Qt快捷键

原文链接:

详细,Qt Creator快捷键大全,附快捷键配置方法

1Qt一些常用快捷键

1 Esc 切换到代码编辑状态
2 F1 查看帮助(选中某一类或函数,按下F1,出现帮助文档)
3 F2 在光标选中对象的声明和定义之间切换(和Ctrl+鼠标左键一样的效果,选中某一类或函数,按下F2,迅速定位到该类或函数声明的地方或被调用的地方)
4 F3 查找下一个
5 F4 头文件和源文件之间切换
6 F5 开始调试/继续执行
7 F9 设置和取消断点
8 F10 单步跳过
9 F11 单步进入
10 Shift + F2 声明和定义之间切换
11 Shift + F3 查找上一个
12 Shift + F5 停止调试
13 Shift + F11 单步跳出
14 Ctrl + 0 编辑界面恢复默认字体
15 Ctrl + 1 激活欢迎模式
16 Ctrl + 2 激活编辑模式
17 Ctrl + 3 激活调试模式
18 Ctrl + 4 激活项目模式
19 Ctrl + 5 激活帮助模式
20 Ctrl + 6 激活输出模式
21 Ctrl + B 编译工程
22 Ctrl + E释放后按0 删除新建的分栏
23 Ctrl + E释放后按1 删除所有分栏
24 Ctrl + E释放后按2 上下分栏
25 Ctrl + E释放后按3 左右分栏
26 Ctrl + F 查找/替换当前选中的内容,对与所选内容一致的部分进行高亮显示
27 Ctrl + I 代码格式化
28 Ctrl + K 定位文件,可以找到对应的文件(符号说明:? 帮助、: 类和方法、1 数字 定位当前文件中行、m 类、 f 方法、a 任何工程中、p 当前工程中)
29 Ctrl + L 跳到某一行
30 Ctrl + M 添加/删除书签(书签也可以添加文字标注)
31 Ctrl + W 关闭当前编辑的文件
32 Ctrl + R 运行工程
33 Ctrl + . 下一个书签
34 Ctrl + , 上一个书签
35 Ctrl + / 多行注释/取消多行注释
36 Ctrl + [ 跳到代码块的头部
37 Ctrl + ] 跳到代码块的尾部
38 Ctrl + Tab 快速切换已打开的文件
39 Ctrl + Space 自动补全(Windows系统下与输入法切换快捷键冲突)
40 Ctrl + 转动鼠标滚轮 调整编辑区字体大小
41 Ctrl + Shift + F5 重启调试
42 Ctrl + Shift + F 在项目/文件夹下查找
43 Ctrl + Shift + R 局部变量统一修改(将光标移动到需要更改的变量上,按Ctrl+Shift+ R,当前变量名称外框为红色时,表示已经已激活全局修改功能,当修改此处变量名称时将一同修改代码中所有使用该变量的变量名。),全局变量开启全局替换窗口
44 Ctrl + Shift + U 查找所有使用该符号的地方
45 Ctrl + Shift + < 折叠代码块
46 Ctrl + Shift + > 展开代码块
47 Ctrl + Shift + Up 将当前行的代码向上移动一行
48 Ctrl + Shift + Down 将当前行的代码向下移动一行
49 Alt + 0 隐藏或显示边栏,编辑模式下起作用(有时写的函数太长,屏幕不够大,就用这个)
50 Alt + 1 切换至/关闭生成窗口
51 Alt + 2 切换至/关闭搜索结果窗口
52 Alt + 3 切换至/关闭应用输出窗口
53 Alt + 4 切换至/关闭编译输出窗口
54 Alt + 5 切换至/关闭QML/JS Console窗口
55 Alt + 6 切换至/关闭概要信息窗口
56 Alt + 7 切换至/关闭版本控制窗口
57 Alt + 9 最大化/最小化输出窗口
58 Alt + 左 光标返回到上一位置
59 Alt + 右 光标前进到下一位置
60 Alt + Enter 将光标移动到h文件中的方法声明,按Alt+Enter,再按回车键将在cpp中添加对应的方法实体

### 即插即用的NLP文本分类模块 为了实现易于集成的自然语言处理文本分类组件,spaCy 提供了一套全面的功能集和支持多种语言的预训练模型[^3]。 spaCy 不仅支持超过60种语言,还提供了经过不同任务优化过的管道,这使得它成为一种理想的解决方案。 #### 使用 SpaCy 进行文本分类 SpaCy 的 `TextCategorizer` 组件能够轻松地被配置并应用于各种文本分类场景: ```python import spacy from spacy.pipeline import TextCategorizer # 加载小型英语模型 nlp = spacy.load("en_core_web_sm") # 创建一个新的文本分类器实例 textcat = nlp.add_pipe("textcat", last=True) # 添加标签至文本分类器 labels = ["POSITIVE", "NEGATIVE"] for label in labels: textcat.add_label(label) # 训练数据样本 train_data = [ ("I love this product!", {"cats": {"POSITIVE": 1.0, "NEGATIVE": 0.0}}), ("This is the worst experience ever.", {"cats": {"POSITIVE": 0.0, "NEGATIVE": 1.0}}) ] # 开始训练过程 optimizer = nlp.begin_training() for i in range(10): # 迭代次数可以根据需求调整 for batch in spacy.util.minibatch(train_data, size=2): texts, annotations = zip(*batch) nlp.update(texts, annotations, sgd=optimizer) # 测试已训练好的模型 test_text = "The service was amazing!" doc = nlp(test_text) print(doc.cats) # 输出预测的概率分布 ``` 通过上述代码片段可以看出,利用 spaCy 可以快速搭建起一个高效的文本分类系统,并且该系统的接口设计友好,便于与其他应用程序无缝对接。
评论 1
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