Loading [MathJax]/jax/output/CommonHTML/config.js
部署DeepSeek模型,进群交流最in玩法!
立即加群
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >Typecho自定义右键菜单美化

Typecho自定义右键菜单美化

作者头像
废柴阿尤
发布于 2023-12-18 08:24:36
发布于 2023-12-18 08:24:36
22500
代码可运行
举报
文章被收录于专栏:Typecho_ayouTypecho_ayou
运行总次数:0
代码可运行

食用方法:只需将下面的JS代码复制到自己博客的全局JS文件中即可;并将其中必要的信息更换成自己的

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    a {text-decoration: none;}
    div.usercm{background-repeat:no-repeat;background-position:center center;background-size:cover;background-color:#fff;font-size:13px!important;width:130px;-moz-box-shadow:1px 1px 3px rgba
(0,0,0,.3);box-shadow:0px 0px 15px #333;position:absolute;display:none;z-index:10000;opacity:0.9; border-radius: 8px;}
    div.usercm ul{list-style-type:none;list-style-position:outside;margin:0px;padding:0px;display:block}
    div.usercm ul li{margin:0px;padding:0px;line-height:35px;}
    div.usercm ul li a{color:#666;padding:0 15px;display:block}
    div.usercm ul li a:hover{color:#fff;background:rgba(170,222,18,0.88)}
    div.usercm ul li a i{margin-right:10px}
    a.disabled{color:#c8c8c8!important;cursor:not-allowed}
    a.disabled:hover{background-color:rgba(255,11,11,0)!important}
    div.usercm{background:#fff !important;}
    

    
        首页
        复制
        搜索
        前进
        后退
        重载网页
        和我当邻居  
    
    


    (function(a) {
        a.extend({
            mouseMoveShow: function(b) {
                var d = 0,
                    c = 0,
                    h = 0,
                    k = 0,
                    e = 0,
                    f = 0;
                a(window).mousemove(function(g) {
                    d = a(window).width();
                    c = a(window).height();
                    h = g.clientX;
                    k = g.clientY;
                    e = g.pageX;
                    f = g.pageY;
                    h + a(b).width() >= d && (e = e - a(b).width() - 5);
                    k + a(b).height() >= c && (f = f - a(b).height() - 5);
                    a("html").on({
                        contextmenu: function(c) {
                            3 == c.which && a(b).css({
                                left: e,
                                top: f
                            }).show()
                        },
                        click: function() {
                            a(b).hide()
                        }
                    })
                })
            },
            disabledContextMenu: function() {
                window.oncontextmenu = function() {
                    return !1
                }
            }
        })
    })(jQuery);
   
    function getSelect() {
        "" == (window.getSelection ? window.getSelection() : document.selection.createRange().text) ? layer.msg("啊噢...你没还没选择文字呢!") : document.execCommand("Copy")
    }
    function baiduSearch() {
        var a = window.getSelection ? window.getSelection() : document.selection.createRange().text;
        "" == a ? layer.msg("啊噢...你没还没选择文字呢!") : window.open("https://www.baidu.com/s?wd=" + a)
    }
    $(function() {
        for (var a = navigator.userAgent, b = "Android;iPhone;SymbianOS;Windows Phone;iPad;iPod".split(";"), d = !0, c = 0; c < b.length; c++) if (0 < a.indexOf(b[c])) {
            d = !1;
            break
        }
        d && ($.mouseMoveShow(".usercm"), $.disabledContextMenu())
    });
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2023年07月12日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Few-Shot Learning(少样本学习)
Few-Shot Learning(少样本学习)是一种机器学习范式,旨在使模型能够在只有少量标注数据的情况下快速适应新任务或识别新的类别。这种能力对于许多实际应用场景非常重要,因为在这些场景中获取大量标注数据可能是昂贵、耗时甚至是不可能的。以下是关于Few-Shot Learning的详细解析:
jack.yang
2025/04/05
2180
DeepSeek与PyTorch携手:开启工业缺陷检测新时代(4/18)
摘要:本文介绍了如何结合DeepSeek和PyTorch实现工业缺陷检测的全流程,重点聚焦于小样本数据增强、异常检测模型微调以及产线级部署与边缘计算优化。在小样本数据增强方面,我们探讨了多种方法,包括噪声注入、特征扰动、对比度增强、生成对抗网络(GANs)、自回归模型(Autoencoders)以及伪标签(Pseudo-Labeling)。这些方法能够有效扩充数据集,提升模型在有限数据条件下的泛化能力。
正在走向自律
2025/02/15
1.3K0
DeepSeek与PyTorch携手:开启工业缺陷检测新时代(4/18)
【机器学习】让大模型变得更聪明
当前的大模型,尽管能够生成类似人类的文本和在特定任务中表现优异,但在真正理解上下文和语义方面仍存在局限。例如,GPT-3等模型可以生成流畅的文章,但在遇到复杂逻辑推理或多步骤推理时,容易出现错误。这说明,模型在语义理解和逻辑推理方面的能力还有待提升。
屿小夏
2024/06/02
2580
【机器学习】让大模型变得更聪明
大模型实现通用智能机理与数据驱动的智能涌现
随着人工智能技术的飞速发展,大模型在实现通用智能方面展现出惊人的潜力。通用智能是指机器能够像人类一样理解和处理各种复杂任务,涵盖语言、视觉、逻辑推理等多个领域。大模型之所以能够逐步接近这一目标,其背后蕴含着深刻的机理和训练过程中的关键因素。本文将从大模型实现通用智能的机理入手,深入探讨其构建高维语义空间、学习语言与知识的统计规律、多层次抽象与特征提取、上下文理解与推理能力以及泛化与迁移能力等方面。同时,重点分析为什么大量训练数据能够促使智能涌现,包括知识积累、模式多样性、参数优化、减少过拟合、支持复杂计算与学习以及促进涌现现象等。
用户7353950
2025/04/07
1010
大模型实现通用智能机理与数据驱动的智能涌现
DeepSeek大模型的基础知识解析!
随着人工智能技术的发展,大模型的出现为我们带来了全新的计算体验和应用场景。作为一款国产大模型,DeepSeek不仅在技术上做出了突破,还承载着国产AI的雄心壮志。很多人对大模型可能还抱有一丝困惑,尤其是像 DeepSeek 这样的模型。那么,DeepSeek究竟是什么?它的架构和原理是什么?在实际应用中又能做些什么呢?今天,我将带你一起走进 DeepSeek 的世界,了解它的基础知识、工作原理、实际应用以及未来前景。让我们一起从最基础的概念开始,层层剖析!🚀
bug菌
2025/02/08
3450
DeepSeek大模型的基础知识解析!
AI自给自足!用合成数据做训练,效果比真实数据还好丨ICLR 2023
Brilliant 投稿 量子位 | 公众号 QbitAI AI生成的图像太逼真,为什么不能拿来训练AI呢? 可别说,现在还真有人这么做了。 来自香港大学、牛津大学和字节跳动的几名研究人员,决定尝试一下能否使用高质量AI合成图片,来提升图像分类模型的性能。 为了避免AI合成的图像过于单一、或是质量不稳定,他们还提出了几类提升数据多样性和可靠性的方法,帮助AI合成更好的数据集(来喂给AI的同类doge)。 结果他们发现,不仅效果不错,有的AI在训练后,效果竟然比用真实数据训练还要好! 目前这篇论文已经被IC
量子位
2023/02/23
6880
AI自给自足!用合成数据做训练,效果比真实数据还好丨ICLR 2023
OpenCity:打破交通预测瓶颈的AI新突破
在现代城市生活中,交通拥堵不仅影响我们的生活质量,更成为了城市管理者的一大难题。解决这个问题,传统方法似乎已显力不从心。然而,OpenCity 大模型的问世,为我们提供了一条全新的道路。这款由香港大学联合华南理工大学和百度共同研发的模型,展示了惊人的泛化能力和零样本预测表现,不仅在解决当前交通预测的痛点上表现出色,更有望为未来城市的智慧交通提供强有力的支持。
猫头虎
2024/09/05
3550
OpenCity:打破交通预测瓶颈的AI新突破
[AI学习笔记]增量学习实践:DeepSeek 数据动态更新机制
机器学习模型的性能和适应性变得至关重要。增量学习作为一种重要的学习范式,允许模型在不重新训练整个数据集的情况下,通过不断吸收新数据来更新和优化自身性能。DeepSeek 项目正是在这样的背景下应运而生,它致力于探索和实践高效的增量学习方法,特别是数据动态更新机制,以提升模型在面对新数据时的快速适应能力和持续学习能力。DeepSeek 的模型采用了混合专家(MoE)和多头潜在注意力(MLA)等创新架构,以提高效率和性能。特别是,DeepSeek-R1 使用强化学习来增强推理能力,这似乎是其动态更新数据的一种方式。强化学习允许模型根据新体验连续学习,调整参数以最大化奖励函数,从而鼓励正确的推理和行为。尽管没有明确定义“数据动态更新机制”,但其高效的模型架构和 RL 方法表明,DeepSeek 的模型能够处理新数据,而无需昂贵的重新训练。
数字扫地僧
2025/03/24
2150
[AI学习笔记]增量学习实践:DeepSeek 数据动态更新机制
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
这会是 DeepSeek R2 的雏形吗?本周五,DeepSeek 提交到 arXiv 上的最新论文正在 AI 社区逐渐升温。
机器之心
2025/04/05
1070
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
“AI玩手机”原理揭秘:大模型驱动的移动端GUI智能体
在后LLM时代,随着大语言模型和多模态大模型技术的日益成熟,AI技术的实际应用及其社会价值愈发受到重视。AI智能体(AI Agent)技术通过集成行为规划、记忆存储、工具调用等机制,为大模型装上“手脚”,使其能够利用强大的多模态感知交互与推理决策能力,与真实世界进行有效交互,成为连接人类与数字世界的桥梁,并迎来前所未有的发展机遇。(了解更多关于智能体的见解:《在后LLM时代,关于新一代智能体的思考》) 。
澜舟科技
2024/11/22
3220
每周AI论文速递(250310-250314)
随着先进的大语言模型的兴起,生成文本检测变得越来越重要。尽管有许多努力,但没有单一算法在不同类型的未见文本上表现一致,或保证对新的大语言模型的有效泛化。可解释性在实现这一目标中起着关键作用。在本研究中,我们通过使用稀疏自编码器从 Gemma-2-2b 残差流中提取特征来增强生成文本检测的可解释性。我们识别了具有可解释性和高效性的特征,通过领域和模型特定的统计、引导方法以及手动或基于大语言模型的解释来分析它们的语义和相关性。我们的方法提供了关于来自各种模型的文本与人类撰写内容如何不同的宝贵洞察。我们展示了现代大语言模型具有独特的写作风格,尤其是在信息密集的领域中,尽管它们可以通过个性化提示生成类似人类的输出。
叶子的技术碎碎念
2025/04/08
910
每周AI论文速递(250310-250314)
跨平台开发的挑战与突破:Java开发工具的探索与实践!
今天我要给大家分享一些自己日常学习到的一些知识点,并以文字的形式跟大家一起交流,互相学习,一个人虽可以走的更快,但一群人可以走的更远。
喵手
2024/12/13
1460
从MVC到微服务:架构演化的历程与应用场景!
这里先给大家推荐一篇实用的好文章:《从小改动到系统崩溃:一场“蝴蝶效应”般的Debug惊魂记!》 来自作者:bug菌
喵手
2024/11/30
1800
从MVC到微服务:架构演化的历程与应用场景!
【经验帖】深度学习如何训练出好的模型
数据质量:数据应该是准确,完整,无误,且具有代表性。如果数据集有错误或缺失,将会影响模型的性能,选择分辨率越高肯定对模型是越好的,但是也要考虑到模型训练占用的内存够不够,因为分辨率越高,数据量就越大
自学气象人
2023/06/21
5770
【经验帖】深度学习如何训练出好的模型
如何让大模型更聪明?提升AI智能的关键策略
随着人工智能技术的飞速发展,大模型在多个领域展现出了前所未有的能力,但它们仍然面临着理解力、泛化能力和适应性等方面的挑战。那么,如何让大模型变得更聪明呢?快来分享你的想法吧~
默 语
2024/11/20
1490
AI模型:全能与专精的较量与未来潜力探讨
随着人工智能技术的飞速发展,AI模型逐渐成为各个领域的焦点。近日,OpenAI即将推出的“草莓”模型,以其全能型的特点引起了广泛关注。在这篇文章中,我们将探讨全能型AI与专精型AI的优劣,以及它们在未来的市场潜力和应用前景。
正在走向自律
2024/12/18
1220
AI模型:全能与专精的较量与未来潜力探讨
生成对抗网络在提升训练数据多样性中的潜力与限制
文章链接:https://cloud.tencent.com/developer/article/2473905
一键难忘
2024/12/05
1.4K0
生成对抗网络在提升训练数据多样性中的潜力与限制
【机器学习】小样本学习的实战技巧:如何在数据稀缺中取得突破
小样本学习,作为一种高效的学习范式,旨在利用极为有限的标注样本训练出具备强大泛化能力的模型。其核心策略巧妙地融合了迁移学习、元学习以及数据增强等多种技术,以应对数据稀缺的挑战,进而推动模型在少量数据条件下的有效学习与适应。
2的n次方
2024/10/15
6580
【机器学习】小样本学习的实战技巧:如何在数据稀缺中取得突破
[AI学习笔记]多语言处理:DeepSeek低资源语言优化深度解析
DeepSeek项目于2021年启动,专注于通过技术创新解决低资源语言处理难题。核心团队由计算语言学家、深度学习专家和数据工程师组成。
数字扫地僧
2025/04/06
1730
[AI学习笔记]多语言处理:DeepSeek低资源语言优化深度解析
DeepSeek R1与OpenAI o1深度对比
在科技飞速发展的当下,人工智能领域中的大型语言模型(LLMs)正以前所未有的速度推动着通用人工智能(AGI)的发展进程。后训练环节在整个模型训练流程里占据着举足轻重的地位,它不仅能够显著提高模型在推理任务中的准确率,还能让模型更好地适应社会价值体系以及满足用户多样化的偏好。在这样的大背景下,DeepSeek R1和OpenAI o1作为当前人工智能推理模型中的佼佼者,其性能、特点以及发展潜力备受各界关注。本文将从技术原理、性能表现、应用场景、部署与集成、伦理考量、未来发展趋势等多个维度,对这两款模型展开深度剖析与对比。
码事漫谈
2025/01/27
3.9K0
DeepSeek R1与OpenAI o1深度对比
推荐阅读
相关推荐
Few-Shot Learning(少样本学习)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验