Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端(3)

Python实例:微信-第二章(多次发送) 第一章已经实现Python接入微信自动发送一段话这一章要实现的是较为复杂的效果。 阅读详情

现在我们可以先通过 Python 来启动一下微信,代码实现如下:

desired_caps = {
“platformName”: “Android”,  # 操作系统
“deviceName”: “emulator-5554”,  # 设备 ID
“platformVersion”: “6.0.1”,  # 设备版本号
“appPackage”: “com.tencent.mm”,  # app 包名
“appActivity”: “com.tencent.mm.ui.LauncherUI”,  # app 启动时主 Activity
‘noReset’: True,  # 是否保留 session 信息,可以避免重新登录
‘unicodeKeyboard’: True,  # 使用 unicodeKeyboard 的编码方式来发送字符串
‘resetKeyboard’: True  # 将键盘给隐藏起来
}
driver = webdriver.Remote(‘http://127.0.0.1:4723/wd/hub’, desired_caps)

执行上述代码之后,如果发现 mumu 模拟器中的微信已经启动了,就说明基本环境已经调通了;如果执行代码后发现调不到 mumu 模拟器中的微信,先在 cmd 中执行一下 adb connect 127.0.0.1:7555 命令,再执行程序即可。

添加好友

我们先来使用 Appium 实现添加好友的操作,基本过程为:打开微信->点击⊕->选择添加朋友->在搜索框输入微信号->点击搜索->点击添加到通讯录,功能的代码实现如下:

desired_caps = {
“platformName”: “Android”,  # 操作系统
“deviceName”: “emulator-5554”,  # 设备 ID
“platformVersion”: “6.0.1”,  # 设备版本号
“appPackage”: “com.tencent.mm”,  # app 包名
“appActivity”: “com.tencent.mm.ui.LauncherUI”,  # app 启动时主 Activity
‘noReset’: True,  # 是否保留 session 信息,可以避免重新登录
‘unicodeKeyboard’: True,  # 使用 unicodeKeyboard 的编码方式来发送字符串
‘resetKeyboard’: True  # 将键盘给隐藏起来
}
driver = webdriver.Remote(‘http://127.0.0.1:4723/wd/hub’, desired_caps)
time.sleep(10)
print(‘点击+号’)
driver.find_element_by_id(‘com.tencent.mm:id/ef9’).click()
time.sleep(5)
print(‘选择添加朋友’)
driver.find_elements_by_id(‘com.tencent.mm:id/gam’)[1].click()
time.sleep(5)
print(‘点击搜索框’)
driver.find_element_by_id(‘com.tencent.mm:id/fcn’).click()
time.sleep(5)
print(‘在搜索框输入微信号’)
driver.find_element_by_id(‘com.tencent.mm:id/bhn’).send_keys(‘ityard’)
time.sleep(3)
print(‘点击搜索’)
driver.find_element_by_id(‘com.tencent.mm:id/ga1’).click()
time.sleep(3)
print(‘点击添加到通讯录’)
driver.find_element_by_id(‘com.tencent.mm:id/g6f’).click()

简单说一下,在代码中我们通过 driver.find_element_by_id('com.tencent.mm:id/xx') 来获取微信上的元素,如果有重复的,则可以使用 driver.find_elements_by_id('com.tencent.mm:id/xx')[n] 来取,通过 send_keys('xx') 实现信息的输入,通过 click() 实现点击操作。

上面我们说了通过 find_element(s)_by_id('com.tencent.mm:id/xx') 来获取元素,那么如何来确定 xx 呢?下面来一起看一下。

首先我们点击 Appium 中的放大镜位置,如下图所示:

图片

点击之后会进到如下界面:

图片

我们在图中所需功能下方将代码中的 desired_caps 信息配置进去,配置好后点击启动会话按钮,启动之后我们会发现 Appium 中与 mumu 中的微信效果不一致,如下图所示:

图片

此时只需点击一下上图中红框圈起来的刷新按钮即可,现在我们就可以确定元素的值了(也就是上面说的 xx),比如:我们来确定微信中添加位置 ⊕ 的值,用鼠标点击 ⊕ 即可查看,如下图所示:

图片

我们接着点击 ⊕,操作步骤为:先到 mumu 模拟器中点击微信中的 ⊕,如下图所示:

图片

点击之后再到 Appium 中点击刷新按钮,如下图所示:

图片

从图中我们可以看列表中每个选项的值都是 com.tencent.mm:id/gam,此时代码中我们就是用的 driver.find_elements_by_id('com.tencent.mm:id/gam')[1] 来取的,通过上面的介绍相信大家对 Appium 的使用已经基本了解了。

发送消息

发送消息我们模拟的基本流程是:打开微信->点击搜索的放大镜->在搜索框输入好友昵称->点击搜索到的好友->发送文字+表情,代码实现如下:

desired_caps = {
“platformName”: “Android”,  # 操作系统
“deviceName”: “emulator-5554”,  # 设备 ID
“platformVersion”: “6.0.1”,  # 设备版本号
“appPackage”: “com.tencent.mm”,  # app 包名
“appActivity”: “com.tencent.mm.ui.LauncherUI”,  # app 启动时主 Activity
‘noReset’: True,  # 是否保留 session 信息,可以避免重新登录
‘unicodeKeyboard’: True,  # 使用 unicodeKeyboard 的编码方式来发送字符串
‘resetKeyboard’: True  # 将键盘给隐藏起来
}
driver = webdriver.Remote(‘http://127.0.0.1:4723/wd/hub’, desired_caps)
time.sleep(10)
print(‘点击微信搜索框’)
driver.find_element_by_id(‘com.tencent.mm:id/f8y’).click()
time.sleep(10)
print(‘在搜索框输入搜索信息’)
driver.find_element_by_id(‘com.tencent.mm:id/bhn’).send_keys(‘Python小二’)
time.sleep(3)
print(‘点击搜索到的好友’)
driver.find_element_by_id(‘com.tencent.mm:id/tm’).click()
time.sleep(3)
# 输入文字
driver.find_element_by_id(‘com.tencent.mm:id/al_’).send_keys(‘hello’)
time.sleep(3)
# 输入表情
driver.find_element_by_id(‘com.tencent.mm:id/anz’).click()

自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数软件测试工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年软件测试全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
img
img
img
img
img

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上软件测试开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以添加V获取:vip1024b (备注软件测试)
img

一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

ip1024b (备注软件测试)**
[外链图片转存中…(img-UsRDsve7-1712693802981)]

一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

Python + Appium 自动化操作微信入门看这一篇就够了 简介 Appium 是一个开源的自动化测试工具,支持 Android、iOS 平台上的原生应用,支持 Java、Python、PHP 等多种语言。 Appium 封装了 Selenium,能够为用户提供所有常见的 JSON 格式的 Selenium 命令以及额外的移动设备相关的控制命令,比如:多点触控手势、屏幕朝向等。 很多人学习python,不知道从何学起。 很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手。 很多已经做案例的人,却不知道如何去学习更加高深的知识。 那么针对这三类 阅读详情

相关推荐

Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端

下载地址:,也可在文末直接获取配置环境变量:下载地址:,也可在文末直接获取安装 Python 库:Appium 安装完成启动后,点击编辑配置,配置 JDK 和 android-sdk,如图所示:下载地址:,也可在文末直接获取mumu 模拟器下载完后,除了根据自己需要更改一下安装路径,其他选项默认即可安装,装完后打开点击,搜一下微信,搜到之后安装一下,微信安装完成后再用自己的微信号登录一下。因为我们是通过安卓的 连接虚拟机的,因此需要在控制台执行 命令,让 连接上虚拟机。执行了上面连接模拟器的命令后,我

2401_89312051的博客 1468

2025年最新的Python操控微信教程

自从微信禁止网页版登陆之后,itchat库实现的功能也就都不能用了,那现在Python还能操作微信吗?答案是可以!在Github上有一个项目叫可以使用对微信进行操控。简单来说,它是通过逆向PC端微信来实现对微信的操控,使用Python封装后调用更加简单!...

weixin_44678558的博客 17万+

python3.6+Appium实现手机微信自动回复

一、环境准备 1、jdk1.8.0 2、android-sdk_r24.4.1-windows.zip 3、Python3.6 4、Appium-Server-GUI-windows-1.22.0.zip 5、Appium-Python-Client 二、Appium框架原理 Appium基本原理为 Appium加载过程为 三、 1、在appium目录双击Appium Server GUI.exe先启动服务器,点击编辑配置,填入SDK和jdk根目录,保存后启动服务器。 进入服务器.

记录软件测试过程中遇到的问题 3387

使用Python打造微信高效自动化操作教程

通过本文的介绍,我们了解了PyAutoGUI和Pyperclip这两个强大的Python库,并学会了它们的基本使用方法。这两个库的应用远不止于本文所涉及的内容,读者可以根据实际需求深入学习,进一步探索它们的更多功能和应用场景。相信通过不断学习和实践,我们能够更好地利用自动化操作提升工作和学习的效率,实现更多惊人的功能与创意。让我们一起打造高效自动化操作的未来吧!

qq_27595745的博客 6342

【Python】通过第三方库wxauto自动化操作微信电脑客户端

wxauto框架执行报错LookupError: Find Control Timeout(10s): {Name: '输入', ControlType: EditContr

墩墩分墩 1万+

AI数字人短视频数字人口播数字人分身建模流程全解析

在人工智能与计算机图形学蓬勃发展的当下,数字人建模作为打造虚拟数字人的核心环节,其流程复杂且精妙,融合了多种前沿技术与创意构思,为栩栩如生的数字人形象奠定基石。​。

2403_87518095的博客 1451

Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端(2)

ip1024b (备注软件测试)**[外链图片转存中…(img-015M73cr-1712693772808)]

code8889的博客 1052

Anolis龙蜥内核升级实战:从查询到配置的全流程指南

本文提供了一份详尽的Anolis龙蜥操作系统内核升级实战指南。文章从升级的必要性出发,逐步讲解了升级前的系统检查与备份、从官方源获取正确内核包、分步安装与验证、配置默认启动项以及升级后的功能验证与安全回滚方案。旨在帮助运维人员安全、平稳地完成内核升级,以获取性能提升、新硬件支持及重要的安全漏洞修复。

qq_27496129的博客 572

Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端(1)

ip1024b (备注软件测试)**[外链图片转存中…(img-IcyiaIsF-1712693742615)]

code8889的博客 836

避坑指南:ZYNQ MPSOC QSPI固化时MT25QU256闪存的特殊配置

本文针对Xilinx ZYNQ UltraScale+ MPSoC平台,详细解析了使用Vitis工具将BOOT.bin固化至Micron MT25QU256ABA QSPI NOR Flash时的特殊配置与避坑指南。重点阐述了Init文件的真实作用、电压与频率的精确匹配策略,以及针对该闪存型号的初始化序列,帮助工程师解决烧录失败、启动异常等常见问题,确保系统可靠启动。

weixin_29175469的博客 272

AI辅助游戏开发实战:Kimi K3提升Unity开发效率与代码质量

在游戏开发领域,有限状态机(FSM)是构建角色AI行为逻辑的核心设计模式,它通过定义明确的状态和转换条件,使游戏实体能够智能地响应环境变化。其原理在于将复杂的行为分解为离散的状态节点,并通过事件驱动状态切换,从而实现清晰、可维护的AI架构。这项技术的价值在于显著提升了游戏角色的行为真实感和开发效率,被广泛应用于NPC行为控制、角色动画管理、UI流程等场景。随着AI编程助手的兴起,开发者现在可以借助如Kimi K3这类工具,通过自然语言指令快速生成和优化FSM等复杂系统的代码框架,将更多精力投入到核心玩法与性

weixin_30430677的博客 411

使用 Appium 抓取手机 app 微信朋友圈

使用 Appium 抓取手机 app 微信朋友圈

freeking101的博客 2万+

专栏丨华为HN8145XR光猫获取超级管理员密码

摘要:本文详细介绍了华为HN8145xr光猫获取超级管理员权限的完整步骤。首先通过ONT使能工具补全shell,然后利用Telnet登录光猫后台进行操作。文章提供了多种获取超级密码的方法,包括配置文件解密、一键查询工具等,并针对联通光猫特别说明了默认密码格式(CUAdmin+后八位数字)。此外,还介绍了恢复出厂设置、修改SSID等实用操作,帮助用户完全掌控光猫设备。文末附有详细的命令行操作指南,适合有一定技术基础的用户参考。

8306

Python + Appium 自动化操作微信入门看这一篇就够了!

Appium 是一个开源的自动化测试工具,支持 Android、iOS 平台上的原生应用,支持 Java、Python、PHP 等多种语言。Appium 封装了 Selenium,能够为用户提供所有常见的 JSON 格式的 Selenium 命令以及额外的移动设备相关的控制命令,比如:多点触控手势、屏幕朝向等。

2301_77709772的博客 511

Cursor赋能Qt C++:从环境配置到项目构建的AI开发新范式

本文详细介绍了如何利用Cursor工具链提升Qt C++开发效率,从智能环境配置到CMake项目构建的全流程实践。通过AI辅助编程、Qt生态优化及高级调试技巧,开发者可快速完成从传统开发到AI驱动的新范式转换,显著缩短项目搭建时间并提升代码质量。

weixin_30329623的博客 548

uniapp微信小程序 - 详解map地图markers图标不显示问题,自定义图标真机调试不显示变成默认marker标记点图标(解决微信小程序map组件markers自定义图标失效,兼容安卓苹果手机)

uniapp微信小程序 map地图markers图标不显示,markers图标真机调试不显示,uniapp map地图显示图标markers问题,自定义图标不显示,添加marker后不显示,uniapp 微信小程序 map marker图标不显示如何解决,uniapp小程序地图的marker图标不显示问题,微信小程序map组件markers自定义图标真机显示问题,uni-app, 微信小程序, map组件, markers图标不显示, 真机调试, 微信小程序map组件,地图加载后marker标记点ios设备

🏆 前端领域优质创作者 2917

手机APP自动化 Appium教程

Appium原理与安装 Appium 是一个移动 App (手机应用)自动化工具。 手机APP 自动化有什么用? 自动化完成一些重复性的任务 比如微信客服机器人 爬虫 自动化测试 Appium 自动化方案的特点: 开源免费 支持多个平台 支持多种类型的自动化 支持多种编程语言 自动化原理 我们先来看一下Appium自动化的原理图 这图是不是很眼熟? 对啦,和Selenium 原理图很像。因为 Appium自动化架构就是借鉴的Selenium。 大家看看这幅图, 包含了 3个主体部分 : 自动化程序

乎你的博客 31万+

【中国大学生计算机设计大赛信息可视化赛道】国奖项目深入剖析—中国古代奇异怪兽移动端可视化应用项目

【中国大学生计算机设计大赛信息可视化赛道】国奖项目深入剖析—中国古代奇异怪兽移动端可视化应用项目 注:本文主要目的是对于往年国奖项目案例-可视化项目的深入剖析讲解,对源码、项目特点、要点、特色继续深入分析。帮助大家学习技术,掌握规律。

一键难忘的博客 3731

Python + Appium 自动化操作微信入门看这一篇就够了!

简介 Appium 是一个开源的自动化测试工具,支持 Android、iOS 平台上的原生应用,支持 Java、Python、PHP 等多种语言。 Appium 封装了 Selenium,能够为用户提供所有常见的 JSON 格式的 Selenium 命令以及额外的移动设备相关的控制命令,比如:多点触控手势、屏幕朝向等。 环境 本文主要环境如下: Win7 JDK1.8 Appium Python3.7 android-sdk mumu 模拟器 JDK 下载地址: https://www.o

pythonlaodi的博客 320

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")

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。

Python与Appium实现自动化测试_python3 appium webdriver

中文设置除了简单设置,还有一些高级设置,我们可以看一下保存了可以查看预设,方便以后使用编辑配置是进入修改环境变量主机和端口号不需要设置,直接可以开启服务器开启后,可以看到服务器运行中,右边三个按钮的功能分别是启动检查器会话,获取原始日志,停止运行服务器点击后自动经记事本打开,如果安装了其他编辑软件,可以选择打开方式服务开启后,就可以使用python来进行客户端来连接服务。

2501_90253379的博客 818

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Python+Appium自动化完整教程

本文旨在引导初学者逐步搭建起一套完整的Appium自动化测试环境,并通过具体的示例代码来演示自动化测试脚本的编写过程。JDKPYTHON网易MuMu模拟器Appium服务Appium客户端本文向大家介绍了以上各个环境的作用及其安装与使用方法。Appium。

cz285933169的专栏 3991

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Python+Appium实现微信自动化:从环境搭建到实战操作详解

移动端自动化测试是软件工程中提升测试效率和覆盖面的关键技术,其核心原理是通过脚本模拟用户对移动设备界面的操作。Appium作为主流的开源框架,基于WebDriver协议,实现了对Android和iOS应用的跨平台自动化控制,为UI测试和业务流程自动化提供了强大支持。在工程实践中,结合Python简洁的语法和丰富的生态,可以快速构建稳定、灵活的自动化脚本,广泛应用于社交应用管理、批量消息处理等场景。本文聚焦于微信自动化操作,详细解析了如何利用Appium-Python-Client进行元素定位、模拟点击和输入

weixin_30907935的博客 406
上一篇: Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端(2)
下一篇: Python + Appium 自动化操作微信入门看这一篇就够了!_python操作微信客户端
普通网友
博客等级 码龄5年 4697粉丝 610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