【转】具透 | 你可能不知道,iOS 10 有一个中国「特供」的联网权限功能

9 月底,苹果正式在北京成立了苹果中国研发中心。近几年,我们也在每年更新的 iOS 系统中不断看到,苹果对中国市场的关照。从早前的九宫格输入法,到最近的骚扰电话拦截,都照顾了国内用户的需求。

在 iOS 10 中,除了 骚扰电话识别和拦截 功能的加入,苹果其实还专为国行 iPhone 制定了一个「联网权限」功能1

它是什么

相信已有不少人早就注意到这个功能。毕竟在 iOS 10 中,每当你打开一个新安装的 App 时,应用除了可能会弹出请求授权访问相册、推送通知、获取定位这些熟悉的权限之外,还会向你发出一个新的请求:「允许 XXX 使用数据?」

只有当你选择「允许」后,应用才能够开始联网。如果你没有允许,那么这个 App 将无法做任何与联网相关的动作,不管是在前台还是后台。

之后,你还可以从「设置 - 蜂窝移动网络 - 使用无线局域网与蜂窝移动的应用」中,对所有你允许过联网的 App 进行统一管理。在该设置列表内,你不仅可以分别查看每个 App 消耗了多少流量,还能对 App 的联网权限进行三种选项管理:关闭联网、仅无线局域网、无线局域网与蜂窝移动数据。

为什么这是「特供」的新功能?因为它只在国行设备的系统中出现,非国行设备新安装的 App 不会弹出「请求联网」的授权提示,系统设置和 iOS 9 一致,仅有针对每个 App 是否允许使用蜂窝数据网络的开关。

据了解,国内特供的这一功能与去年底工信部起草的一份《移动智能终端应用软件(APP)预置和分发管理暂行规定》有关,规定中要求设备生产企业「未经明示且经用户同意,不得实施擅自收集使用用户个人信息、强制开启应用软件……等侵害用户合法权益和危害网络安全的行为」。现在我们使用任何其它国行手机,首次打开 App,一般也都会有请求网络权限的弹窗,由此可以看出,这是苹果响应规定的体现。

好的一面

虽然 4G 网络在国内已经有了较大普及,流量费相比前两年也便宜了很多,但中国仍有大量用户在用着更昂贵的流量套餐,也仍有大量用户的流量使用习惯和观念没有跟上。

iOS 10 针对中国地区提供更严格的 App 联网管理功能,让用户自行决定哪些 App 可以联网、哪些 App 不可以、哪些只能在有 WiFi 时联网,这无疑可以帮助用户更好避免在使用 iPhone 时出现「偷跑流量」的情况。

微博上有朋友表示,国行 iPhone 这次终于和非国行 iPhone「扯平了」。因为「Facetime 音频」功能在国行设备上一直是被阉割状态,这次国行设备专享了更强大的「联网权限」功能,自然喜闻乐见。

不完善带来的不便

但是,目前的「联网权限」功能并不完善(这从不太美观的设置界面也可以猜到),还因此带来了一些使用上的不便。

具体表现为:在部分国行 iPhone 上,当用户打开一款新 App 时,请求联网授权的提示框有一定几率不会出现。这就出现了 App 完全没法联网,用户又不能主动让 App 联网(这时在设置管理列表里也找不到这个 App)的尴尬情况,甚至卸载重装也不一定会弹出提示框。更严重一点的话,App 还有可能因此闪退。

用户没法正常使用 App,第一反应会怪罪于这款 App 的开发者,这种情况下,用户通常都会认为是 App 而非系统的问题。四叶新媒体的 Saic 此前就在 微博 上抱怨:

前几天我们再次询问了 Saic 问题是否解决,他表示已经与苹果沟通,查明该问题的原因主要是,iOS 10 没有就「联网权限」功能向开发者提供与「请求地理位置权限」类似的 API,没法调试这个功能,因而无法确保自己的 App 每次都能弹出「请求联网权限」的弹窗。

开发者无能为力,但好在用户自己有解。有不少朋友 也在微博上 分享了他们临时的解决办法:

  • 方法 1:多退出重进几次 App,有一定几率会弹出提示框。
  • 方法 2:在「设置 - 蜂窝移动网络」内打开「无线局域网助理」开关,再进入无法联网的 App,会弹出提示框。解决之后,就可以关掉助理开关。
  • 方法 3:先去设置里随意关闭一个 App 的联网权限,然后打开,再进入无法联网的 App,会弹出提示框。

其中,第二个方法被多位朋友证实有效,如果你也遇到类似的问题,推荐试试。

小结

就功能本身来说,这个「中国特供」确实是 iOS 在 App 联网权限管理方面的进步,它让用户能更主动地控制自己手机内各个 App 访问网络的权限,当出现流量使用异常的情况时,我们能够更容易找到偷跑流量的原因和对应 App,并马上对其作出权限限制。

只不过,可能因为这是苹果工程师收到的「临时需求」,这一功能目前还不够完善,从而导致我们在日常使用上可能会遇到一些不便,只能等 iOS 10 后续的系统更新了。

 

from:https://sspai.com/post/35720

转载于:https://www.cnblogs.com/xuan52rock/p/9835760.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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