(一)MyBlock

【uniapp】[Vue warn]: Invalid component name: “.-pages-Myblock-uni_myMessage“. Component names should uniapp页面报错[Vue warn]: Invalid component name: ".-pages-Myblock-uni_myMessage". Component names should conform to valid custom element name in html5 specification. 阅读详情
  1. 准备工作
    新建文档结构如下:
    myblock—-manifest.json
    |________img
    |________js
    |________popu.html
    如上,其中js和img用来放js文件以及图片

  2. 代码部分及解释
    manifest.json 如下:

    {
        "manifest_version": 2,
        "name": "我的时钟",
        "version": "1.0",
        "description": "我的第一个Chrome扩展",
        "icons": {
            "16": "images/icon16.png",
            "48": "images/icon48.png",
            "128": "images/icon128.png"
        },
        "browser_action": {
            "default_icon": {
                "19": "images/icon19.png",
                "38": "images/icon38.png"
            },
            "default_title": "我的时钟",
            "default_popup": "popup.html"
        }
    }
    • name 定义了扩展的名称
    • version 定义了扩展的版本
    • description 定义了扩展的描述
    • icons 定义了扩展相关图标文件的位置
    • version 的值最多可以是由三个圆点分为四段的版本号,每段只能是数字,每段数字不能大于65535且不能以0开头(可以是0,但不可以是0123)

    • browser_action 指定扩展的图标放在Chrome的工具栏中

    • browser_action 中的default_icon属性定义了相应图标文件的位置
    • default_title 定义了当用户鼠标悬停于扩展图标上所显示的文字
    • default_popup 则定义了当用户单击扩展图标时所显示页面的文件位置。

    popu.html

    <html>
    <head>
    <style>
    * {
        margin: 0;
        padding: 0;
    }
    
    body {
        width: 200px;
        height: 100px;
    }
    
    div {
        line-height: 100px;
        font-size: 42px;
        text-align: center;
    }
    </style>
    </head>
    <body>
    <div id="clock_div"></div>
    <script src="js/my_clock.js"></script>
    </body>
    </html>
    • 全局元素的margin和padding为0,自由地控制元素的外观
    • body的尺寸告诉Chrome当单击图标后展示一个多大的界面
    • 在body标签中定义了一个id为clock_div的div显示容器
    • lineheight 表示行间距,也就是行高

    值得注意的是

    Chrome不允许将JavaScript代码段直接内嵌入HTML文档

    所以我们需要通过外部引入的方式引用JS文件
    当然inline-script也是被禁止的
    所以所有元素的事件都需要使用JavaScript代码进行绑定
    如果你没有使用一个拥有强大选择器的库(jQuery)
    最好给需要绑定事件的元素分配一个id以便进行操作


    myblock.js

    function my_clock(el){
        var today=new Date();
        var h=today.getHours();
        var m=today.getMinutes();
        var s=today.getSeconds();
        m=m>=10?m:('0'+m);
        s=s>=10?s:('0'+s);
        el.innerHTML = h+":"+m+":"+s;
        setTimeout(function(){my_clock(el)}, 1000);
    }
    
    var clock_div = document.getElementById('clock_div');
    my_clock(clock_div);
    • 函数包含了一个el参数,这个参数为显示容器(就那个div块),由于在HTML文档中我们设计在div容器中显示时间,所以调用my_clock函数时我们传入了这个容器,在js文件中用变量clock_div表示。
    • my_clock函数1000毫秒之后又会再次调用自身,这样clock_div中显示的时间就会被更新
  3. 放好图标后加载即可
    这里写图片描述

【板栗糖GIS】新装ArcGIS必调的12个隐藏设置——【效率翻倍指南】 本文详细介绍了新装ArcGIS后必调的12个隐藏设置,涵盖性能优化、路径管理、显示调校、工作流定制等方面,帮助用户显著提升GIS工作效率。从关闭后台地理处理到启用硬件加速,再到个性化快捷键配置,这些实用技巧能让ArcGIS运行更流畅,操作更便捷。 阅读详情

相关推荐

UE5.3与Colosseum配置实战:从编译到问题解决的全流程指南

本文提供了在Windows系统下配置UE5.3与Colosseum仿真环境的全流程实战指南。详细介绍了从软件版本选择、源代码获取、编译脚本执行到解决常见编译错误和引擎崩溃问题的具体步骤,旨在帮助开发者高效搭建无人机、机器人等仿真平台,并顺利运行外部API控制。

weixin_29002595的博客 557

制作一个简单的Chrome extensions并发布到应用商店

制作一个简单的Chrome extensions并发布到应用商店

weixin_43456810的博客 1813

【STM32G474实战】RS485通信的DMA优化策略与性能对比

本文深入探讨了在STM32G474微控制器上优化RS485通信的DMA策略。通过对比轮询、中断和DMA三种数据传输方式的代码实现与性能,揭示了DMA在解放CPU、降低占用率方面的巨大优势。文章提供了详细的DMA配置指南、高级应用技巧(如结合空闲中断)以及一个高可靠通信框架的实战思路,旨在帮助开发者构建高效、实时的工业控制系统。

weixin_29268331的博客 304

django使用vue django与vue与法冲突解决

django中的{{}}是用来前后端传值的 想必大家应该都用过 但是vue的{{}}也是固定的语法 解决办法: {% verbatim myblock %} ... {% endverbatim myblock %} 标签内的vue不会受到django模板的影响了。 ...

qq_40771567的博客 808

NVIDIA 2025 Board Design Engineer 校招笔试全解析:从基础门电路到理想放大器设计

本文详细解析了NVIDIA 2025届板级设计工程师校招笔试的核心考点与解题策略。内容涵盖从基础门电路、CMOS实现NOR门,到开关电源CCM/DCM模式波形分析与效率计算,以及理想运放电路设计与稳定性优化。旨在帮助考生构建硬件知识体系,掌握工程思维,顺利通过NVIDIA Board Design Engineer校招笔试。

weixin_29172201的博客 203

powerdesigner导出sql将name放到comment注释上

【代码】powerdesigner导出sql将name放到comment注释上。

weixin_45947759的博客 1353

如何解决Django与Vue语法的冲突

问题我们知道,在Vue中使用{{ }},在Django的模板中使用的也是{{ }},若在模板中即使用Vue也使用Django,就会引起冲突,该如何解决这种冲突呢?解决方法方法一:使用verbatim标签解决冲突自Django1.5以来,加入了 {% verbatim myblock %} {% endverbatim myblock %}标签,被此标签包裹的代码将不会被Django的模板引擎渲

gavinsun的专栏 6602

S4HANA Rebate Management(条件合同) -Single Step

S4HANA 条件合同管理(Condition Contract Management), 包括如何创建条件合同,场景应用

m0_50200150的博客 2309

C#中的转义字符和Verbatim字符串

C#中的转义字符跟C/C++的定义一致。有以下常用转移字符: 转义字符 字符名称 \' 单引号 \" 双引号 \\ 反斜杠 \0 空字符 \a 警报符 \b 退格 \f 换页

xiaoqinpeng的专栏 2885

Coze 打通飞书多维表格,实现数据增删改查操作实战详解

基于Coze 打通飞书多维表实现数据录入系统实战详解

congge 5784

Django中使用Vue.js语法冲突解决方案

其实用vue的话最好是搭建脚手架,不推荐用h5的方式写vue 但是初学者可以用html快速领略到vue的魅力 如何在Django框架中使用带vue.js的html页面呢 新建一个html页面 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <...

ssjdoudou的博客 4984

24、水下传感器网络中混合LEACH协议与遗传算法获取路由节点

本文提出了一种结合遗传算法与LEACH协议的混合路由方案,用于提升水下无线传感器网络(UWSN)的能量利用效率和数据传输稳定性。通过遗传算法优化簇头选择与路径规划,有效避免节点过早死亡,减少能量消耗,在200个节点场景下显著提升网络寿命。相比传统LEACH协议,该方案具有更高的能量利用率、更强的环境适应性,并支持传输历史记录与并行传输序列。实验结果显示,该方案在总能量为2000焦耳时剩余能量达75.6%,远优于LEACH的34.8%能耗表现。适用于海洋监测、石油平台监控及水下灾害预警等复杂环境应用。

i8j9k0l1的博客 112

pytorch搭建网络结构

记录pytorch怎么搭建网络,看起来更舒服 首先定义一个block class myBlock(nn.module): def __init__(self,in_channel,out_channel,····): super(myBlock,self).__init__() ······· def forward(self,x): ······· 然后直接定义网络 class...

myc的博客 1572

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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")

重学C语言内存管理_void print() { myblock pb =gb; int l = 100; whil

内存碎片一般是由于空闲的內存空间比要连续申请的空间小,导致这些小内存块不能被充分的利用,当你需要分配大的连续内存时,尽管剩余内存的总和足够,但系统找不到连续的内存,所以导致分配失败大量使用会造成内存碎片为什么会产生内存碎片?如果有100个单位的连续空闲内存,那么先申请5单元的连续内存,再申请50单元的内存这时释放一开始的5单元的内存。这时,如果你一直申请比5单元大的内存单元,那么开始的那连续的5单元就一直不能被使用。

2401_87555332的博客 1085

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

如何向stage ros添加静态障碍物(add static obstacles to stage ros)

【代码】如何向stage ros添加静态障碍物(add static obstacles to stage ros)

qq_42043461的博客 1345

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

stl学习--我的第一个容器

#include template struct myblock {  typedef T value_type;  typedef value_type* pointer;  typedef const value_type * const_pointer;  typedef value_type & reference;  typedef const value_type*

640

如何为workflow单据类型定义一个form属性,在notify中通过这个属性打开表单

表单名称:MYFORM数据块名称:MYBLOCK第一步:在表单中加入参数:WF_ITEMKEYMYBLOCK的数据来源中必须有WF_ITEMKEY这个字段。修改或添加数据块级触发器:WHEN-NEW-BLOCK-INSTANCEif :Parameter.wf_itemkey is not nullthen declare ls_where varchar2(1000...

weixin_34061555的博客 249

block(代码块)的一部分简单了解(一)

代码的简单了解 #import <Foundation/Foundation.h> int c=0; int main(int argc, const char * argv[]) { @autoreleasepool { //block声明格式:返回值类型(^block名字)(形参列表) int (...

weixin_30588827的博客 89

IAR工程通过修改icf文件链接函数到指定位置

在嵌入式软件的很多应用场景里面,需要将某些特定的函数放置到特定的位置,正好最近深度学习了一下IAR的分散加载,分享一下。将某些特定的函数放到Flash的特定位置,方便IAP来执行在线升级APP;或者为了保护知识产权将某些核心代码放置到对外不可见的特定ROM中;或者由于代码量的原因需要把代码放置到外部Flash中。将某些特定的函数放到SRAM中执行以提高代码的执行效率,甚至有的MCU为了以更高的效率执行代码还提供了CCRAM(内核耦合RAM)。

LLdalin的博客 2676

属性值动态调整_利用可见性参数创建动态块及属性块

点击上方“CAD自学网” →点击右上角“...”→点选“设为星标★”为CAD自学网加上星标,即可及时收到干货啦!左下角阅读原文看CAD视频站长推荐:1、AutoCAD2014快速精通+进阶提高视频教程:点击查看2、室内设计+全屋定制全套视频教程:点击查看3、AutoCAD2019从入门到精通视频教程:点击查看本文以粗糙度符号为例,我们先来看一下可见性动态块的最终效果,...

weixin_30118803的博客 4880

java自定义线程阻塞

LockSupport 线程 阻塞

三易专栏 651

iOS Block(一)----介绍篇

大纲 Block的介绍 Block语法 Block类型变量 截获自动变量值 __block说明符 Block的介绍 我们之前见到的数据类型有Double、id、OC数据类型等等,今天为大家介绍一种新的数据类型,叫做Block。 Block其实很简单,就是一段代码块,用来保存代码的,任何时候都可以调用、执行。 让我们来看看比较正规的解释: Block:带有自动变量的匿名函数 匿名函数自然是说不...

qq_43364806的博客 192

IAR部分问题

常见问题: (1)芯片上电后在线调试,能够跑到reset_Handler,但是到不了main函数,在某一地址挂死。 原因: (1)flash RAM大小不匹配,空间不足。修改icf文件及los_config.h里的mem大小。 总结: 遇到能够进到reset_Handler中,但是无法到达main函数的问题时,说明启动是OK的,向量表完成了映射,引导了...

wangbotao1990的专栏 2012

iar 堆栈设置_IAR小课堂| 如何在代码中获取段的地址

IAR的编译器支持通过内建的section专用运算符来获取段(section)或块(block)的起始地址、结束地址和大小。这些运算符可以使用链接器配置文件中定义的段和块,例如,可用于在代码中获取堆栈的地址和大小,因为堆栈是一个块。__section_begin 返回指定的段或块的起始地址;__section_end 返回指定的段或块的结束地址;__section_size 返回指...

weixin_33838310的博客 2009

如何快速上手wd_s主题:从安装到第一个页面的完整指南

wd_s主题是WebDevStudios推出的一款功能强大的WordPress starter主题,集成了Tailwind、npm、webpack等现代前端技术,帮助开发者快速构建符合WordPress标准且具有高可访问性的网站。本指南将带你完成从安装到创建第一个页面的全过程,让你轻松掌握wd_s主题的使用方法。 ## 准备工作:安装前的必要条件 在开始wd_s主题的安装之旅前,确保你的开发环

gitblog_00074的博客 382
上一篇: fluxion使用
下一篇: (二)Manifest文件结构
ReZerou
博客等级 码龄10年 19粉丝 119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