程序员开发了一款软件,完成了舔狗的绝地反杀(代码开源)

在一个阳光明媚的清晨,我打开窗户呼吸了一口新鲜空气。

阳光灿烂,岁月静好,又是一个约女朋友出去爬山吃饭看电影的好日子。

想到女朋友的大眼睛,我脸上不禁洋溢起了幸福的微笑。

打开微信,给女朋友发出去一个美好的邀约。

等等,这为什么有一个感叹号???

我的消息被拒收了??

笑容凝固在了我的脸上。

什么?她又一次拉黑了我?

我开始反省。

我昨天吃饭买单的时候找钱包找的太久了被她误认为是迟疑?

昨天清空她购物车的时候没有举一反三融会贯通?

啊!

我想起来了!

我昨天晚上打游戏完忘了跟她说晚安!

完了完了,之前女朋友约法三章要求我每天必须发晚安的!

整整一句晚安啊!

知道了理由,剩下的就是认错了。

我知道,必须保持高度警惕。

打起十二分精神。

在女朋友把我从黑名单移除的那一刻,让她看到我悔过的觉悟!

以此来证明,在她拉黑我的时间里,我一刻也没有忘记她,一刻不停的在反省自己。

一个小时过去了。

她依然没有把我从黑名单中解救出来。

室友喊我打游戏,我拒绝了。

室友喊我踢球,我拒绝了。

我开始怀疑人生

只是少发了一个晚安而已

她出去玩晚了回家,从来不给我发晚安。

她凭什么就想拉黑我就拉黑我?

丝毫不考虑我也有自己的生活,也有自己的事情要做?

想到以往那么多次毫无尊严的发消息。

然后看着屏幕上的感叹号发呆。

我突然开始怒火中烧。

我决定反击!

我决定去打游戏!

我不要再看这个感叹号了!

如此没有尊严的事,凭什么要我来做???

凭什么是我来做??

于是!!!!!

我写了一个程序,来替代我做这件毫无尊严的事。

它就是:拉黑复活检测器!

Tips:欢迎关注微信公众号:Java后端,每日推送 Java 项目技术博文。

拉黑复活检测器

Windows 版本下载地址:

https://github.com/tangzixiang0304/Shielded_detector/raw/master/dist/detector.exe

用来检测拉黑你的女朋友有没有把你取消拉黑:

运行的时候需要关掉 360。

使用步骤

步骤非常简单,跟着 GUI 走就行了

检测设置

输入你女朋友在你列表里的备注名

通知设置

你女朋友把你从黑名单拉出来的时候,要通过什么方式通知你呢?

如果你打算睡觉或者打游戏,你可以让程序通知别人来喊你:

自动回复

在你回来之前,这个程序可以自动回复你女朋友。

延迟和回复消息的长度正相关,看起来非常真实 !

关闭条件

假如你出门了,可以通过给文件传输助手发消息来使程序关闭 :

运行

扫码,然后静候佳音吧!

有了它,你可以尽情的去打游戏,K 歌,蹦迪,把妹(划掉),做自己的事情。

而在女朋友眼里,你依然是那个,在她把你移除黑名单的时候,立刻察觉到,并立刻回复你的人。

当女朋友解除拉黑的时候,你就会收到这样一条消息:

代码可跨平台,已经开源:

https://github.com/tangzixiang0304/Shielded_detector

再发一遍下载地址:

https://github.com/tangzixiang0304/Shielded_detector/raw/master/dist/detector.exe

科学的舔,最为致命!

祝大家,舔狗舔到最后应有尽有~

算了,舔狗太难听了

祝有情人终成眷属吧~

---

以上便是今天的分享,觉得内容不错,还请点个在看,谢谢


【END】


读 

1. Spring Boot 多模块项目实践

2. MyBatis大揭秘:Plugin 插件设计原理

3. 你知道 Spring Batch 吗?

4. 3 分钟带你彻底搞懂 Java 泛型背后的秘密

5.  团队开发中 Git 最佳实践

 

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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