著名模拟鼠标点击软件小点点被收购

emWin模拟器开发实战:SeggerEval源码解析与移植指南 嵌入式GUI开发中,跨平台模拟与源码解析是提升效率的关键。emWin作为轻量级图形库,其SeggerEval评估包提供了WIN32环境下的完整模拟器,支持MSVC与MinGW双工具链编译。通过理解模拟器的运行原理、源码分层结构及移植流程,开发者可以在无硬件条件下快速验证界面逻辑,并为后续MCU移植奠定基础。本文从实际使用角度,梳理SeggerEval的工程结构、编译配置、核心机制及常见问题,帮助开发者快速上手emWin开发。 阅读详情

著名模拟鼠标点击软件小点点被收购——互联网上演资源争夺战 作为知名的下载软件,小点点在模拟鼠标点击之路上已经前行了8年之久,在全球拥有高达1亿的用户。2006年7月,消息证实:小点点被FreeEIM收购,小点点走完了自己的模拟鼠标点击软件之路。

在商业化的运作下,小点点会获得更好的发展,还是会像Winamp那样,逐渐失去自己的特色而走向没落? 四强争“车” FreeEIM胜出 2006年7月初,有消息传出——老牌的下载软件小点点终于被卖出,而收购价格高达千万人民币级别,此外还加上相当份额的某公司期权。 小点点的累计用户数量已经突破1亿人次,是一块公认的“用户沃土”。

在近3年里,包括Google、百度、猫扑在内的国内外多家互联网强势公司均对小点点表达了收购意向,甚至“Google的团队和侯延堂的谈判前后进行了8个月之久”????因此消息一经传出,各种猜测便层出不穷。 令人惊讶的是,最后拿下小点点的,是一家知名度还远远不能和前述企业相比的公司——中文名叫做智通无限的FreeEIM。这是一家去年刚刚拿到凯雷基金1000万美元投资,主攻电子杂志发行的创业型公司。

而实际上,在消息传开的4个月前,也就是今年的3月中旬,FreeEIM的总裁黄明明就成功地“拿下”侯延堂(小点点的作者),在后者西安的家里签订了收购协议。 “我们的出价肯定不是最高的。但我们肯定是最有诚意的。”黄明明对本报记者说,谈判的历程超过一年,自己就多次前往西安拜会侯延堂。

 收购之后,侯延堂不仅将拿到上千万的现金和FreeEIM的股份,还将“以技术副总裁的身份加盟FreeEIM公司,带领整个开发团队。” “我们现在的技术团队规模已经有70人之多。我们很需要技术上的领军人物,特别是对下载技术有深刻理解的人。”黄明明告诉记者:“FreeEIM主攻的在线电子杂志发行,日访问量已经突破百万规模。而一个电子杂志的容量动辄几十兆、上百兆,因此客户的体验,在技术上很依赖于对下载技术和下载管理的专业程度。” 为何出手?侯延堂回顾八年孤身奋战路 在这一时刻,许多熟悉业界的记者却发现自己根本找不到小点点的作者侯延堂。只有少数知情人知道,侯延堂正在陪妻儿在加拿大度假。

当消息传出时,他已经在享受耕耘8年后收获的成果。 对大多数人来说,侯延堂是一个陌生的名字;而小点点,则已经成为个人电脑装机时一个默认的软件。

本报记者力图在采访中让侯延堂回顾这8年来孤身奋斗的历程,然而,这个低调的技术天才,他的回忆始终是平淡简单的。 侯延堂告诉记者:“开始开发小点点是1998年。当时用户接入互联网基本上都是通过拨号上网,速度很慢而且断线比较频繁,我当时在一家软件公司做开发工作,由于工作和爱好经常需要从互联网上下载一些资料。当时我也使用Netants,不过在使用的过程中发现它不能满足我的一些需求,就是下载后的资料的管理,另外还感觉Netants使用方面的习惯也不是很适合自己。

所以就尝试着自己开发满足自己要求的下载工具了,当时完全利用的是业余时间。” 但侯延堂表示,自己真的已经想不起来,小点点的用户数量是何时突破1000万、5000万和1亿规模的。他只是说:“对于一个个人软件作者来说,用户的肯定就是我最高兴的时候了”。 此外,由于用户数量惊人,小点点采用的内置广告条的商业模式已经为侯延堂带来了不菲的收入。但这个低调的技术爱好者,却很少在怎么利用小点点赚钱上面动脑筋:8年的时间,除了小小的广告条外,小点点一直是业界公认最干净、最没有商业味道的下载软件,更遑论现在业界流行的某些强制性安装插件、修改用户设置等等“强制手段”。 另一个惊人的数字是,在收购前,小点点的各国语言版本已经达到了66个,成为名副其实的“国际软件”。

但这些开发,有很多是一些用户自愿帮助的。 “核心工作基本上都是我一个人在做,不过受到了很多热心的用户的帮助,比如英文主页和帮助文件就是一位澳大利亚的用户帮助完成的,尤其要提一下,中文版本的帮助文件是一位70多岁的老编辑老才先生帮助完成的,他还需要带着心脏起搏器。”侯延堂对记者说。 有了小点点,侯延堂早已摆脱了生存的压力,也不用再去另谋工作。但他感到苦恼的是,个人的力量对于一个软件的继续成长实在太有限了。

侯延堂说,很多人都在奇怪为何P2P、P2SP技术大行其道的今天,小点点还在坚持用HTTP的技术,而且软件的界面和功能一直都没有什么变动,多少显得有些陈旧。“其实很多新的功能模块都已经做好了。但随着用户对小点点提出更高的要求,我也感觉到了个人的局限性,所以才会有和人合作的想法。” FreeEIM下的小点点会如何发展 “FreeEIM和我接触了有一年多,我比较懒,都是FreeEIM的总裁黄明明先生很远跑来见我。主要是我对小点点有感情,害怕对商业利益的追求毁了小点点,通过不断的接触黄先生打消了我这方面的顾虑,和FreeEIM合作是考虑到FreeEIM会把小点点作为绝对重点来对待,会把小点点提高到一个新的高度。”7月24日,本报记者独家采访侯延堂时,他这样说道。 “我们不会去动小点点这个软件,我们不会去更改它作为一个独立的软件品牌的地位。

相反我们还将继续投入来支持它发扬光大。”黄明明告诉本报记者,“这个软件的用户忠诚度非常高,前不久仅仅是改了一个按钮的位置,就收到1万多封电子邮件来质疑这种修改。” 但比较普遍的看法是,作为一家商业公司,FreeEIM收购小点点有长远的考虑,并非仅仅是利用其技术和招揽侯延堂这样的人才。

电子杂志的发展还有很长的路要走,除了阅读体验和内容提升外,最重要的就是如何在短期内带来大量的用户增长,这是创业型公司能够生存并且能够继续融资的关键,也是当前电子杂志发展的头等大事。 一位资深的互联网分析师分析,在未来的新版本中,小点点可能分为两个版本,一个是目前的经典版本;另一个是把FreeEIM的客户端整合进去的“FreeEIM版”,也就是说用户可以在使用小点点的同时就直接导向FreeEIM的电子杂志订阅、下载和管理,这“将带来很大的推动力。甚至将来小点点和FreeEIM的客户端可以合二为一”。 对于这种猜测,黄明明予以否认,“我们未来会考虑一些新的做法,但我们不会去改变小点点作为一个受到尊重的、独立的软件的品牌和地位,而且会在相当长的时间里保持这一点。

仅仅在小点点里捆绑FreeEIM是很低级的做法,我们不会这样做。”但他也表示:“未来我们会考虑对小点点的用户资源进行整合”。 而侯延堂则表示说:“不会这样做”,但在将来“会考虑放一些新的功能进去”。 从不久前的百度收购天空软件,到最近刚刚曝出的FreeEIM拿下小点点均显示,国内互联网企业对网络流量资源的争夺已经进入白热化阶段。 “从某种程度上讲,国内互联网正进入一个收获期。特别是那些早期投入了较大精力的Web1.0的网站。”一位互联网分析师这样对记者说:“经过长期的、甚至是有些寂寞的发展,这些看似并不热门的应用积累了大量的用户资源。对于资金雄厚的巨头来说,付出上千万的现金把它们收入囊中是很划算的事情”。 而侯延堂的个人努力和收获,最终也将继续鼓励互联网时代的个人创新行为。

环境配置 |Jupyter lab/Jupyter Notebook 安装与设置 ipynb使用Jupyterlab/Jupyter Notebook 来编写程序时的文件,在使用时,可以现转换为标准的.py的python文件。 阅读详情

相关推荐

局部,全局(外部),static等变量详解

首先,必须明白一个程序是包含若干个源文件,每个源文件又是包含若干个函数,每个源文件、函数中又定义了若干个变量。但是每个变量都有自己的作用范围,也就是自己的作用域。只有在作用域内才可以访问变量。 变量的有效范围称为变量的作用域( scope)。归纳起来,变量有4种不同的作用域:文件作用域( file scope)、函数作用域( function scope)、块作用域(block sc...

归根结底不优秀的博客 1325

如何让你的共享软件成为印钞机-最新内幕大暴光

侯延堂终于放心地开始了加拿大的旅程,他甚至开始打算移民加拿大。  在出门之前,他把自己一手创建的网络下载工具FlashGet(网际快车)卖给了ZCOM公司。后者是一家电子杂志运营商。   此前,侯一个人运营一个软件,依靠广告生存:每月上万美元的广告收入和几百万的下载量——7年来,这让他充分享受到作为一个自由程序员的快乐。  今后,他将拿着上千万的现金和ZCOM股票,加入ZCOM公司做一

123hui(Torch)的技术专栏 5232

VMware Workstation Pro必备技巧:5分钟搞定Ubuntu虚拟机磁盘瘦身(附常见错误解决)

本文详细介绍了如何为VMware Workstation Pro中的Ubuntu虚拟机进行磁盘瘦身,解决.vmdk文件只增不减的问题。通过清理系统垃圾、使用零填充空闲空间,并利用vmware-toolbox-cmd或vmware-vdiskmanager工具进行压缩,可有效回收被无效占用的磁盘空间。文章还提供了常见错误解决方案和预防性维护建议,帮助用户高效管理虚拟机存储。

sea99的博客 299

Google Adsense检测作弊欺骗点击广告的方法

Google Adsense是流行的一种通过网络广告做网赚的方式。一些站长在网站初期或网站流量不大的时候会想方设法来增加Google Adsense广告的点击率来提高收入。提高点击有很多技巧,但是Google也有它的红线,经常可以在论坛和QQ群看到有站长反应Adsense帐号被 K了。一旦Google认为你在Adsense广告投放上有作弊事实,他会毫不留情地把你的站K掉。站长能做的除了合理增加网站

kobejayandy的专栏 2359

RFID射频识别技术介绍及简单应用

简单介绍RFID技术及其简单应用,后附简单门禁制作方法和代码

来者皆是客。 1万+

《最游记》游戏开发全栈指南:从源码解析到实战部署

本文提供了一份详尽的《最游记》游戏源码全栈开发指南。文章深入解析了这款3D玄幻网游的完整源码结构,涵盖客户端、服务端、引擎和工具链,并提供了从环境搭建、核心模块解析到实战修改与部署的完整流程。对于希望深入理解MMORPG架构的开发者而言,这份指南是宝贵的实战资源。

weixin_28363123的博客 74

小点点成为是最强大的鼠标模拟点击软件

小点点虽然是最强大的鼠标模拟点击软件,但是我还是说下没有十层的把握大家千万不要去作弊,google广告并不像阿里妈妈等国内广告联盟一样,你作弊只要当时发现就立即封你的号,可是google就不一样了,他们是秋后算账,这招够狠的,我来说下我5月份作弊的情况吧!     今年5月的某一天无意中发现了小点点点击,看他上面的说明说可以刷流量,这个我测试了的确可以刷ip可pv但是你要是用他去点广告千万不要这

小发猫 1683

DXF转G代码是圆弧的方向如何确定?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 1189

solidworks软件许可优化解决方案

SolidWorks公司成立于1993年,由PTC公司的技术副总裁与CV公司的副总裁发起,总部位于马萨诸塞州的康克尔郡(Concord,Massachusetts)内,当初的目标是希望在每一个工程师的桌面上提供一套具有生产力的实体模型设计系统。在装配的环境里,可以方便地设计和修改零部件。在强大的设计功能和易学易用的操作(包括Windows风格的拖/放、点/击、剪切/粘贴)协同下,使用SolidWorks ,整个产品设计是可百分之百可编辑的,零件设计、装配设计和工程图之间的是全相关的。

gofarlic的专栏 797

华为OD机试 - 物流仓储多维度成本利润综合查询系统 - 二维数组(Python/JS/C/C++ 新系统 100分)

本专栏收录于《华为OD机试真题(Python/JS/C/C++)》。刷的越多,抽中的概率越大,私信哪吒,备注华为OD,加入华为OD刷题交流群,每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景,发现新题目,随时更新。某物流企业在全国多个仓库开展仓储业务,需要对不同仓库、不同时段的入库成本、出库收入和库存损耗进行综合统计分析,用于生成 日报、周报和月报。字段说明及取值范围如下:warehouses: int[] 扁平化数组 [w0d0in, w0d0out,

学Java,找哪吒 310

【Android面试八股文】Handler如果没有消息处理是阻塞的还是非阻塞的?Looper 为什么要使用死循环?Android中为什么主线程不会因为Looper.loop()里的死循环卡死?

Handler如果没有消息处理是阻塞的还是非阻塞的? Looper 为什么要使用死循环? Android中为什么主线程不会因为Looper.loop()里的死循环卡死?

字节卷动 760

Cygwin【windows平台上运行的类UNIX模拟环境】的安装

先说一下Cygwin是个什么东西? 摘自百度百科:Cygwin是一个在windows平台上运行的类UNIX模拟环境,是cygnus solutions公司开发的自由软件(该公司开发的著名工具还有eCos,不过现已被Redhat收购)。它对于学习UNIX/Linux操作环境,或者从UNIX到Windows的应用程序移植,或者进行某些特殊的开发工作,尤其是使用GNU工具集在Windows上进行嵌入式系统开发,非常有用。随着嵌入式系统开发在国内日渐流行,越来越多的开发者对Cygwin产生了兴趣。 Cygwin

Demo.demo的博客 493

【Unity URP渲染管线下Shader的自定义物体半透明和投影半透明效果_半透明案例分享】

Unity Shader Graph URP渲染管线下的自定义半透明效果_半透明案例分享

暴走约伯的博客 3295

恶意软件识别与防御:从勒索软件到挖矿木马的5大威胁解析

恶意软件是网络安全领域的核心威胁之一,其本质是未经授权在计算机系统中执行恶意操作的软件。从技术原理上看,恶意软件通过漏洞利用、社会工程学等手段入侵系统,实现数据窃取、系统破坏或资源劫持等目的。在技术价值层面,理解恶意软件的工作机制有助于构建更有效的防御体系,提升整体安全水位。当前,勒索软件、木马病毒、蠕虫病毒、间谍软件和挖矿木马是危害最广泛的五类恶意软件,它们分别对应着数据加密勒索、隐蔽后门控制、自我复制传播、隐私窃取和算力劫持等典型应用场景。本文聚焦于这些常见威胁的识别方法,通过分析文件异常、系统资源占用

weixin_33910137的博客 399

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")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

如何windows上运行使用linux命令(Cygwin配置)

一、工具/材料 CygwinPortable下载地址:https://download.youkuaiyun.com/download/jacacao/11645913 二、方法/步骤 1.说明 Cygwin是一个在windows平台上运行的类UNIX模拟环境,是cygnus solutions公司开发的自由软件(该公司开发的著名工具还有eCos,不过现已被Red...

JacaCao的博客 1470

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。

GIT的使用

安装cygwin,msysgit ,tortoisegit这三个软件 cygwin的安装 1 下载cygwin进行安装,下载地址:https://cygwin.com/install.html 2 运行程序,一直点击下一步 这里选择cygwin下载的路劲 这里需要注意:选择国内的镜像地址 1 上海交大的FTP:ftp://ftp.sjtu.edu

AndyFei 363

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

渲染巨匠(lightscape) 3.2 SP1 汉化版

1.本程序可以选择安装英文原版、核心汉化、外挂插件及无缝贴图、图像品质处理等,并且尽量保持程序的安全性和稳定性,修正了LS2004的诸多错误和不足! 2.本程序新增的一些材质和光域网可分别在材质面板和灯光面板直接调用!3.本程序新增了无缝贴图程序和图像品质处理! Lightscape是一个非常优秀的光照渲染软件,它特有的光能传递计算方式和材质属性所产生的独特表现效果完全区别于其他渲染软件。Ligh...

心语家园 - www.xinyucn.cc 542

Cygwin安装GCC、G++、Python、git、vim教程

百度百科: Cygwin是一个在windows平台上运行的类UNIX模拟环境,是cygnus solutions公司开发的自由软件(该公司开发的著名工具还有eCos,不过现已被Redhat收购)。它对于学习UNIX/Linux操作环境,或者从UNIX到Windows的应用程序移植,或者进行某些特殊的开发工作,尤其是使用GNU工具集在Windows上进行嵌入式系统开发,非常有用。随着嵌入式系统...

任逍遊 --- [专用空间] 2万+

hadoop学习---2.cygwin及sshd安装配置

      cygwin是一个在windows平台上运行的unix模拟环境,是cygnus solutions公司开发的自由软件(该公司开发了很多好东西,著名的还有eCos,不过现已被Redhat收购)。它对于学习unix/linux操作环境,或者从unix到windows的应用程序移植,或者进行某些特殊的开发工作,尤其是使用gnu工具集在windows上进行嵌入式系统开发,非常有用。     ...

weixin_34292402的博客 144

Crgwin 简介及安装

Crgwin 简介   Cygwin是一个在windows平台上运行的类UNIX模拟环境,是cygnus solutions公司开发的自由软件(该公司开发的著名工具还有eCos,不过现已被Redhat收购)。它对于学习UNIX/Linux操作环境,或者从UNIX到Windows的应用程序移植,或者进行某些特殊的开发工作,尤其是使用GNU工具集在Windows上进行嵌入式系统开发,非常有...

weixin_30304375的博客 538

LVGL--介绍与资料汇总

LVGL--介绍与资料汇总1 简介2 支持平台3 优势特点参考 1 简介 LVGL (Light and VersatileGraphics Library) is an open-source graphics library providing everything you need to create embedded GUI with easy-to-use graphical elements, beautiful visual effects and low memory footprint.

天道酬勤 1万+

将cooledit作为一个音频信号发生器(http://www.zsjys.net/JYJY/ShowArticle.asp?ArticleID=64)

信号发生器是电子爱好者常用的工具,然而一般传统的信号发生器都难以产生特别精确的简谐波形(倒是方波、三角波容易些),复杂的函数就更不要说了,需要花费巨额资金去实现。现在好了,利用现代计算机强大的计算能力、Adobe Audition软件的灵活设计和声卡的精确输出,任意的音频信号都不在话下! 1. Adobe Audition与Cool Edit 现在说Adobe Audition可能了解的人不多。但要说起Cool Edit,只怕知道的不是少数,而且许多人接触过这个由Syntrillium Software公司

没有时间把一件事情做好,却有时间把一件事情反复做 8682

妙用Adobe Audition 系列教程(一):信号发生器

<br />信号发生器是电子爱好者常用的工具,然而一般传统的信号发生器都难以产生特别精确的简谐波形(倒是方波、三角波容易些),复杂的函数就更不要说了,需要花费巨额资金去实现。现在好了,利用现代计算机强大的计算能力、Adobe Audition软件的灵活设计和声卡的精确输出,任意的音频信号都不在话下!<br />1. Adobe Audition与Cool Edit<br />现在说Adobe Audition可能了解的人不多。但要说起Cool Edit,只怕知道的不是少数,而且许多人接触过这个由Syntri

没有时间把一件事情做好,却有时间把一件事情反复做 7163

工作中使用到的单词(软件开发)

1.エイリアス   alias 别名 powershell使用 get-help 命令时,会得到与此命令 相关(别名)的命令 2.プロキシ proxy 代 理 3.プロモート   promote 促进,提升   开发的系统新功能上线发布,有时会使用到这个词,比如 STプロモート 还有使用リリース这个词的。比如STリリース。个人认为两者含义相同。 4.見逃し み................................................................

sun0322 6万+

WIN7安装Cygwin

Cygwin是一个在windows平台上运行的unix模拟环境,是cygnus solutions公司开发的自由软件(该公司开发了很多好东西,著名的还有eCos,不过现已被Redhat收购)。它对于学习unix/linux操作环境,或者从unix到windows的应用程序移植,或者进行某些特殊的开发工作,尤其是使用gnu工具集在windows上进行嵌入式系统开发,非常有用。随着嵌入式系统开发在国内

wsx 412
上一篇: 面对小点点谷歌广告表示很无奈
下一篇: 小点点软件对你非常实用
普通网友
博客等级 码龄22年 1万+粉丝 3156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