保持不变，随着占空比的增加（即脉宽加大），主峰高度越高，主峰宽度越窄，各谱线间隔越窄，主峰包含的谱线数量越少，有效频带宽度越窄，主峰内高次谐波分量越少。输入信号所经路径不同而引起的冒险现象，按短暂尖峰极性的不同，可将冒险分为“0-1-0”型险象（也称“1”型）和“1-0-1”型险象（也称“0”型）理想的正弦波的幅度谱包含1条谱线，证明其只有基频分量，而无谐波分量，如果能测出谐波分量，说明该正弦波已有失真。
移动端应用订阅SDK接入攻略
移动端应用订阅SDK接入指南
【20】方案管理器
方案管理器是Excel中一个非常强大且灵活的工具，适合用于多情景分析和比较。在复杂的决策过程中，它可以帮助用户快速管理和评估不同变量组合下的结果，从而优化决策过程。
可视化设计理念在移动端生产场景中的创新应用
移动端可视化设计是现代生产管理中不可或缺的一部分。通过简洁明了的风格、响应式布局、创新的交互设计和轻量化展示，我们可以打造高效、便捷的移动端可视化应用，满足现代生产场景中“随时随地”的需求。虽然移动端可视化设计存在一些限制，但只要我们充分发挥移动端的优势，优化设计和交互，就能让可视化设计在移动端大放异彩。
华为OD机考双机位C卷 - 打印机队列 （Java & Python& JS & C/C++ & GO ）
华为OD机考双机位C卷 - 打印机队列
用C#+Avalonia写跨平台串口工具：Windows/macOS/Linux通吃，还能解析Modbus+画实时曲线
不管是串口还是蓝牙，核心操作都是“打开连接、发数据、收数据、关连接”，先定义一个// 通信设备接口：统一串口/蓝牙的操作// 连接状态变化事件（UI层订阅）// 接收数据事件（收到数据后触发）// 通信配置（不同设备配置不同，用泛型）// 通信设备接口：统一串口/蓝牙的操作 public interface ICommDevice : IDisposable {// 连接状态变化事件（UI层订阅） event Action < bool > OnConnectionChanged;
Vue2开发移动端的模板：为移动端应用开发加速
Vue2开发移动端的模板：为移动端应用开发加速 【下载地址】Vue2开发移动端的模板 这是一个专为Vue2开发者打造的移动端应用模板，帮助您快速搭建高效、灵活的移动端项目。基于Vue2框架，模板内置了丰富的组件库，支持常见的移动端手势操作，并具备良好的屏幕适配能力，确保在不同设备上都能提供流畅的用户体验。通过灵活的布局设...
2026年VIVO嵌入式岗位高频面试题（含参考答案）
摘要：VIVO嵌入式岗位考核涵盖智能手机、IoT设备、芯片适配等方向，重点考察硬件底层交互、RTOS/Linux开发、C/C++功底与问题排查能力。题目按优先级排序，分硬件架构、RTOS、C/C++、数据结构、Linux实践、行业认知6大模块，共40道题。硬件部分涉及中断、ARM架构、加速技术、BSP开发等；RTOS部分区分硬/软实时系统；C/C++部分侧重内存管理、位操作；Linux部分考察常用命令；行业部分关注鸿蒙等系统理念。题目设计贴合实际工作场景，全面评估嵌入式开发能力。
移动端应用类型及特点
一、移动端应用类型 移动端应用细分为三大类：WebApp、Native App 和 Hybrid App 二、WebApp、Native App 和 Hybrid App三类移动应用的特点 1.Web App （1）Web App 指的是移动端的 Web 浏览器，其实和 PC 端的 Web 浏览器没有任何区别，只不过 Web 浏览器所依附的操作系统不再是 Windows 和 Linux 了，而是 iOS 和 Android （2）WebApp 采用的技术主要是，传统的 HTML、Ja...
微信小程序——01开发前的准备和开发工具
微信小程序——01开发前的准备和开发工具
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');```[](https://bitdeli.com/free "Bitdeli Badge")
移动端应用市场
移动端应用上架 目前移动端应用市场分为两个阵营，iOS和Android。 iOS iOS应用上架只能上传苹果公司自家的App Store，iPhone用户可以通过App Store下载使用。 Android Android国内的生态比较复杂，目前分为手机厂商应用商店（应用市场）和第三方手机应用商店； 手机厂商自带应用商店 手机厂商中声量比较大的有四家，分别是华为，小米，OPPO，vivo。 华为(huwei)：huwei AppGallery Connect，发布后可以在华为品牌手机和荣耀品牌手机自带的“应
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，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7566
扫一扫
