新手看Mockplus2.3

垂直选项卡竖版选项卡切换文字列表源码下载 立即下载

Mockplus是我从今年下半年开始使用的一款原型设计软件,我被它简单高效的特性深深吸引着。他最近迎来了一次大版本(2.3)的更新,作为一名新手,我看着他再度走上了一个新的台阶。

我一直觉得Mockplus是一款很执着的原型设计软件,他简单高效的特色太鲜明了,鲜明到他可能为了这个特色,而放弃了一些具有很强个性化却复杂的功能,而这一次Mockplus的版本更新再一次证明了他们的执着。

Mockplus这一次的2.3版本更新,最直观看到的一个变化就是他的项目栏从右边移动到了左边,而组件的属性框则占据了整个右边的侧边栏,让属性设置更加的方便,但这个改动可能会让老用户很不适应。为什么要做这个变动呢?我的推测是:其一,可以腾出更大的设计空间,现在只有左右两个面板,中间全部腾出来作为设计使用;其二,右侧面板集中了交互操作,在一个地方就可以设置组件的交互、页面的链接,而以往二者是分离的;其三、将组件的一些常用属性(比如文字字体、字号)、通用操作(布局、对齐等)放置在一起,第一时间就能找到;最后,我看到这次版本更新还增加了很多组件的属性项,比如选项卡组件添加了圆角、标签颜色及边界、滚动值等属性;除此之外我发现更多的组件有了边框相关的属性设置,如形状组件在有圆角时也可以设置边框了。这些属性的增加使得这些组件更加的灵活,适应更多的场景,能够更好的实现设计师的设计思想。


Mockplus这一次更新还有一个关键点就是组件库同步和分享。这个组件库功能可以将设计师自己设置的个性化需求的组件、组、图片等在“我的组件库”中进行添加/删除/修改,同时还可以将自己的组件库发布/同步到云端,关键是还可以分享给其他人,这个功能的实现将大大的方便团队协作。同时可以预见的是,随着Mockplus的不断发展,这些用户自定义的组件库资源将越来越丰富,到时对于使用者来说将会有数量巨大的各类成品/半成品组件可以直接拿来修改、使用;而到时,这个功能可能会成为一个类似于网络社区的形态存在,使得Mockplus软件的使用者可以通过自己的自定义组件库进行相互之间工作、学习、思想上的交流。当然现在说这些愿景有些遥远,目前主要还是会比较多的使用Mockplus官方提供的一些公共库,来丰富用户的设计需求。


这一次更新,Mockplus软件再次添加了近200个图标,对于设计者来说这些图标和选项的添加将提供更多样的选择,进一步减少了寻找、设计合适的图标的工作。Mockplus还增加了对字体权重的支持,我惊喜地发现,之前不被支持的Roboto字体的权重,被完整的支持,看看:


这一次的更新还在云项目管理中增加了查看历史版本和设置密码的功能。同时Mockplus现在可以对工作区缩放比例进行自定义,还开放了Web项目不同页面支持不同宽度的功能。


Mockplus这一次的新版本发布,不仅仅是增加了一些属性和功能,同时还修复了很多存在的问题。就我所发现,这一次的版本解决了手机上键盘不消失的问题和图片组件在手机上查看不清晰,以及复制粘贴可能会使交互目标丢失等问题。

这一次的版本更新,似乎除了组件库功能值得期待就没有出现什么让人眼前一亮的新功能了,但众多图标、组件属性、功能的增加是Mockplus这款软件对于用户需求的专注的进一步诠释。在我看来,他这一次版本的更新就好像是对所有的用户说“嘿,把你们的麻烦交出来,我来搞定他!”。他总是在不断的适应用户需求,解决用户的麻烦,而不是让我们不断的学习使用它。这也是为什么我喜欢它的原因吧。


我喜欢把Mockplus比作一个独立独行的剑客,因为它作为一款原型设计软件似乎太专注于自己的特色了。他只走在自己的路上,从不见异思迁;他只做自己会做的事,从不画蛇添足。他专注的让人又爱又恼,爱他不争名利的决心,却也恼他不争名利的初心。但也许就是因为他的这种专注,会突然有一天,他在自己的小路上蓦地回头一望,发现不知何时已然踏上了总统山。


使用 DeepSeek 配合 即梦AI 生成视频的详细教程 访问即梦AI官网,选择“AI作图”功能,将DeepSeek生成的提示词逐条粘贴至输入框,选择适配的模型(如“通用XL Pro”)和参数(如画幅比例、风格强度)1113。“我要制作一个关于普洱茶文化的宣传视频,请设计一个30秒的脚本,包含时间轴、画面描述、文案和分镜提示词,以表格形式输出。:云南古茶树群,清晨薄雾,金色晨光,露珠特写,国风山水画质感,16:9画幅,使用Nikon D850参数模拟513。:结合DeepSeek生成的知识点脚本与即梦AI的插画风格,制作科普动画211。 阅读详情

相关推荐

解密高并发系统的瓶颈:五大解决方案

在互联网应用中,高并发是指在短时间内同时有大量的用户访问一个网站或服务,造成系统压力过大,导致服务器宕机或服务停止响应的情况。高并发是互联网应用面临的一个重要问题,需要采取一系列措施来解决。负载均衡、缓存、数据库优化、异步处理和分布式架构是解决高并发问题的主要方法。在实际应用中,需要根据具体情况选择不同的方法来解决高并发问题。在高并发情况下,使用负载均衡是解决问题的一种常见方法。负载均衡可以通过将请求分配到多个服务器上,从而减少单个服务器的负载。这可以通过硬件设备或软件实现。

BUG制造者:图图 <p>这是一个P标签</p> 3900

【Mockplus】Mockplus中是按照分组的方式来管理页面,将多个页面放入一个分组中, 就像...

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34289744的博客 512

kubernetes rook 安装 cephfs

ceph root kubernete osd uuid partuuid

天津托的博客 1541

Mockplus(摹客)和墨刀(Moqups)

和(Moqups)是两款在产品设计和原型制作领域广受欢迎的工具,它们帮助设计师和开发人员创建高保真度的交互式原型、设计和协作平台。Mockplus是一款功能强大的原型设计工具,广泛应用于UI/UX设计和交互设计领域。它支持设计师快速创建交互式原型、用户界面,并能够进行团队协作。

小宝哥Code的专栏 4442

知识图谱本体建模工具Protege使用教程

1.下载 先去官网下载:protégé 直接下最新版,点击会有注册页面,只填必填项的name和project description即可。 下载后解压即可使用。 2、安装可视化工具Graphviz 去官网:Download | Graphviz下载。下一个最新版的zip就行。 我解压在了Protege文件夹下,然后在 Preference下指定目录。 指定一下你解压完的Graphviz下的dot.exe,确定。 PS:如果这样报错就尝试在环境变量的系统变量的...

子麒的博客 2万+

Graylog日志系统实战:高效接收与解析交换机日志

本文提供Graylog日志系统的实战部署与配置指南,重点讲解如何高效接收与解析交换机日志。通过Docker快速部署,配置Syslog输入,并指导华为、华三等主流交换机将日志发送至Graylog。文章还介绍了使用提取器解析日志字段、创建数据流进行分类,以及设置报警规则,实现从被动排查到主动预警的运维转变,帮助网络工程师构建集中、智能的日志管理系统。

weixin_29284885的博客 540

如何用Mockplus快速做一个手风琴菜单?

手风琴菜单是一种比较常用的菜单形式,利用原型工具来做这种菜单通常要用到中继器。即使是功能强大的Axure,想实现该效果也比较麻烦。但如果你对Mockplus有所了解,你一定知道,利用Mockplus的“面板”组件,可以快速地做一个手风琴式的菜单。 我们来看看具体的操作步骤: 第一步:选择“面板...

weixin_34081595的博客 437

立创EDA手动拼板实战:当自带功能不够用,如何用‘复制粘贴’搞定异形拼版与特殊布局

本文详细介绍了立创EDA手动拼板技术在异形拼版与特殊布局中的应用实战。通过CTRL+SHIFT+V等核心操作技巧,解决混合尺寸拼板、特殊间距需求等复杂场景,提升PCB设计效率与灵活性,特别适合需要高精度控制的射频电路和医疗设备项目。

weixin_31967485的博客 385

Mockplus-更快更简单的原型设计

本文主要介绍Mockplus的基础功能,主要是基于学习过程的总结记录,可能比较简要,详细内容请参考Mockplus的官方教程,也即本文的主要参考资料。 引入:为什么选择Mockplus? 一、快速入门 二、熟悉组件 三、要点深入 1. 基本交互 2. 表格说明 3. 使用标尺和参考线 4. 使用导入导出在项目之间共享组件和页面 5. 数据自动填充与快速格子 6. 母板 7. 复制...

WWF_HelloWorld 4531

Web渗/透/攻/击实战(1)—成功渗/透台湾某净化设备公司官网

写在前面 作为一个防御型白帽黑客​ 你一定要知道黑客的进攻套路 才能有相应的防御措施 声明:只做测试,发现对方的漏洞,并不进行破坏性操作 1、 网站分析 地址:http://www.xxx.com.tw/ 这是一家中国台湾地区的网站,看着满屏的繁体字,就不是很舒服 网站首页包括:关于我们、资料下载、联络方式等等。 这些对我们进行sql注入用处并不大 我们需要的是可以进行参数传入的页面,这样我们就可以在参数里做文章 找一下 有没有新闻列表相关的页面 页...

信息安全领域优质创作者|操作系统领域专家 1805

OpenClaw一人公司落地案例:本地商家营销智能体月赚3万的秘密

角色:本地商家营销专家## 核心目标为商家生成高转化率的抖音营销策略,最大化 ROI。## 输入数据- 商家名称: "XX奶茶店"- 过去 30 天视频播放量: 12,000- 客单价: 28 元- 竞品平均播放量: 15,000- 市场趋势: rising## 策略生成规则1. **内容类型**:根据客单价推荐- < 30 元:美食探店 + 优惠券- > 30 元:场景化故事 + 会员权益2. **发布时间**:根据历史数据- 18:00-20:00 高峰期。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 541

5分钟掌握8个常用交互组件,轻松进阶原型设计

原型设计离不开组件,如果原型是房子,那么组件就是水泥和砖块。本文将为您介绍八个最常用的交互组件,现在就打开Mockplus试试吧! 一、弹出菜单 弹出菜单是原型设计中最常用的组件,许多组件的使用方法也与它类似,熟练使用弹出菜单将会给您带来莫大的帮助。接下来我们从实际案例来看一看如何使用弹出菜单。 1. 随意拖出一个组件,这里我们以Mockplu

aimeeth的博客 2171

【06】新国都——新国都 嵌入式笔试,校招,题目记录及解析

本文总结了新国都嵌入式校招笔试题目及解析,内容涵盖C语言基础、Linux系统、数据结构与算法等多个方面。主要包括:1)不定项选择题10道,涉及字符串常量、蓝牙与GPRS区别、编译错误识别等;2)判断题10道,考察Linux权限、循环控制、内存管理等;3)填空题5道,包括编码计算、逻辑运算、宏定义等;4)简答题2道,解析全局变量引用和进程线程区别。题目难度适中,重点考察嵌入式开发基础知识和编程能力,并提供详细解析和扩展知识链接,对准备嵌入式相关笔试具有参考价值。

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 1429

新手看MockPlus

如今是一个快节奏的社会,每一天都会有无数的软件发布,每一款软件的制作过程不可避免的需要使用原型设计工具。而MockPlus就是一款原型设计软件,可以用于移动端,PC端以及WEB的原型设计。它也符合如今快速设计的潮流,旨在帮助设计师在最短时间内设计出令人满意的软件原型。 现在市面上有很多的原型设计软件,而为什么选择MockPlus呢?我是因为它快速且高效,简单而不简陋的特点,专注于原型设计这件

设计“1+2”,摹客就够了! 1999

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&#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")

适合新人使用的Mockplus原型图设计软件

对于UI方面设计的新人来说,一是没多少经验,二是工作压力。迫切的想快速入手,AXTRUE学习起来需要一段的时间去慢慢的接触熟悉,Mockplus这款软件的横空出世,给新手带来和福音。以下本人总结的使用摩客Mockplus的几个理由! 1.入手Mockplus简单,功能够用。不用专门学习如何使用。工具毕竟是工具,工具只是辅助你的工作,不要让工具左右你的工作,让工具成为你的负担。

mockplus1的专栏 791

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Mockplus

Mockplus Mockplus  编辑 本词条缺少名片图,补充相关内容使词条更完整,还能快速升级,赶紧来编辑吧! Mockplus,一款简洁快速的原型图设计工具。适合软件团队、个人在软件开发的设计阶段使用。其低保真、无需学习、快速上手、功能够用。并能够很好地表达自己的设计。 中文名 摩客 外文名 Mockplu

345

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

新手看Mockplus

如今是一个快节奏的社会,每一天都会有无数的软件发布,每一款软件的制作过程不可避免的需要使用原型设计工具。而Mockplus就是一款原型设计软件,可以用于移动端,PC端以及WEB的原型设计。它也符合如今快速设计的潮流,旨在帮助设计师在最短时间内设计出令人满意的软件原型。 现在市面上有很多的原型设计软件,而为什么选择Mockplus呢?我是因为它快速且高效,简单而不简陋的特点,专注于原型设计这件

设计“1+2”,摹客就够了! 826

Mockplus默认图标导出的方法

Mockplus 它关注设计,而非工具,是它带给设计人员的理念。Mockplus的主要价值是:在正式制作真实软件产品前,通过原型给大家一个产品的模型展示,而这个模型你可以通过非常简单快速的方式得到。所以,Mockplus的适用人群是比较广的,只要你有产品(范围很广,可以是某网站,某功能,某个策划案,某个广告模型,某个创意等)模型的展示需要。总之,任何软件公司、软件从业者,能利用到Mockplus提高效能,并替自己加分。Mockplus是一款快速原型设计工具,支持包括APP原型在内的多种原型与线框图设计。除了

能量守恒洛的专栏 872

Mockplus教程:分分钟搞定APP首页原型设计

Mockplus是一款快速原型设计工具,支持包括APP原型在内的多种原型与线框图设计。除了快速,Mockplus广受欢迎更因为它极低的上手门槛。今天小编就为大家展示如何用Mockplus在3分钟内完成APP首页的原型设计,新手也能马上掌握哦! 是时候展现真正的技术了! 创建项目 打开Moc...

weixin_33737134的博客 1741

界面原型设计工具Balsamiq、墨刀、Axure、Mockplus

Balsamiq的体验 这个基于Adobe AIR Runtime的工具实在是有让人眼前一亮的感觉,手绘风格的元件样式粗犷淋漓,能创建接近于纸上手绘的原型文件。其提供了丰富的手绘风格的web常用元件,包括常用的html控件、以及一些组合控件,如多媒体控制器、标签页、列表、Iphone界面元件等。 墨刀的体验 墨刀,可以说是专为移动端产品原型设计而生。它的免费版本自带的部件、交互、功能,...

sinolover的专栏 2637

Mockplus黑色星期五和网络星期一特惠

作为一个全面的原型设计工具,Mockplus让做原型变得更快/更简单。在黑色星期五和网络星期一的繁忙购物节期间,Mockplus现在也提供有特别优惠,无需优惠码或者优惠链接。任何用户都可以直接从这个促销页面,获得独家的折扣和优惠。请注意,此促销活动今仅对包年套餐有效,并将持续到2016年11月28日,以下是更...

weixin_34168700的博客 230
上一篇: 我的MVP呢?
下一篇: 交互设计流程是怎样的?
摹客
博客等级 码龄12年 1588粉丝 784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