手把手教你如何利用Python薅羊毛(快手极速版)

本文介绍了如何使用Python配合夜神模拟器和adb工具,自动化执行快手极速版刷视频任务。详细讲解了Python环境安装、夜神模拟器配置、adb工具下载以及脚本编写过程,旨在通过自动化解放双手,实现薅羊毛的目标。同时,文章提供了一个项目源码开源地址,并分享了Python学习资源和面试资料。
摘要由CSDN通过智能技术生成

本文仅限技术学习

一、项目简介

快手极速版看视频,可以有金币奖励,但是需要人手不停的一个视频一个视频的滑动,利用Python的强大功能,通过代码实现自动刷视频,有效解放双手的同时可以薅点羊毛搞个早饭钱。

软件准备:

1、Python环境安装 https://www.python.org/downloads/

2、夜神模拟器 https://www.yeshen.com/

3、adb 工具 (git代码包里面已下载,拿来直接用)

当前为windows下操作~

二、开始动手动脑

2.1 安装Python

如果仅用Python来处理数据、爬虫、数据分析或者自动化脚本、机器学习等,我建议使用Python基础环境+jupyter即可,安装使用参考Windows/Mac 安装、使用Python环境+jupyter notebook

如果想利用Python进行web项目开发等,建议使用Python基础环境+Pycharm,安装使用参考:Windows下安装、使用Pycharm教程,这下全了 和 Mac下玩转Python-安装&使用Python/PyCharm 。(现在我更喜欢开源的VS Code)

(具体步骤大家可以看上面推荐的文章)这里写个简单版本(windows下),下载好Python安装包,目前下载的是3.7版本的 ,点击下一步安装就可以了,安装好后,点击电脑左下角:开始->运行->输入cmd,然后回车即可进入windows命令行输入界面,输入 python,如果出现如下界面(图1)说明python已成功安装。

在这里插入图片描述

如有错误无法运行,应该是没有设置环境变量的原因,可设置windows环境变量 如下图2。

在这里插入图片描述

2.2 安装夜神模拟器

浏览器直接访问夜神

https://www.yeshen.com/

,然后点击立即下载,即可下载对应的安装包。

在这里插入图片描述

下载好后,点击安装包直接安装,一直点下一步即可(下图是老表用mac安装过,更简单),安装完成后桌面会出现两个快捷方式:夜神模拟器,夜神多开器。

在这里插入图片描述

2.3 模拟器中安装快手极速版配置

点击应用图标,打开夜神模拟器,搜索:快手极速版,然后点击安装按钮即可安装。

再额外说下,问了官方目前Mac是不支持直接安卓多开的,不过我查到,可以尝试用夜神的Virtual Box安装windows虚拟机,然后再在虚拟机下载windows版本夜神,然后多开。。。我没尝试。

在这里插入图片描述

(以下为widnows操作)关于windows下如何实现多开,可以查看夜晚神官方文档,很简单:

https://support.yeshen.com/zh-CN/often/dk

这里特别说明下多开的设置,我之前默认添加的模拟器,i5+8G 的台式机开3个模拟器,电脑会有些卡。因为我们只要让模拟器能够运行 快手极速版,这里我们把模拟器的配置调低些。如图3到图5操作。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

注:如何查看夜神模拟器端口(后面Python 调用多开 会用到),看下图6到图7操作。

进入机器的安装

  • 5
    点赞
  • 51
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext库。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext库加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):
评论 7
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