在Mac上怎样自定义Safari起始页

想要更改Safari起始页吗?Safari的起始页面背景为灰色,并带有几个链接,非常平淡。但这不是必须的!您可以添加更多部分并更改背景。下面小编为你介绍一下如何在Mac上自定义Safari起始页。

如果您运行的是最新版本的macOS Mojave,Catalina,Big Sur或更高版本,则Safari 14.0或更高版本中提供了Safari的可自定义起始页。

<h4>如何自定义Safari起始页部分</h4>

Safari 14或更高版本中的起始页面分为不同的部分。总共有六个部分可供您使用:“收藏夹”,“经常访问”,“隐私报告”,“ Siri建议”,“阅读列表”和“ iCloud标签”。

“收藏夹”部分显示“收藏夹”栏中的两行网站和文件夹。您可以单击“显示更多”按钮以展开该部分。与预期的一样,“经常访问”部分显示了一些您经常访问的网站。要从此处删除网站,请右键单击并选择“删除”选项。

“隐私权报告”显示您过去7天访问过的网站的摘要,并报告阻止了多少跟踪器对您的网络存在进行分析。您可以单击进入报告,并准确查看每个网站上被阻止的跟踪器。

“ Siri建议”将向您显示您在“消息”或“邮件”应用程序中收到的链接。“阅读列表”功能显示您的阅读列表中的最新文章。

最后,“ iCloud标签”部分显示了您从其他Apple设备打开的标签。

您可以根据需要启用或禁用任何部分。您甚至可以禁用所有部分,只保留半透明的灰色背景作为起始页。

自定义这些部分非常简单。只需打开Safari应用程序或打开一个新标签即可查看开始页面。在这里,单击屏幕右下角的菜单按钮。

在这里,选中部分旁边的复选框以启用或禁用它。

或者,您可以右键单击起始页上的任意位置以查看显示或隐藏部分的快捷键。

<h4>如何更改Safari起始页背景</h4>

自定义要在起始页上查看(或隐藏)的部分后,就可以自定义背景了。

尽管默认的灰色背景很小,但是您可以通过更改背景图像来使事情更加生动。您可以从Apple提供的少量图像中进行选择,也可以添加自己的图像。

单击Safari起始页右下角的“菜单”按钮,然后单击“背景图像”选项旁边的复选框以启用该功能。

现在,水平滚动以查看所有可用的背景图像。单击图像使其成为背景。

要将您自己的图像用作背景,请单击“ +”按钮。

在文件选择器窗口中,导航到您要下载和存储要使用的图像的位置。Safari首先会打开桌面背景文件夹,从而可以轻松地将任何内置墙纸用作起始背景。

找到要使用的图像后,将其选中并单击“选择”按钮。

现在,起始页面背景将被更新。

如果要删除当前背景或使用另一个背景,请返回到自定义菜单,然后单击当前背景旁边的“ X”按钮。

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