Wine常见问题总结

字体乱码或方框

如果字体是方块或乱码,有以下解决方案:

查看编码环境
查看系统运行环境或终端编码环境是否和wine的语言编码一样。

locale
LANG="zh_CN.UTF-8"
LC_COLLATE="zh_CN.UTF-8"
LC_CTYPE="zh_CN.UTF-8"
LC_MESSAGES="zh_CN.UTF-8"
LC_MONETARY="zh_CN.UTF-8"
LC_NUMERIC="zh_CN.UTF-8"
LC_TIME="zh_CN.UTF-8"
LC_ALL=

如果需要把编码环境改为ASCII编码,则:

export LANG=""

链接字体
当一种字体不存在时,可以替换为另一种字体:

[HKEY_LOCAL_MACHINE\Software\Microsoft\Windows NT\CurrentVersion\FontLink\SystemLink]
"Lucida Sans Unicode"="wqy-microhei.ttc"
"Microsoft Sans Serif"="wqy-microhei.ttc"
"MS Sans Serif"="wqy-microhei.ttc"
"Tahoma"="wqy-microhei.ttc"
"Tahoma Bold"="wqy-microhei.ttc"
"SimSun"="wqy-microhei.ttc"
"Arial"="wqy-microhei.ttc"
"Arial Black"="wqy-microhei.ttc"

其中wqy-microhei.ttc/usr/share/fonts中存在的字体。
安装字体的方法:

sudo apt install fonts-wqy-zenhei ttf-mscorefonts-installer fontmatrix

如果上述方式不生效,那么可以在以下位置进行上述操作:
[HKEY_CURRENT_USER\Software\\Wine\\Fonts\\Replacements][HKEY_LOCAL_MACHINE\Software\Microsoft\Windows NT\CurrentVersion\FontSubstitutes]

另外,运行一些软件时可能发现菜单的字体仍不是我们所期望的,此时可以修改~/.wine/drive_c/windows/win.ini,在文件中加入:

[Desktop]
IconTitleFaceName=SimSun

输入框不能输入问题

首选复制原生Windows riched20.dll到 ~/.wine/drive_c/windows/system32/目录下,然后:

wine winecfg

image.png

缺少MSVCP140.dll

可以去winetricks查阅缺少组件所属的部件。

image.png

缺少MSVCP140D.dll

image.png
解决方案:以release模式构建
debug模式链接的是debug版本的vcruntime,dll名后面有个d,这些dll只在vs目录里有。

缺失MFC问题

image.png

winetricks mfc42

由于我这里的winetricks版本中没有独立的mfc42这个dll,提示安装失败,这种情况也是经常遇到,那么可以选择使用手动方案:
我们可以去网上下载MFC42.dll,也可以去windows虚拟机windows/system32目录下拷贝,记得下载版本一定是要32位,之后拷贝到容器的windows/system32目录或应用可执行文件同目录即可。

缺失vcrun

image.png

可以先查找它们属于哪个vcrun:

winetricks list-all | grep vcruntime140

_cgi-bin_mmwebwx-bin_webwxgetmsgimg__&MsgID=4659706888594204060&skey=@crypt_1958eb40_86291d02f250d4bd41e74770e83194fc&mmweb_appid=wx_webfilehelper.jpeg

发现缺失vcrun2015

winetricks vcrun2015

image.png

缺失.Net

image.png

winetricks dotnet46

COM组件未注册

image.png

我们可以先在windows下安装好应用可以正常运行后,在注册表中搜索“9165c9f3-ce90-4b41-8741-9243d0f39049“, 找到com的文件名,然后再在容器注册此com

image.png

wine regsvr32 C:\\AxGUI.ocx

安装IE引擎

安装前查看:Gecko版本和wine版本对照表

Wine Gecko IE engine,官网地址:
http://dl.winehq.org/wine/wine-mono/5.1.1/wine-mono-5.1.1.msi
http://dl.winehq.org/wine/wine-gecko/2.47/wine_gecko-2.47.2-x86_64.msi

安装.NET相关

wine-mono,中科大的镜像
http://mirrors.ustc.edu.cn/wine/wine/wine-mono/5.1.1/wine-mono-5.1.1-x86.msi
http://mirrors.ustc.edu.cn/wine/wine/wine-gecko/2.47.2/wine-gecko-2.47.2-x86.msi

微信概率无法输入中文

被沙盒影响的,原因未知,关闭沙盒即可。

wine wechat.exe --no-sandbox
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,Wine分类问题是一个经典的机器学习问题,旨在通过葡萄酒的化学特征来对葡萄酒进行分类。这个问题的数据集可以从`sklearn`库中获取,下面我将介绍如何使用决策树算法来解决这个问题,并对实验结果使用性能指标进行评估。 1. 数据准备:我们需要准备Wine数据集,包括葡萄酒的化学特征信息。可以从`sklearn`库中获取,或者从公开数据集中获取。 2. 数据预处理:对数据进行清洗、缺失值填充、特征编码等处理,使得数据适合机器学习算法的输入要求。 3. 数据划分:将数据集划分为训练集和测试集,通常采用的比例是70%的数据作为训练集,30%的数据作为测试集。 4. 模型训练:使用决策树算法对训练集进行训练,得到分类器模型。 5. 模型评估:使用测试集对分类器模型进行评估,计算分类准确率、精确率、召回率、F1值等指标,评估模型的性能。 6. 模型优化:根据评估结果对模型进行优化,包括调整算法参数、增加特征、尝试其他算法等方法。 7. 模型应用:将训练好的模型应用到新的葡萄酒数据上,进行分类预测。 常见的性能指标包括: - 准确率(Accuracy):分类正确的样本数占总样本数的比例。 - 精确率(Precision):真正例占预测为正例的比例。 - 召回率(Recall):真正例占实际为正例的比例。 - F1值(F1-score):综合考虑精确率和召回率的指标。 下面是使用决策树算法解决Wine分类问题的示例代码: ```python from sklearn.datasets import load_wine from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 加载Wine数据集 data = load_wine() X = data.data y = data.target # 划分数据集为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 初始化决策树分类器 clf = DecisionTreeClassifier() # 对训练集进行训练,得到分类器模型 clf.fit(X_train, y_train) # 对测试集进行预测,评估模型性能 y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) precision = precision_score(y_test, y_pred, average='macro') recall = recall_score(y_test, y_pred, average='macro') f1 = f1_score(y_test, y_pred, average='macro') print('Accuracy: {:.2f}'.format(accuracy)) print('Precision: {:.2f}'.format(precision)) print('Recall: {:.2f}'.format(recall)) print('F1-score: {:.2f}'.format(f1)) ``` 根据实验结果,我们可以看到决策树算法在Wine数据集上的表现还可以,但是还有提升空间,可以进一步优化算法参数或者尝试其他机器学习算法来提高分类器的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

多弗朗强哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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