云之幻哔哩哔哩uwp_[UWP]推荐一款很Fluent Design的bilibili UWP客户端 : 哔哩

UWP已经有好几个Bilibili的客户端,最近又多了一个:

作者云之幻是一位很擅长设计的UWP开发者,我也从他那里学到了很多设计方面的技巧。它还是一位Bilibili的Up主,主打PowerPoint和UWP教学。

既然是一位设计方面的专家,这个UWP客户端当然有出色的设计。和过去几个同类应用不同,它整个UI经过全新设计,包含UWP各种时髦的设计元素,例如acrylic、reveal、connected-animation等都用上了,可以说是十分Fluent Design。

因为这个APP只是作者业余时间的兴趣之作,所以还缺失很多功能,只有最基本的播放、收藏等经典功能。云之幻自己也说因为他喜欢看动画,所以左侧菜单专门放了“番剧推荐”的菜单项;因为他自己不看直播,所以没有直播模块(其它各种复杂的模块也难得做);因为UWP的生态你懂的,所以连“分享”按钮都是假的。可能正是因为功能只打算做一半,所以名字只有“哔哩哔哩”的一半。

云之幻做了具体功能的介绍视频,因为视频里介绍得很全面,我就不再赘述(顺便赞一句,他的声音真好听):

我自己的话,最喜欢的是这个APP的三段布局功能,既然现在都是宽屏了,占用多谢横向空间不好吗。另一点让我很喜欢的是它的性能真的很好,我的4代i3 CPU播放同一个视频可以看出明显的差异:

还有“打开新窗口”这个功能,可以在新的窗口中打开正在播放的视频,这样就可以同时看两个视频,达到双倍的快乐:

就算一次撸4条猫,4倍的快乐对我的CPU也是毫无压力(我的老i3 cpu又焕发了第二春):

而且再赞一句,性能真的很不错,:

目前哔哩还没开源,我就暂时不做更深入的技术分析。总的来说这是款颜值十分高又挺好用的bilibili客户端,我们要抱着发展的眼光看待这难得的UWP精品应用(委婉地提醒大家要暂时容忍一些Bug的存在),期待云之幻大佬和愉快的小伙伴们继续将它完善。

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