分享 15 个好用 + 实用的 Chrome 扩展

chrmoe 浏览器Tab页定时轮播插件(最新版 1.0) 原生插件,可以直接拖拽安装 安装完成之后,地址栏右侧会出现个小图标 。这个插件会自动轮播当前打开的所有 chrome tab 页,默认轮播间隔为 15s。 开启轮播功能:点击这个 icon,这时候 icon 上会冒出个小叉 关闭轮播功能:再次点击这个 icon,icon 变回 置轮播间隔:右键点击 插件图标,点击「选项」菜单,进入设置页面 立即下载

点击上方“芋道源码”,选择“设为星标”

做积极的人,而不是积极废人!

源码精品专栏

 

来源:http://t.cn/EVqeuzz

  • 1. 新浪微博图床

  • 2. AdBlock

  • 3. WEB 前端助手

  • 4. JSON Viewer

  • 5. Standardized Screenshot

  • 6. Clear Cache

  • 7. 翻译侠

  • 8. 图流

  • 9. 阅读模式

  • 10. Octotree

  • 11. Enhanced Github

  • 12. Isometric Contributions

  • 13. Git History

  • 14. Tampermonkey

  • 15. Stylus

  • 写在最后


使用浏览器扩展程序可以使你的工作效率提高数倍不止,那么下面我就向大家分享一下我日常使用的扩展,可能大多数扩展大家都已经在使用了,不过也难免有一两个是你不知道的。

以下排名并不分先后,请坚持看到最后,或许你会有惊喜。

1. 新浪微博图床

感谢新浪微博提供的免费图床(对外链无限制),以及吊炸天的 cdn 图片加速服务,从此妈妈再也不用担心我的图床不能用了,另外还支持在网页图片右键菜单中一键上传。

链接:新浪微博图床

2. AdBlock

最受欢迎的 Chrome 扩展,拥有超过 6000 万用户!拦截网页上的广告。

链接:AdBlock

3. WEB 前端助手

前端神器,包括 JSON 格式化、二维码生成与解码、信息编解码、代码压缩、美化、页面取色、Markdown与HTML互转、网页滚动截屏、正则表达式、时间转换工具、编码规范检测、页面性能检测、Ajax接口调试、密码生成器、JSON 比对工具、网页编码设置、便签笔记。

链接:WEB前端助手

4. JSON Viewer

前面介绍的 WEB 前端工具也有 JSON 查看工具,但是它那个太丑了,所以我用这个,内置多种主题,是我见过最好看的 JSON 查看工具。

链接:JSON Viewer

5. Standardized Screenshot

一个非常好用的截图扩展,自动加上 macOS 的标题栏、以及阴影,配合微博图床一键上传根本不用保存在本地。

链接:Standardized Screenshot

6. Clear Cache

如果你是前端开发人员,调试时需要经常清空浏览器缓存,以往我们需要经过几个步骤才能完成动作,现在只需单击一下按钮即可清除缓存和浏览数据。

链接:Clear Cache

7. 翻译侠

这是我用了众多翻译扩展后最喜欢的一个,貌似之前的作者已经不再维护了,现在由网友接手,挺好的,从此不再需要打开谷歌翻译网站。

链接:翻译侠

8. 图流

这个厉害了,你是否曾为了看图片,一张一张的点,看完一个系列手都费了,简直痛不欲生,现在,福音来了。

让我们打开知乎问题《平常人可以漂亮到什么程度?》,查看全部答案,开启图流,你会发现。

另外它还支持轮播展示,如果你经常逛一些你懂得网站,那它简直是老司机神器。

链接:图流

9. 阅读模式

提供与Safari阅读模式功能一致的插件,浏览文章页时候可进入友好的阅读模式,并自定义阅读功能。

唯一美中不足之处就是在阅读模式下无法选中文字(更不能使用划词翻译)。

链接:阅读模式

10. Octotree

这个估计不少人知道,它可以在 GitHub 左侧显示当前项目的目录结构,能轻松找到代码的位置。

链接:Octotree

11. Enhanced Github

这个可以在 GitHub 中显示仓库大小,每个文件的大小,下载链接和复制文件内容的选项。

要是能够支持单文件夹下载那就更好了。

链接:Enhanced Github

12. Isometric Contributions

装X神器,值得拥有。这里放上我心中的偶像 Linus 的贡献图。

链接:Isometric Contributions

13. Git History

这个扩展可以很炫酷地展示 GitHub 中任意一个文件的历史修改情况。

链接:Git History

14. Tampermonkey

油猴怕是没有人不知道,它基本上是所有扩展中的佼佼者了。这里给两个可以发现好用的脚本的网站:

  • https://greasyfork.org/zh-CN

  • https://openuserjs.org/

链接:Tampermonkey

15. Stylus

其实类似的扩展还有 Stylish,但它会窃取用户的浏览历史(虽然某位药王说我们更愿意用隐私换便利)。

而 Stylus 就不会。

链接:Stylus

写在最后

如何你觉得安装太多扩展后严重挤占地址栏的话,可以使用隐藏扩展+快键键的方式。

最后,如果你也有一些好用的扩展,不妨向我推荐下。



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

已在知识星球更新源码解析如下:

如果你喜欢这篇文章,喜欢,转发。

生活很美好,明天见(。・ω・。)ノ♡

谷歌浏览器Tab页定时轮播插件 须在开发模式下安装此插件,安装完成之后,地址栏右侧会出现个小图标 。这个插件会自动轮播当前打开的所有 chrome tab 页,默认轮播间隔为 15s。 开启轮播功能:点击这个 icon,这时候 icon 上会冒出个小叉 关闭轮播功能:再次点击这个 icon,icon 变回 置轮播间隔:右键点击 插件图标,点击「选项」菜单,进入设置页面 立即下载

相关推荐

chrome标签页自动轮播

Chrome浏览器标签页之间的自动切换,解压后,通过扩展程序 加载已解压的扩展程序添加。之后右上角有插件图标,可以设置轮播秒数,点击开始结束按钮控制轮播

google浏览器轮播插件revolver-Tabs

revolver-Tabs 安装文件名:extension_0_71.crx 转载于:https://blog.51cto.com/406647516/2089283

weixin_33912638的博客 4536

支持多浏览器轮播器

支持IE6-11,chrome,safari,chrome

亲测可用!不翻墙轻松搞定 Chrome 插件安装,附网页自动轮播实战教程

【代码】谷歌浏览器自动刷新插件及脚本。

weixin_43676350的博客 9338

SoapUI 5.0 模拟WebService接口实战:从WSDL文件到Mock服务端完整流程

本文详细介绍了如何使用SoapUI 5.0模拟WebService接口,从解析WSDL文件到搭建完整的Mock服务端流程。通过实战案例和效率技巧,帮助开发者快速掌握接口模拟技术,提升开发与测试效率。

weixin_26833139的博客 409

深入解析SVPWM七段式与五段式调制的电压波形差异及优化策略

本文深入解析了SVPWM七段式与五段式调制在相电压和线电压波形上的核心差异。七段式波形对称、谐波含量低,适合追求静音与性能的场景;五段式开关次数少、损耗低,适用于对效率与散热要求高的应用。文章提供了基于谐波与损耗权衡的优化策略与选型指南。

weixin_29216957的博客 443

分享一些好用的 Chrome 扩展

程序员的成长之路互联网/程序员/成长/职场关注阅读本文大概需要 2.8 分钟。前言使用浏览器扩展程序可以使你的工作效率提高数倍不止,那么下面我就向大家分享一下我日常使用...

良月柒 2369

Chapter 5 Gate Drivers and Level Shifters

Gate driver如下图所示, 包括功率管(带保护), Gate driver, Level shifter, Gate Supply 和Dead-time control.

2304_76736886的博客 2244

推荐50个超实用的 Chrome 扩展,建议收藏

今天来分享 50 个超实用的 Chrome 浏览器扩展!

HRD的博客 1万+

使用 C# 实现大华监控摄像头的控制与数据处理

本文介绍了使用C#调用大华SDK(DHNetSDK.dll)开发监控系统的方法。主要内容包括:开发准备、DLL引用设置、SDK初始化与设备登录、视频预览窗口嵌入、云台控制、抓图录像等核心功能实现。通过P/Invoke技术封装SDK接口,开发者可以快速构建具有视频监控、设备控制功能的C#应用程序。文中还提供了代码示例、常见问题解决方案,以及视频帧智能分析的扩展建议,为开发大华监控系统的二次应用提供了完整的技术指南。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1286

如何实现C++动态调用动态链接库(DLL或SO)

使用函数指针来定义函数的类型,以便在动态库中找到的函数能够正确地调用。函数指针的类型必须与函数的签名(参数类型和返回类型)匹配。// 函数指针#ifdef _MSC_VER // Windows环境下的导出声明__declspec。

weixin_48438353的博客 7984

分享一些好用的 Chrome 插件

前言 使用浏览器扩展程序可以使你的工作效率提高数倍不止,那么下面我就向大家分享一下我日常使用的扩展,可能大多数扩展大家都已经在使用了,不过也难免有一两个是你不知道的。 正文 以下排名并不分先后,请坚持看到最后,或许你会有惊喜。 1、 新浪微博图床 感谢新浪微博提供的免费图床(对外链无限制),以及吊炸天的 cdn 图片加速服务,从此妈妈再也不用担心我的图床不能用了,另外还支持在网页图片右键菜单中...

我的博客 1093

【系统架构设计师-2024下半年真题】案例分析-参考答案及部分详解(完整回忆版)

根据h中描述,为了保证高可靠性,有ping/echo,心跳机制两种策略,从资源利用率问为啥心跳更好。王工觉得使用ping/echo好,但李工觉得从系统资源利用率来说,使用心跳机制好 1、针对质量属性可以使用ping/echo和心跳模式实现,分别简述ping/echo和心跳的实现原理。 2、张工认为心跳策略比较适合,简述为什么?

数据知道的博客 1万+

实现chrome扩展启动本地进程 - 补充

示例 主要包含如下部分 com.google.chrome.demo-win.json native_cmd.bat manifest.json popup.html popup.js 功能简介:    实现一个扩展,用户点击一个按钮后会启动本地的notepad程序(也可以为自己写的程序,这里示例就启动notepad,类似迅雷扩展的功能) 实现概述:    通过启动本地的

Black—Horse的专栏 2万+

OpenClaw第2章:快速安装

本章将手把手教你安装 OpenClaw。

Maynor的博客 3237

后仿真中的关于延时问题(物理特性角度)

大家都知道,后仿真讲究仿真时序。那么,在网表阶段,接触到后仿延时问题。今天总结一下。

那么菜的博客 1772

推荐15款优秀的chrome插件,每一款都是神器

今天分享的15款十分优秀的插件,已经为大家整理好了获取方式,关注下方公众号回复对应的口令就可以拿到了。赶快来试试吧。

黑夜开发者的博客 3万+

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

工具推荐:30 个 Chrome 灵魂插件,非常实用

相信很多人都在使用 Chrome 浏览器,其流畅的浏览体验得到了不少用户的偏爱,但流畅只是一方面, Chrome 最大的优势还是其支持众多强大好用的扩展程序(Extensions)。下面的很多插件都是工具插件,看完保证你工作效率、心情提高1倍。1、OneTab:一键合并 tabTab 过多的时候,要关闭浏览器的时候OneTab可以帮助你快速的保存、整理浏览器。2、掘金最新的技术动态每次打开新的 tab 页面就可以看到最新、最热的技术文章。3、

NHB234567的博客 2万+

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")

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

为什么你需要这个仅15KB的Chrome扩展来解放多任务生产力?

还在为视频和工作窗口的频繁切换而烦恼吗?Picture-in-Picture Chrome Extension,这个由Google官方维护的免费扩展,基于W3C标准API开发,让你在任何网页视频上实现悬浮播放,真正解放你的多任务生产力。它只有约15KB大小,却能智能检测页面中的视频,让你一键进入画中画模式,视频将悬浮在屏幕角落持续播放,而你可以在主窗口专注其他任务。无论是学习网课、参加视频会议还是

gitblog_00852的博客 252

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

ClusterFuzz 平台二进制文件(Platform Binaries)更新指南:以 llvm-symbolizer 为例的完整实操与源码解析

`resources/platform/` 目录存放着 ClusterFuzz 在各平台上使用的预编译二进制工具,其中最核心的是用于崩溃栈追踪符号化(crash stack trace symbolization)的 `llvm-symbolizer`。本文以该目录的官方维护说明([resources/platform/README.md](https://link.gitcode.com/i/8

gitblog_00128的博客 384
上一篇: 一名 40 岁“老”程序员的反思~
下一篇: 鸟瞰 Java 并发框架
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377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