TL(TypeLetters)V2.0正式发布

TL(TypeLetters)V2.0于2024年5月18日正式发布。


TL(TypeLetters)简介

TL(TypeLetters)是一款使用C++编写的打字练习软件,无需安装,可以在CMD窗口中直接运行,具有使用方便,占用系统资源少,运行速度快等特点;可以更换文章,也可以自定义练习文章;对于零基础的电脑初学者非常友好,每个字母都有键位方向提示;跟打方便快捷,响应迅速,是练习键盘盲打的利器;无限循环的练习模式,操作简便;字母总数、已打数量、误打数量、打字速度,各项数据一目了然。


TL(TypeLetters)V2.0打字练习界面图解

在这里插入图片描述

①软件版本信息和控制键

1、软件名称:TL(TypeLetters)
2、版本号:V2.0
3、Ctrl+E:退出TL(Exit)结束打字练习。这是一个组合键,就是在按下Ctrl键的同时,按下字母E键。下同。
4、Ctrl+O:打开文章(Open article),选择新文章来练习。
5、Ctrl+T:返回打字练习(Type),通常是在打开文章界面中,要返回打字练习界面时使用。
6、Ctrl+P:暂停(Pause),将停止计时,再次按下Ctrl+P键或任意输入字母将解除暂停。

②打字练习信息板

1、已打字数(Typed)
2、误打字数(Missed),字母打错的次数。
3、总字数(Sum),文章总长度。
4、练习时长(Time)单位:秒
6、打字速度(Speed:Letters/Min)字/分钟

③打字练习区

这里显示我们要打的文章内容,我们在此输入,跟着文章内容打字练习即可。

④基准键位上移提示区

当我们要敲击的是手指上移区的这些按键时,相应键位的上部区域会反白显示,提示你使用对应的手指上移来进行按键操作。

⑤基准键位提示区

A、S、D、F和;、L、K、J,键盘上的这8个按键被称为基准键位,分别对应我们左、右手的小拇指、无名指、中指和食指。键盘的F键、J键的键帽上通常都有一个小突起,用食指可以摸到,它们就是用于帮助我们定位基准键位的。每个手指都有各自负责的按键区域,基准键位掌握好了,后面我们就可以练习键盘盲打了。
当我们要敲击的是这些基准键时,相应键位的中间区域会反白显示,提示你使用对应的手指来进行按键操作。

⑥基准键位下移提示区

当我们要敲击的是手指下移区的这些按键时,相应键位的下部区域会反白显示,提示你使用对应的手指下移来进行按键操作。

⑦练习文章信息

1、文章名称(Article)
2、当前行数(Current Line)
3、总行数(Total Lines)


TL(TypeLetters)V2.0的练习记录在哪里查看?

在TL(TypeLetters)目录下,有一个records.txt文件,打开它就可以查看到练习记录。
注意:一篇文章的所有行全部打完一遍后才会存储练习记录。


TL(TypeLetters)V2.0软件下载

点击下方链接即可下载:
TL(TypeLetters)V2.0免费下载


TL中输入的内容都看不见了,怎么办?

退出TL,重新进入,就可以继续使用了。解释:TL只识别英文资料,你之前输入的原文可能有中文或全角标点符号,例如:",。:、;ü"等,用文本编辑器把原文打开,把这些非英文符号去除掉,保存,重新运行TL,使用"Ctrl+O"再次打开这个原文就可以了。

(全文完)

  • 40
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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

ycjnx

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