cocoapods1.0.1版本的使用

最新推荐文章于 2024-09-14 16:34:40 发布
最新推荐文章于 2024-09-14 16:34:40 发布
阅读量1.5k 收藏 1
点赞数 1
文章标签： cocoapods
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ningn111/article/details/51701502
版权

当你需要用cocoapods管理三方库的时候，如果你还以为和以前的版本一样，那你就错了，就因为这个我连着好几个中午没有睡觉。

当安装成功cocoapods后，你要做得就

1、创建一个工程，在你的任何文件夹下，

本帅这里是cocoapodsTest文件夹下创建的工程 ：CocoapodsTest
在终端中输入
cd （将工程文件夹直接拖到cd后面）

在终端中输入命令
touch Podfile （这里的p是大写的）
在你创建的工程文件夹中会看到一个名为Podfile的文件夹

这里写图片描述

3.到这里的时候你可以选择打开podfile文件中编辑或者在终端中编辑，也就是添加三方库，本人认为还是在podfile文件中比较方便

这里是有格式的，如下

这里写图片描述

其中 target 后边的 ‘ ’中是你自己的工程名， pod 后面是要添加的三方库，几乎所有的三方库都是可以用cocoapods来管理的，后面的3.0是他的版本，支持的最低版本。编辑完成后记得 control + s 保存

4、<1>接下来在终端中输入命令

pod install

到这里应该没什么大问题了，所以一般会显示

这里写图片描述

完成后会在你的工程文件夹目录下显示几个文件和文件夹

这里写图片描述

在这里我们要打开工程，不再是xcodeprodect了，而是xcworkspace这个文件名，

打开后1.0.1版本会如图所示

这里写图片描述

之前的版本是没有pods这个名字的，所以不要怀疑，你是对的

<2>这里你只添加了一个AFNetworking，但是你怎么添加SDWebImage呢？

这里就不再多说（吼吼）

但是在podfile中添加后在终端一定要 pod install；

5、这里当你想在.m中包含头文件的时候是不会提示的，这里介绍一下如何在.m中添加库给你提示的方法

<1>.打开你的工程选中项目名称，选择Build Seting，在这里找到

search Paths 中得User Header Seacher Paths

这里写图片描述

选中之后双击 点击 + 号之后写入

$（Pod_ROOT） 选择recursive 这样就ok啦

这里写图片描述

你就可以在你的工程中放肆的添加了

这里写图片描述

好了，恭喜你已经完成了cocoapods的工作

骗子个是不会骗人的

十六谈产品
关注
TimelineTableViewCell：由UITableViewCell实现的简单时间线视图
02-06
iOS 9.0或更高版本 v1.0.1- 迅捷3 v1.2- 斯威夫特4 v1.3 迅捷5 v2.0 + v1.3-的重大更改：UIImageView替换了thumbnailImageView以支持多个缩略图。 不再支持iOS9.0。 安装 迅捷软件包管理器 是用于自动分发Swift...
cocoapods安装和使用之1.0.1版本
ningn111的博客
06-15 1894
安装了cocoapods的时候自己被坑惨了，惨到让自己发狂，后来彻底研究了cocoapods，希望可以帮到某些童鞋；现总结如下： 如果你是第一次使用cocoapods，那么恭喜你，直接可以按照下面的步骤开始了，如果你之前已经使用了，那么你只需要挑重点看了1.打开终端：control+空格+f 输入： ter2.更新gem：在终端输入命令 sudo gem update –system直到
mixpanel-swift:适用于Mixpanel Analytics的官方iOS（Swift）跟踪库
04-09
目录 初始化和使用 ... 对于Swift 2.3的实现，请指向v1.0.1版本。 我们的Swift库完全支持所有Mixpanel功能，并且与Objective-C库完全相同。 安装 迅捷软件包管理器 它需要Xcode 12+和v2.8.0 +版本 重要
GSImageViewer:易于使用的iOS多图像查看器
05-04
是Objective-C的依赖项管理器，它可以自动化并简化在项目中使用第三方库的过程。 有关更多详细信息，请参见“部分。 播客文件 platform :ios, '7.0' pod 'GSImageViewer', '~>1.0.1' 手动安装 克隆GSImageViewer存储...
realm-tasks：受Real启发，由Realm构建的To Do应用
02-05
CocoaPods 1.0.1。安卓带有Android API的Android Studio 2.2 仿真器，Genymotion或已连接并正在运行的真实设备。1.获取领域对象服务器Realm Tasks应用程序使用Realm对象服务器在它们之间同步任务。 访问Realm对象...
ghit-app:iPhone的github问题跟踪器
05-16
ghit（自v1.0.1版本起）不允许您从应用程序内创建存储库。 两要素认证 尝试使用用户名/密码登录后，启用2FA的用户将被提示输入身份验证码。 该流程与基于浏览器的登录相同。 组织回购 从v1.0.1开始，用户可以访问其...
苹果系统Cocoapods的安装
09-14 234
可以发现gem安装普遍比较卡顿，估计主要是文件下载没有进度条的缘故。估计从国外网站下载，太慢。暂时，强行关闭终端。这样cocoapods基本安装完毕，pod命令也可以使用了。这样cocoapods基本已经安装完毕了。重新安装activesupport。然后，重新安装cocospods。感觉卡的有点久，大约5分钟，再次安装cocoapods。可以发现是国外的网站。
机械原理课程设计 破碎机.doc
09-21
机械原理课程设计 破碎机.doc
电子设计论文施密特触发器电子设计论文施密特触发器
09-21
电子设计论文施密特触发器电子设计论文施密特触发器
电子设计论文往返式流动灯电子设计论文往返式流动灯
09-21
电子设计论文往返式流动灯电子设计论文往返式流动灯
基于深度学习来实现序列到序列.zip
09-21
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。
美国扩大电动汽车充电基础设施政策（英文）.pdf
09-21
政策背景与动机： 签署法案：2021年11月15日，拜登总统签署了《基础设施投资和就业法案》（IIJA），旨在通过多项措施推动美国电动汽车充电基础设施的扩张。 市场增长：随着电动汽车市场的快速增长，对充电基础设施的需求也日益增加，政府政策成为推动这一发展的关键力量。 电动汽车充电基础： 充电技术：电动汽车充电技术通常分为三级，各级充电速度和功率不同，满足不同场景下的充电需求。 充电站类型：包括公共、私人及工作场所充电站，各自具有不同的访问限制和使用特点。 市场趋势与现状： 市场增长：EV市场增长依赖技术进步、成本降低及充电便利性的提高。 充电站数量：截至2022年10月，美国公共和私人充电站总数超过50,000个，其中93%为公共充电站。 区域差异：充电站分布存在地区差异，部分低收入社区充电基础设施不足。 政策与项目： NEVI公式计划：通过IIJA设立的国家电动汽车基础设施（NEVI）公式计划，为各州提供资金以建设EV充电站。 税收抵免：扩展了替代燃料汽车加油站的税收抵免政策，包括EV充电站，以激励投资者。 联合办公室：DOT和DOE成立联合办公室，负责NEVI计划的实施和监管，确保
电子设计论文照明过暗提醒电路电子设计论文照明过暗提醒电路
09-21
电子设计论文照明过暗提醒电路电子设计论文照明过暗提醒电路
前端，HTML+CSS的综合案例，网页开发
09-21
我选用的软件是：Visual Studio CODE，这个软件在前端开发中十分常用，且提供了很大的便利。 当然也可以用记事本开发，记得把后缀名改成.html 还有我的CSS使用的是内部样式表。 写在head标签下。用到的标签有  <h1></h1>    <img src="lyf.jpg" class="god">     <p>    </p> 就是这三个标签，构成了HTML的主体架构。 而CSS则是设置了以下形式。 font-size: 16px;             line-height: 32px;             font-family: "Microsoft Yahei";             text-align: left;             text-indent：2em;          text-decoration: none;             color: #888888         width：66px
MFC MAPI 源码和可执行文件
09-21
大名鼎鼎的MFC MAPI 源码和可执行文件，是开发OUTLOOK插件的好帮手。
机械原理课程设计插床机构机械设计.doc
最新发布
09-21
机械原理课程设计插床机构机械设计.doc
基于深度学习的音频分类 前端App.zip
09-21
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。
基于BERT模型的深度学习中文文本分类实现，包含大约20000条新闻的训练和测试集，包装有简单HTTP接口可供调用。.zip
09-21
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。
《化工设备机械基础》课程设计 IB储罐设计.doc.doc
09-21
《化工设备机械基础》课程设计 IB储罐设计.doc.doc
LWM2M官方1.0.1版本技术规范含目录
该协议版本1.0.1-04Jul2017是针对物联网设备之间高效、低功耗通信的设计，旨在简化设备管理，特别是在窄带物联网 (NB-IoT) 等场景下。LWM2M 提供了一个标准化的方法，使得设备能够与远程服务器进行连接和通信，实现...
评论
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