Firefox 3.5正式版对外发布,看看有哪些新特性!

Mozilla Firefox 3.6.12:经典版本回顾与安装指南 本文还有配套的精品资源,点击获取 简介:“Firefox Setup 3.6.12”指的是2011年发布的Mozilla Firefox浏览器的一个重要版本,它标志着浏览器在稳定性、安全性和性能方面的提升。该版本的安装程序是一个.exe文件,用户通过运行它来安装和设置浏览器,可选择语言、安装位置及是否设为默认浏览器。此外,3.6.12版本具备性能优化、安全性增强、插件稳定性... 阅读详情

新浪科技讯 6月30日下午消息,著名互联网浏览器Firefox最新的3.5版今天正式对外公布(下载 ),目前已在开发商Mozilla服务器上提供下载。

  Firfox 3.5的一项关键功能是TraceMonkey JavaScript引擎,提高了浏览器的性能和稳定性,而速度则被认为是Firefox 3.5的一大亮点,此外,该版本提供的隐私浏览模式也受到了广泛关注。

  此外,Firefox 3.5的其他亮点还包括基于HTML 5的音频和视频播放功能、离线缓冲,以及在网站内和网站间拖放对象的API,还增强了对CSS的支持。

  此前Mozilla曾向80万名用户发布过的Firefox 3.5候选预览版,受到用户的广泛好评。

 

 

一下是Firefox 3.5的新特性,特别是在性能方面

 

更快的JavaScript

名字叫做TraceMonkey的JavaScript引擎为Firefox 3.5带来惊人的速度。他提供的JavaScript速度要比Firefox 3快两倍,比Firefox 2快十倍。

 

网页开发人员特性

开放视频和音频

Firefox 3.5为线上媒体带来一次重要升级。他提供了世界上第一个HTML5视频和音频支持的实现(Ogg Vorbis和Ogg Theora),允许网页开发人员在网页中包含富媒体内容,并且可以使用JavaScript、HTML、CSS来操作他们,而不是使用专有技术。查看文档。

XHR

Firefox 3.5支持跨域XMLHttpRequests,这意味着您的网络应用现在可以通过其他服务器(只要该服务器被设置为允许这种访问)访问资源,从而为构建Mashup应用和其他线上协作应用带来更多的可能。查看文档。

可下载字体

网页开发人员和站点设计者现在可以保证跨平台站点风格和外观的一致了──在设计中使用可下载的TrueType和OpenType字体,不再仅仅依赖用户本地计算机安装的字体。查看文档。

TraceMonkey

不仅仅用户可以享受到Firefox 3.5改进的TraceMonkey引擎带来的超级速度,开发人员现在可以构建完全基于JavaScript的应用,这些应用会比以前运行的更快更顺畅。(查看前面的性能部分)查看文档。


地理感知浏览

在Firefox 3.5中,用户可以跟网络服务分享自己的地理定位信息,允许开发人员定义他们的应用提供用户更加有用更加相关的信息。了解更多。

Location-aware Browsing screenshot
原生JSON

Firefox 3.5改进了对JSON的支持,使用原生方法来处理JSON对象,使得编码和解码JSON对象更快。查看文档。

网页工作者线程

网页技术终于迎来了多线程支持的技术──被称作网页工作者线程──允许JavaScript代码开启新的线程在后台处理任务。网络应用可以充分利用现代多核处理器的优势了。查看文档。

媒介查询

对CSS 3媒介查询的支持允许样式表针对不同的内容表现做更精确的定义。现在可以针对显示设备的不同来渲染内容,针对最终用户体验上给开发者更多的控制能力。例如,您可以针对彩色打印机和黑白打印机定义不同的样式。查看文档。

离线支持

Firefox 3.5支持HTML 5离线资源缓存。这允许网络应用在用户系统中缓存住静态内容方便以后重用。结果就是:更快的网络应用读取时间。查看文档。

更多开发者特性

除了上述这些特性以外,Firefox 3.5还升级和添加了很多CSS属性、DOM事件和工具,方便开发者构建更漂亮和顺畅体验的站点和应用。查看我们Firefox 3.5开发者页面 。

回到页首

用户体验

隐私

在线时更多方法保证您的隐私:

浏览

把浏览模式设定为隐私模式,不会留下一点痕迹。

清除历史记录

非常简单容易的删除最近的浏览历史记录。

选择您的隐私

删除某个特定站点的浏览记录,而继续保留其他站点的。

更简单的选项

Firefox通过智能地址栏直接询问您如何保存您的历史记录,让您更好的控制隐私选项。

Private Browsing screenshot

标签页浏览

Firefox中的标签页浏览持续改进。当一个窗口中标签页太多时,您可以拖拽某个标签页,把他从标签栏上“撕”下来,他会自动新建窗口。需要新标签吗?在您的标签栏的右侧有添加标签页的按钮了。

智能地址栏

我们改进了智能地址栏。在您选择选择是否显示书签或者历史是提供了更多隐私和自定义的控制。全新的自动补全会自动匹配关键字到书签、历史、网页标题和标签和URL。

站点标识

Firefox的站点标识按钮会显示SSL连接的域名信息,使得更容易辨认是否进入或者存在安全连接,更容易辨认您连接到哪里。

Site Identity screenshot
更多用户体验特性

Firefox 还提供了很多全新的特性,例如OS X和Windows 7上的多点触摸支持,使得导航更加容易。自动补全功能也应用于设定书签、标签。在足迹对话框中同时编辑多个书签。如果不小心崩溃了,Firefox会自动 恢复之前的会话。也可以一键就把之前关闭的窗口全部恢复。另外,我们还为浏览历史提供了更易于使用的时间表从而更快的找到之前访问过的站点。

用户界面美化

所有操作系统
  • 全新文档图标
  • 全新崩溃报告图标
  • 全新软件更新图标
  • 搜索交互的全新搜索文字框控件
  • 加强的消息通知动画
  • 改进进度条控件的使用
  • 大量的对齐调整
  • 软件更新对话框不再长期占用焦点
  • 文本区域显示提升
  • 列表视图中的栏箭头修正
  • 删除标签栏上焦点线框
OS X
  • 全新Disk映像图标
  • 文字区域导航快捷键(按向上按钮移动到开始,按向下按钮移动到结束)
  • 改进在书签工具条上文件夹的拖拽
  • 上下文菜单的圆角效果
  • 改进透明窗口的外观
  • 透明窗口现在拥有阴影
  • 支持OS设定
  • 在应用窗口内原生主题支持
firefox3.5免安装版 NULL 博文链接:https://zhkac.iteye.com/blog/487787 立即下载

相关推荐

Firefox 火狐浏览器 3.5.3

Firefox 火狐浏览器 3.5.3 凑够20字

火狐浏览器3.5版本下载_Firefox 3下载日

如您所知(或不知道),Firefox 3将于2008年6月发布。为此,Mozilla Foundation打算在24小时内创下大多数软件下载的记录。 如果您已经使用Firefox并计划使用版本3,请帮助他们! 访问“下载日”,并保证在发布之日下载Firefox 3。 顺便说一句,把服务器放在膝盖上:他们实际上是在乞求它。 我上次检查时,法国严重落后于德国和西班牙... 关注@...

dlz00001的博客 1340

Firefox火狐浏览器官方3.5.1-win32版本exe安装包

解压后可用,资源全名:Firefox Setup 3.5.1.exe

Firefox 3.5发布

Firefox 3.5 发布了,他给我们带来了什么呢?介绍:Firefox 3.5基于Gecko 1.9.1渲染平台,提供了许多新的技术、改进了易用性、增强了表现,显著的特点包括1、超过70种语言的支持。能够有这么多种语言,也说明了FF在世界范围内越来越普及了。2、支持HTML5的<video>和<audio>标签,提供原生的Ogg支持。这个功能应该算是一个亮点...

aifeier1982的博客 159

Firefox火狐浏览器官方3.5.5-win32版本exe安装包

解压后可用,资源全名:Firefox Setup 3.5.5.exe

Firefox火狐浏览器官方3.5 RC 1-win32版本exe安装包

解压后可用,资源全名:Firefox Setup 3.5 RC 1.exe

Firefox 3.5新特性。

Firefox 3.5原定的版本号并非3.5,而是3.1,就是因为此版本的新特性较突出,所以版本号从3.0直接上升到3.5,3.5版本的发布,拖延了很久,也让大家对Firefox 3.5更加充满了期待,随着7.1日新版本的正式发布,让我们看看Firefox 3.5的新特性到底有哪些吧: 1. 本地视频:支持HTML 5标准中的<video>和<audio>标签,支持由...

weixin_30628077的博客 181

Firefox火狐浏览器官方3.5.13-win32版本exe安装包

解压后可用,资源全名:Firefox Setup 3.5.13.exe

Firefox 3.5再度跳票 六月方能面世

新版Firefox的进展一直都不怎么顺利,开发日程也是一再拉长,现在看火狐粉丝们大概要等到六月份才能拿到最终正式版。 Mozilla最初计划在2008年底正式发布Firefox 3.1,但从第一个Beta测试版开始就和跳票结下了不解之缘,直到上周才放出Beta 3,而且又将增加第四次Beta测试。 与此同时,不知道是不是为了吸引用户们不要放弃对新版本的期待,Mozi...

weixin_34351321的博客 110

Firefox火狐浏览器官方3.5.17-win32版本exe安装包

解压后可用,资源全名:Firefox Setup 3.5.17.exe

深入解析时钟同步技术:相位同步、频率同步与同源时钟的实战应用

本文深入解析时钟同步技术的三种核心方式:相位同步、频率同步与同源时钟,详细阐述其技术原理、实现方案及实战应用。通过对比分析不同同步方式的特点与适用场景,为电子系统设计提供选型指南,帮助工程师优化时钟网络设计,提升系统稳定性和性能。

weixin_29240711的博客 454

Firefox 4 beta 1发布

在Mozilla发布几个Firefox 3.7 preview版本之后,今天终于发布了Firefox 4 beta 1,在这个硝烟愈来愈浓的浏览器战场,Firefox 4的发布让情况更加复杂了。现在让我们来看看Firefox 4的改进和对前端开发的影响吧。一、界面改进正如之前泄漏出来的概念图一样,Firefox最终大刀阔斧的改变了自己的界面:这 个界面确实变的简洁漂亮了,我个人也很喜欢它的某些细节,但是结构和Chrome/Opera的相似性,让我不得不担心,是不是将来主流的浏览器都要采用 将tab放到上

编程夜未眠 4668

Oracle 从入门到精通系列(入门篇)1.1-Oracle 数据库发展史

Oracle 从入门到精通系列(入门篇)1.1-Oracle 数据库发展史

LuciferLiu_DBA 2191

Firefox 3.0 简体中文正式版官方下载及精选插件集合

Mozilla Firefox要在2008年6月18日凌晨1点至19日凌晨1点冲击一个吉尼斯世界纪录——令Firefox3成为24小时内被下载最多的软件。Firefox一直是广受喜爱的浏览器,安全、假死现象少、支持web标准、拥有众多的强大插件,是微软Internet Explorer的强劲冲击者。 Firefox标志(右)和太空中发现的酷似的星云(左) Mozilla Firefox ...

weixin_30681121的博客 229

3D扩散模型的构建与优化:多模态融合在三维物体生成中的作用【附核心代码实例】

随着技术的发展,基于扩散模型的3D内容生成已经成为一个激动人心的领域。通过不断优化扩散模型的结构和算法,结合多模态信息、视角控制和高效网络架构,未来的3D生成技术将不仅能够生成逼真的物体,还能满足虚拟现实、游戏设计、电影制作等行业对高质量、实时生成的需求。

一键难忘的博客 2864

PostgreSQL的学习心得和知识总结(一百二十六)|深入理解PostgreSQL数据库SQL执行时间计算 \timing 和 log_duration的使用和原理

1、参考书籍:《PostgreSQL数据库内核分析》2、参考书籍:《数据库事务处理的艺术:事务管理与并发控制》3、

孤傲小二~阿沐的博客 986

下载mozilla firefox 11正式版(官方公布前)

昨天mozilla就发布了firefox 11 beta7浏览器,按照旧例,在下个星期肯定会发布正式版。果不其然,今天官方ftp服务器中就发现了正式版的踪迹,不过好景不长,几个小时之后这个目录就被删除了。没办法,喜欢钻这空子的人太多了。不过软件No1还是得到了这个安装包,大家可以安装体验。 需要注意的是,虽然这个安装包中显示的是release更新通道,但依然还不是最终版,因为你可以从

软件No1的博客 645

MuJoCo 入门教程(一)

在 MuJoCo 仿真中输入自定义数字有三种方法。首先,可在 XML 中定义全局数字字段。它们有一个名称和一个实数值数组。其次,可以通过特定元素的自定义数组来扩展某些模型元素的定义。具体方法是在 XML 元素大小中设置 nuser_XXX 属性。第三,数组 mjData.userdata 不用于任何 MuJoCo 计算。用户可以在这里存储自定义计算的结果;请记住,所有随时间变化的内容都应存储在 mjData 中,而不是 mjModel 中。自定义文本字段可以保存在模型中。

机器人控制与仿真应用 1万+

ubuntu 17 linux 网络,Ubuntu 17.04 正式版发布及新特性

4月13日是Ubuntu 17.04是发布日,当然这是有时差的,东半球的我们要14日才能看到正式版本的发布,这意味着今天你可以下载Ubuntu 17.04了!Ubuntu 作为一款最流行的桌面系统,发布当天的下载量是相当的大,官方有时会因此下载速度相当的缓慢,我们可以选择等国内镜像同步完成之后在国内镜像下载或者稍后下载。如果您计划手动将Ubuntu 16.10升级到17.04,您可以启动现在的升级...

weixin_39672979的博客 294

29、智能问答系统:原理、挑战与实现

本文深入探讨了智能问答系统的原理、挑战与实现方法。从智能问答系统的定义、重要性、问题类型和构建步骤,到实现中的歧义问题、数据集创建及基于规则的系统实现,全面解析了这一自然语言处理领域的重要应用。同时,文章还介绍了智能问答系统的应用场景、发展趋势以及面临的挑战与应对策略,为读者提供了一个全面而深入的理解框架。

redis7keeper的博客 169

基于STC8G1K08A单片机的7位PWM输出程序(PCA功能实现呼吸灯效果)

摘要:本文展示了基于STC8G单片机的PWM占空比控制实现。通过定时器0中断每5ms调整占空比(0-127范围),实现呼吸灯效果。关键代码包括:1)PWM初始化(7位PWM模式);2)定时器配置(1ms中断);3)主循环根据标志位动态调整占空比。硬件采用P5.4引脚输出PWM信号,通过direction标志实现占空比自动增减循环。该方案适用于LED亮度调节等场景,系统时钟24MHz,采用12T模式。

weixin_74013772的博客 870

Firefox 5 正式发布

Firefox 5 新特性: 支持CSS3动画,比如transition和keyframes等,需要-moz-前缀; 所有元素支持accessKey属性,以及blur()、click()、focus()等方法; 不再支持UTF-7和UTF-32字符集; android版支持WOFF字体; canvas大量改进: canvas 2D支持设定一个ImageData对象作为crea...

weixin_34143774的博客 106

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")

FireFox 5开发计划曝光 内嵌PDF阅读器(组图)

开源中国社区援引Conceivably Tech的消息,为我们带来了Firefox 5的一些开发计划,其中包括内嵌的PDF阅读器,一个全新的首页Tab以及社会化分享功能等等。 具体的新特性可能会包含以下内容: 1. 类似 Chrome 中的 Tab 多选,用户可简单的选择一个或者多个tab进行关闭和移动; 2. 新的 tab 页 (还没有公开测试) 3. 插件和扩展可操作标准工具 4. ...

weixin_34321977的博客 93

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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

【电脑运用及修理】Mozilla Firefox 浏览器

firefox

You_are_hanson的博客 970
上一篇: 今天你“驴霸”了吗?原来这东西也可以延期预装的。
下一篇: 编程要正规,但也不能太拘泥于形式
老紫竹
博客等级 码龄19年 1万+粉丝 1252原创
评论 2
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