大约有 6,000 项符合查询结果(耗时:0.0106秒) [XML]

https://www.fun123.cn/referenc... 

MediaNotification 媒体通知扩展:管理媒体播放器通知,支持播放控制 · Ap...

... MediaNotification 媒体通知扩展 下载 .aix拓展文件: de.ullisroboterseite.ursai2medianotification.aix .aia示例文件: UrsMediaNotification_3_1.aia 版本历史 版本 修改内容 ...
https://www.fun123.cn/referenc... 

App Inventor 2 拓展参考文档 · App Inventor 2 中文网

...I】FlipShare翻转分享拓展:酷炫的分享动画 【UI】自定义下载器扩展:个性化下载进度展示 【UI】AppInventor2 图表扩展:仪表盘、柱状图、折线图、饼图 多媒体 【文件】FileTools 拓展:提供额外的更强大的...
https://www.fun123.cn/reference/extensions 

App Inventor 2 拓展参考文档 · App Inventor 2 中文网

...P传输协议 【FTP】 FTP 客户端拓展:FTP协议连接、上传、下载、创建、修改目录等 【短信平台接入】 AliSms 拓展:阿里云短信平台接入,短信验证码 【设备信息】 PhoneInfo 拓展:获取手机等设备软硬件、版本等相关信息 【...
https://www.fun123.cn/referenc... 

多媒体组件 · App Inventor 2 中文网

...件需要 Android 4.4 或更高版本、iOS 11 或更高版本。要求AI伴侣v2.68及以上。 属性 操作 设置 文件选择器 所需的操作。有如下选项: 选择现有文件:打开现有文件 选择目录:打开现有目录 选择新文件:创建...
https://www.tsingfun.com/ilife/idea/1863.html 

你真的了解熊市有多么可怕吗? - 创意 - 清泛网 - 专注C/C++及内核技术

...再次杀跌,当时没有人再敢抄底了,因为谁也不敢想底哪里,十几天下来,大盘已经到了1300,后来大盘出现了又一次的反弹,最后进入了最恐怖的阴跌时代,各股进一退二,平时各股波动只有2%,大盘股的日线就像心电图,涨...
https://www.tsingfun.com/it/bi... 

Deep Learning(深度学习)学习笔记整理系列之(四) - 大数据 & AI - 清泛...

... 1)给定无标签数据,用非监督学习学习特征: 我们之前的神经网络中,如第一个图,我们输入的样本是有标签的,即(input, target),这样我们根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛...
https://www.tsingfun.com/it/bi... 

Deep Learning(深度学习)学习笔记整理系列之(四) - 大数据 & AI - 清泛...

... 1)给定无标签数据,用非监督学习学习特征: 我们之前的神经网络中,如第一个图,我们输入的样本是有标签的,即(input, target),这样我们根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛...
https://www.tsingfun.com/it/bi... 

Deep Learning(深度学习)学习笔记整理系列之(四) - 大数据 & AI - 清泛...

... 1)给定无标签数据,用非监督学习学习特征: 我们之前的神经网络中,如第一个图,我们输入的样本是有标签的,即(input, target),这样我们根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛...
https://www.tsingfun.com/it/bi... 

Deep Learning(深度学习)学习笔记整理系列之(四) - 大数据 & AI - 清泛...

... 1)给定无标签数据,用非监督学习学习特征: 我们之前的神经网络中,如第一个图,我们输入的样本是有标签的,即(input, target),这样我们根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛...
https://www.tsingfun.com/it/bi... 

Deep Learning(深度学习)学习笔记整理系列之(四) - 大数据 & AI - 清泛...

... 1)给定无标签数据,用非监督学习学习特征: 我们之前的神经网络中,如第一个图,我们输入的样本是有标签的,即(input, target),这样我们根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛...