百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

扮靓Win10 把隐藏主题“挖”出来

ztj100 2025-03-11 23:56 80 浏览 0 评论

在早期版本的Windows系统中,大都内置了一些主题,可以让界面“从头到尾”焕然一新,再加一些自家的小设置,绝对够个性。不过现在的Win10缺乏全面的主题,界面调整又少又零碎,难道我们只能下载第三方主题吗?别急,其实Win10还是提供了其他主题的,只是需要我们“挖掘”出来,追求个性小伙伴们不妨跟着我们先把它挖出来试试。

首先,我们得先了解一下Windows 10的主题究竟是怎样构成的。Windows的主题文件扩展名为*.Themes,视觉样式文件扩展名为*.msstyles,其中* .Theme文件可以直接用右键,以“个性化控制面板”的方式打开,包括从鼠标到窗口的各种设置,而*.msstyles文件负责外观、色彩等方面的配置,是我们的主要目标。

现在打开“C:\Windows\Resources\Themes\aero”文件夹,可以发现两个视觉样式文件,“aero.msstyles”和“aerolite.msstyles”,也就是说,理论上Windows 10的Aero主题拥有两个不同的视觉样式,其中一个视觉样式是“闲置”的,根本没有呈现出来供用户选择设置。那么,我们需要做的就是研究一下如何将其“变出来”。

返回上一级文件夹,这里可以看到“aero.Theme”,对应的应该就是Aero文件夹内的主题文件。此时我们试着看看“aero.theme”究竟是怎样构成的吧。右键单击“aero.Theme”文件,选择“打开方式”,然后点击“更多应用”的下拉箭头找到“记事本”,确认点击。

05

在*.Theme文件内,文件格式是有一个统一结构的,我们需要先了解一下这个主题结构中比较重要的部分:[Theme] 部分是定义此电脑、文档、网络邻居以及回收站这几个主要部件的图标、[Control Panel\Colors] 部分定义的是各个Windows部件的颜色、[Control Panel\Cursors] 定义的是鼠标指针、[Control Panel\Desktop] 定义桌面的显示

再往下翻,[VisualStyles] 是最关键的部分,这里指向的就是一个桌面主题的外观核心部分:.msstyles 可视化外观风格文件,Path=%ResourceDir%\Themes\Aero\Aero.msstyles,注意看最后指向定位的是“Aero.msstyles”,也就是说,“aerolite.msstyles”应该是被隐藏,或者说未被使用的那个。

既然知道了哪个是隐藏的,我们不妨进行一些修改:将主题文件中的“Aero.msstyles”替换成“AeroLite.msstyles”,并将主题文件使用“另存为”生成一个新的主题。注意这个部分修改后,要选择“另存为”方式保存,选择“保存类型”修改为“所有文件(*.*)”,而且要保存到其他位置,因为在默认的C盘位置需要权限才能保存文件,无法直接存储。

保存好新的、修改好后的主题文件,双击运行,即可套用全新的主题——这个隐藏的主题界面看起来有点像Win8时代的风格,是不是很有趣?

另外,我们也可以根据前文说明修改主题文件中的其他内容,甚至可以通过更换*.msstyles文件的方式获得更多色彩方案,例如C:\Windows\Resources\Themes\aero\zh-CN中的aero.msstyle.mui就完全可以和aero.msstyle互换名称(需要拷到原始位置之外,否则无法改动名称),让非活动窗口的标题栏颜色也会跟随这主题变动等等,玩法就更多了。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: