太牛了!轻量级桌面操作系统!!

OpenHarmony轻量级内核-LiteOS-M 内核是一人操作系统的运算核心,决定着系统的性能和稳定性。它是基于硬件的第一层软件扩充,提供操作系统的基本功能,是操作系统工作的基础。它负责管理系统的进程、内存、外设驱动程序、支件和网络系统 阅读详情

近年来,互联网对云存储、远程桌面和web开发等服务的需求日益增长,而现有的云存储、远程桌面、web 服务器等服务,往往存在封闭、不透明、收费等问题,用户数据安全难以保障,使用体验也不尽如人意。

今天了不起分享一款名为 Puter 的开源项目,它可是一款功能强大、易于使用的互联网操作系统新星!

图片

项目简介

Puter 是一款基于 JavaScript 的互联网操作系统,功能强大、速度惊人且高度可扩展,旨在为用户提供全新的云端体验。

它具有轻量级、高性能的特点,可以轻松部署在各种服务器和设备上,并提供丰富的功能,包括:

  • 文件管理:存储、管理和共享文件

  • 远程桌面:访问和控制远程计算机

  • Web 服务器:构建和部署 web 应用

  • 命令行界面:执行命令和脚本

  • 应用商店:安装和管理第三方应用 ...

图片

这个项目是上个月才在 GitHub 上开源的,star 数目前已经超过了13.4K,非常受欢迎。

图片

安装部署

项目支持本地和docker部署。

本地的话,依次执行下面的命令:

git clone https://github.com/HeyPuter/puter
cd puter
npm install
npm start

完成后浏览器打开 http://localhost:4000即可访问使用。

使用docker部署,则使用下面的一键部署命令:

mkdir puter && cd puter && mkdir -p puter/config puter/data && sudo chown -R 1000:1000 puter && docker run --rm -p 4100:4100 -v `pwd`/puter/config:/etc/puter -v `pwd`/puter/data:/var/puter  ghcr.io/heyputer/puter

使用Docker Compose,则用下面的:

git clone https://github.com/HeyPuter/puter
cd puter
docker compose up

使用体验

安装部署好之后,了不起来展示一下项目的具体体验和感受。

打开后的主界面,感觉很清爽。

图片

内置的一些日常经常使用的应用,如终端、notepad、文件管理器、播放器、应用中心等等。

图片

还有一些休闲娱乐游戏

图片

项目支持创建自己的应用并提交,相关内容可以参考官方文档:https://docs.puter.com/

图片

关于使用容量,官方现在默认给的容量为500MB,同时如果你想扩容的话,可以邀请朋友来注册使用。

每1位朋友通过你的链接注册使用,你们双方都可以增加 1GB 的容量。

图片

小结一下,Puter 是一款潜力巨大的开源项目,它开辟了互联网操作系统的新方向,可以为我们提供更加自由、开放、安全、高效的互联网体验。

关于项目的更多细节功能,感兴趣的小伙伴可以自行到项目地址查看。

项目地址:https://github.com/HeyPuter/puter
7种超轻量级的Linux发行版,希望能够帮助你找到适合自己的操作系统 在本文中,我们介绍了7种超轻量级的Linux发行版,它们可以在资源有限的设备上运行,并且能够快速启动。这些发行版包括Tiny Core Linux、Puppy Linux、Damn Small Linux、Bodhi Linux、Lubuntu、AntiX Linux和LXLE。每种发行版都有其独特的特点和优势,你可以根据自己的需求来选择合适的操作系统。 阅读详情

相关推荐

CentOS安装轻量级桌面环境Linux

但是,有时候我们可能需要在CentOS上安装一个简易的桌面环境,以便进行一些日常的桌面任务。在本文中,我们将介绍如何在CentOS上安装一个轻量级的桌面环境。安装完基本的图形软件包后,我们可以继续安装一个轻量级的窗口管理器,例如Xfce。现在,我们可以重新启动系统,并应该能够看到新安装的桌面环境。请注意,这只是一种简单的方式来在CentOS上安装桌面环境。在CentOS上安装桌面环境的第一步是确保我们的系统已经安装了基本的图形相关软件包。安装完成后,我们需要配置系统以使用新安装的桌面环境。

YikPerl的博客 623

什么是轻量级操作系统(移动平台)

这类操作系统,同时。移动平台的轻量级操作系统通常用于,为应用程序,同时。

航哥的女人最优秀 1793

Camera 基础知识

Raw Sensor输出的Data格式为Raw,图像的效果处理使用BB端的ISP,BB端接收Raw data后进行一系列的图像处理(OB,Shading,AWB,Gamma,EE,ANR等),效果方面由BB端控制,需要针对不同的模组进行效果调试,Raw sensor是目前的主流,数据量比YUV Sensor小(RAW10 格式的sensor 1个pixel 10个bit)使用平台ISP处理,能支持较大的size。不过,相位对焦并不是那么完美,它对光线的要求就比较高,在弱光拍摄环境下,相位对焦就无能威力了。

手机-手表蓝牙开发工程师的博客 3064

[嵌入式系统-48]:常见轻量级嵌入式操作系统FreeRTOS、uC/OS、RT-Thread、嵌入式Linux比较与选型

综上所述,FreeRTOS、uC/OS和RT-Thread在嵌入式系统中都有各自的优势和适用场景,开发者可以根据项目需求和具体情况选择合适的操作系统。FreeRTOS、uC/OS和RT-Thread都是常见的嵌入式实时操作系统,它们在设计理念、特性和应用场景上有所不同。:Microcontroller Operating Systems的简称,是一款用于微控制器的实时操作系统,具有可裁剪性和可移植性。这些操作系统在嵌入式系统中具有广泛的应用,并根据项目需求和硬件平台的不同选择合适的操作系统。

文火冰糖(王文兵)的博客 5014

如何选择StandardScaler、MinMaxScaler和RobustScaler做标准化的对比解释和示例代码

选择合适的标准化方法取决于数据的特点和需求。如果数据分布接近正态分布且无异常值,可以使用。如果需要将数据映射到特定范围内并保持相对关系,可以使用。如果数据中存在异常值或离群点,可以使用进行鲁棒标准化。在分类、聚类算法中,需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候,StandardScaler表现更好(避免不同量纲对方差、协方差计算的影响);在不涉及距离度量、协方差、数据不符合正态分布、异常值较少的时候,可使用MinMaxScaler。

qq_36001281的博客 4941

基于遗传算法的柔性作业车间调度(初始化以及编码策略)

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

菜鸡 8596

国产开源!TinyPiXOS国产自主轻量级移动嵌入式设备桌面操作系统!运用纯C/C++从底层重构出超轻量级的整体图形技术栈,打造一款独立可控、轻量且高度定制化的嵌入式桌面操作系统方案。

TinyPiXOS以开源Linux为基础,摒弃了X11/Wayland等传统图形方案,运用纯C/C++从底层重构出超轻量级的整体图形技术栈。其核心定位在于提供一个独立可控、架构轻量且高度定制化的嵌入式桌面操作系统开发平台。 官方网站:www,tinypixos.com 技术社群:https://t.zsxq.com/JzbkN

qq_38664207的博客 2225

解决win11无法安装.net framework 3.5(包括.net2.0和3.0)错误代码:0x80070005

解决win11无法安装.net framework 3.5(包括.net2.0和3.0)错误代码:0x80070005

zeng699304的博客 2万+

ArozOS:专为树莓派打造的轻量级Web桌面操作系统完整指南

ArozOS是一款由香港开发者精心打造的轻量级Web桌面操作系统,专门为树莓派3B+、4B及类似低功耗设备设计。这个创新的操作系统提供了超越传统NAS系统的用户体验,集成了强大的文件管理、多媒体处理和网络协作功能,让您的单板计算机变身成为功能完备的个人云平台。 ## 🚀 为什么选择ArozOS? ArozOS不仅仅是一个文件服务器,它更是一个完整的桌面操作系统解决方案。相比传统的树莓派系统,

gitblog_01001的博客 876

多模态融合相关概念

多模态图像融合

weixin_43921949的博客 7371

从宁德新能源面试官视角,拆解Halcon/OpenCV图像处理工程师的硬核技能树(附避坑指南)

本文从宁德新能源面试官视角出发,详细拆解Halcon/OpenCV图像处理工程师的核心技能树,涵盖硬件选型、算法实现和系统工程思维三大能力维度。文章提供工业视觉工程师面试的实战避坑指南,包括硬件配置要点、算法优化技巧及职业发展路径,助力求职者系统提升图像处理专业技能。

weixin_28732953的博客 130

9900 万!采购 340000 套桌面操作系统

戳下方名片,关注并星标!回复“1024”获取2TB学习资源!????体系化学习:运维工程师打怪升级进阶之路 4.0— 特色专栏—MySQL/PostgreSQL/MongoDBElasticSearch/Hadoop/RedisKubernetes/Docker/DevOpsKafka/RabbitMQ/Zookeeper监控平台/应用与服务/集群管理N...

民工哥的博客 487

ubuntu虚拟机搭建OP-TEE

在网上找了一些搭建OP-TEE的过程,模仿着进行搭建,结果有好多报错,为了方便自己以后重新搭建,所以将整个过程记录下来。

weixin_44213847的博客 1003

一款简洁、稳定、美观的轻量级 Linux 桌面操作系统!

Xubuntu 作为 Ubuntu 官方认证的轻量级衍生版本,凭借其低资源占用、简洁直观的 Xfce 桌面环境,以及继承自 Ubuntu 的稳定内核与丰富软件生态,成为老旧硬件焕发新生、追求流畅体验用户的理想选择。Xubuntu 是 Ubuntu 的官方衍生版本,采用轻量级的 Xfce 桌面环境,核心亮点就是资源占用极低、桌面简洁高效与高度可定制,特别适合老旧硬件或追求流畅体验的用户。Dual Init 回归,内核、桌面环境、安装器、系统工具全面升级,更轻量、更高效。,以轻量、模块化和高度可定制著称。

民工哥的博客 1476

爬虫进阶必备:深入理解requests.Session(),提升爬虫效率与稳定性

前两天,有个朋友跟我吐槽,说自己写了个爬虫爬取某个电商网站的商品信息,刚开始跑得好好的,爬了大概几百页之后,突然就开始报错了。HTTP状态码一会儿429,一会儿403,最离谱的是有些页面明明登录了却显示未登录状态。他排查了半天也没找到原因,最后把代码发给我看。 我扫了一眼代码,发现一个典型问题:他每次请求都新建一个requests.Session(),甚至有些请求直接用了requests.get()。这就好比每次进超市都要重新注册会员,每次都重新跟服务器“握手”,不翻车才怪。 其实,这就是我们今天要聊的

2201_76125261的博客 1229

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

适合旧机器的桌面操作系统

适合旧机器的桌面操作系统 如需转载请标明出处:http://blog.youkuaiyun.com/itas109 QQ技术交流群:129518033 文章目录适合旧机器的桌面操作系统@[toc]1.Lubuntu2.ChromeOS 相关问题: 老爷机系统 旧机器系统 1.Lubuntu Lubuntu是基于LXDE桌面环境的Ubuntu,并且是Ubuntu的官方版本之一。 Lubuntu是Ubu...

itas109的专栏 1472

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!

ArozOS终极指南:如何在低功耗设备上搭建Web桌面操作系统

ArozOS是一款专为低功耗平台设计的Web桌面操作系统,采用Go语言开发,让你能够在资源有限的设备上享受完整的桌面体验。本指南将带你了解ArozOS的核心功能、安装步骤以及实用技巧,帮助你快速上手这个强大的Web桌面系统。 ## 什么是ArozOS? ArozOS是一个创新的Web桌面操作系统,它将传统桌面环境的功能通过Web界面呈现,无需复杂的本地安装即可在浏览器中访问。其设计初衷是为了在

gitblog_00374的博客 1017

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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")

超100万用户,迅速登顶 GitHub!运行在浏览器中的开源桌面操作系统,不到一个月拿下 10k star【文末福利】

Puter 是基于 Web 的桌面操作系统,运行于浏览器中,具有丰富的功能、速度极快且可高度扩展。它可用于构建远程桌面环境或用作云存储服务、远程服务器、Web 托管平台等的界面。

m0_68103666的博客 948

Linux为什么还没准备好成为桌面操作系统?

流量监测机构 StatCounter 的最新数据表明,截至 2024 年 12 月,Linux 在全球桌面操作系统市场份额仅为4.13%。这相较其在服务器市场的广泛应用,桌面端的表现可谓差强人意。那么,是什么原因导致了这一现状?近日,开源运动和开源项目的忠实支持者Artem S. Tashkinov 发布长文进行了解析,试图解开其中的真相。原文链接:https://itvision.alter...

优快云资讯 8236

【亲测免费】 ArozOS:一款面向低功耗平台的开源Web桌面操作系统

ArozOS是一款面向低功耗平台的Web桌面操作系统,旨在为用户提供一个轻量级、易于使用的计算环境。该系统基于Debian发行版构建,目前主要使用Go语言进行开发。Go语言以其简洁、高效的特性,使得ArozOS能够在资源有限的设备上流畅运行。 ## 2. 项目的核心功能 ArozOS的核心功能包括: - **用户界面**:提供了类似Ubuntu的Windows风格启动菜单和任务栏,以及简洁易...

gitblog_00142的博客 1497

又一国产桌面操作系统震撼发布!支持 Linux、Windows、安卓三大生态

点关注公众号,回复“1024”获取2TB学习资源!6月18日消息,中科方德发布方德桌面操作系统5.0与兼容平台“方德鸳鸯火锅平台8.0”,基于国产x86硬件平台实现了对Linux、Windows、安卓三大应用生态支持。据官方介绍,在兼容性上,对于Windows应用,方德已建立超10万应用软件适配仓库,完成首批2000余款精选应用,可支持大型工业设计软件。因无需运行Wind...

民工哥的博客 1522

国产操作系统回归用户 一铭桌面操作系统V4.0 SP1发布

近日, 国产操作系统厂商一铭软件发布了一铭桌面操作系统V4.0SP1。一铭桌面操作系统V4.0 SP1是基于"国产软件应用试点工作"用户的真实需求进行完善,并在用户使用习惯、安装操作、系统界面、安全防御等多个方面进行了优化和升级而来。 国产软件应用试点工作启动会于2016年8月22日在贵...

chuloujiao0230的博客 672

GitHub顶流“Web OS“——运行于浏览器的桌面操作系统、用户超100万、原生jQuery和JS编写

根据介绍,Puter 是基于 Web 的桌面操作系统,运行于浏览器中,具有丰富的功能、速度极快且可高度扩展。他说道:“Puter 直接与 DOM 进行交互,jQuery 为操作 DOM、处理事件等提供了优雅且强大的 API,并且这是一个快速、成熟且经过实战考验的框架。自带了许多常用应用程序:终端、代码编辑器、文本应用、文件管理器、App 商店,还有一些休闲游戏,等等。:Puter 可用于构建远程桌面环境,也可作为云存储服务、远程服务器、网络托管平台等的界面。作为构建和托管网站、网页应用、游戏的平台。

IT界那些事儿 2173

一款简洁、稳定、自由的轻量级 Linux 桌面系统!

Expirion Linux 是一款基于 Devuan(兼容 Debian)的轻量级桌面发行版,以“轻、快、自由”为核心,通过移除 systemd、提供 LXQt/Xfce 桌面环境及优化软件包管理。Expirion Linux 以 Devuan 为基础,而 Devuan 是 Debian 的派生版,核心差异在于移除了 systemd 初始化系统,改用更轻量的 RunIt 或 sysvinit。:继承 Debian 的稳定更新机制,但可能通过定制仓库提供更频繁的软件更新,平衡稳定性与新功能需求。

民工哥的博客 1082

安卓桌面软件_金其利银河麒麟桌面操作系统

银河麒麟桌面操作系统是易用性和兼容性良好兼容的国产桌面操作系统,默认搭载麒麟团队自研的桌面环境以及丰富的系列应用软件,拥有绚丽的人机交互界面,友好易用,用户十分钟便可轻松掌握,银河麒麟桌面操作系统主要面向电子办公,指控平台,定制设备等场景。1、友好易用搭载自主研发的UKUI轻量级图形桌面环境,安装简便,兼容Windows和安卓用户体验;2、轻松办公默认集成金山WPS,火狐浏览器,搜狗输入法,邮件客...

weixin_39817215的博客 1万+

uos应用_统信UOS桌面操作系统V20专业版正式发布 内置大量自研应用

原标题:统信UOS桌面操作系统V20专业版正式发布 内置大量自研应用 来源:快科技昨天,统信软件发布了服务器操作系统V20企业版(1020),现在专业版(1020)也来了,面向桌面级用户。统信桌面操作系统V20专业版(1020)带来了全新风格的启动器,同时上线了众多功能强大的自研应用,如扫描管理、备份还原、安装器、文件保险箱等等,稳定性、兼容性也大幅度提升。另外,新版系统对部分功能进行了优化...

weixin_39857174的博客 561
上一篇: 20多年后,Fortran再度归来!
下一篇: FastJson 你怎么了?
架构文摘JGWZ
博客等级 码龄5年 8808粉丝 345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