TM2013自定义消息记录保存目录

从TM2008版记偶一直使用它,因为侧重在办公环境中使用,具有无广告、抗骚扰、风格简约、安静高效的特点。当然TM的版本更新速度很慢,偶一直使用TM2009版现今天。今天帮朋友下载QQ软件,无意中发现腾讯发布了TM2013,随即下载试用。发现TM2013界面与QQ2012非常类似,只是功能较QQ2012少了许多(TM与QQ功能比较不是本文的重点)。
TM2013是乎是QQ与TM版本的集合,所涉及的目录有TM目录也有QQ目录,感觉就是有点乱啊!

偶对聊天记录(也称之为消息) 很看重,安装完TM2013后,使用TM2013登陆所用的QQ号,很不幸里面的聊天记录都没有了,查看目录也没有发现在TM安装目录下有那个熟识的data目录。另外,
TM2013在系统设置中并没有修改消息存放位置(TM2009是存放在TM安装目录下的data下,以QQ号生成存放目录)的功能,经过搜索TM2013的消息默认存放目录存在C:\Users\你的用户名\Documents\Tencent Files下,对此默认很是不爽,如果你和我一样不爽,请往下看。用记事本打开下面所指位置的文件 C:\Users\Public\Documents\Tencent\QQ\UserDataInfo.ini
将原来内容替换成
----UserDataInfo.ini内容开始,不要COPY此行-------
[UserDataSet]
UserDataSavePathType=2
UserDataSavePath=D:\你要存放消息的目录名称

----UserDataInfo.ini内容结束,不要COPY此行-------
PS:UserDataSavePathType为1为系统默认路径 2为自定义路径;设置指定的路径即可 如 D:\TM2013\Users
这样你的消息将会存放在你指定的位置了。好了,打完收工。
===TM2008、TM2009、TM2013 使用到的目录===
公用信息
C:\Users\你的用户名\AppData\Roaming\Tencent
聊天记录默认存放位置
C:\Users\你的用户名\Documents\Tencent Files
UserDataInfo.ini文件存放位置
C:\Users\Public\Documents\Tencent\QQ

对了,告诉你TM2013版的系统声音提示和QQ是一样的,如果你又熟悉TM的声音提示环境,可以从TM2009安装目录下 的Misc\Sound\Office\所有文件 COPY到TM2013安装目录下 Misc\Sound\Classic替换即可
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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