获取字符串宽度

SQL code
//====================================================================
// 事件: of_getsize()
//--------------------------------------------------------------------
// 描述:
//--------------------------------------------------------------------
// 参数:
//     value        window        aw           窗口
//     value        datawindow    adw          数据窗口
//     value        long          al_row       行
//     value        string        as_col       列名
//     reference    integer       ai_width     宽
//     reference    integer       ai_height    高
//--------------------------------------------------------------------
// 返回:  integer
//--------------------------------------------------------------------
// 修改历史:
//
//====================================================================

Int li_height, li_width
String ls_text, ls_fontface, ls_fontsize, ls_weight, ls_italic, ls_underline
Boolean lb_italic, lb_underline

ls_text = adw.GetItemString(al_row, as_col)
IF IsNull(ls_text) Or Len(ls_text) = 0 THEN RETURN -1
ls_fontface = adw.Describe(as_col + '.font.face')
ls_fontsize = adw.Describe(as_col + '.font.height')

ls_weight = adw.Describe(as_col + '.font.weight')
ls_italic = adw.Describe(as_col + '.font.italic')
ls_underline = adw.Describe(as_col + '.font.underline')

IF ls_italic = '1' THEN
    lb_italic = True
ELSE
    lb_italic = False
END IF
IF ls_underline = '1' THEN
    lb_underline = True
ELSE
    lb_underline = False
END IF

Integer        li_Len, li_Return, li_WM_GETFONT = 49 //  hex 0x0031
ULong            lul_Hdc, lul_Handle, lul_hFont
StaticText    lst_temp
size         lstr_Size

IF IsNull(aw) Or Not IsValid (aw) THEN RETURN -1

li_Return = aw.OpenUserObject(lst_temp)
IF li_Return = 1 THEN
    lst_temp.FaceName = ls_fontface
    lst_temp.TextSize = Integer(ls_fontsize)
    lst_temp.Weight = Integer(ls_weight)
    lst_temp.Italic = lb_italic
    lst_temp.Underline = lb_underline
    lst_temp.width = 700
    
    li_Len = Lena(ls_text)
    
    lul_Handle = Handle(lst_temp)
    lul_Hdc = GetDC(lul_Handle)
    
    lul_hFont = Send(lul_Handle, li_WM_GETFONT, 0, 0)
    
    SelectObject(lul_Hdc, lul_hFont)
    
    IF Not GetTextExtentpoint32A(lul_Hdc, ls_text, li_Len, lstr_Size ) THEN
        aw.CloseUserObject(lst_temp)
        RETURN -1
    END IF
    
    ai_Width = PixelsToUnits ( lstr_Size.l_cx, XPixelsToUnits!  )
    ai_Height = PixelsToUnits ( lstr_Size.l_cy, YPixelsToUnits!  )
    
//    long ll_sp
//    ll_sp = long(UnitsToPixels ( (700 - ai_width)/(li_len - 1), XUnitsToPixels!))
//    SetTextCharacterExtra(lul_hdc, ll_sp)
//    TextOut(lul_hdc, ls_text)
    
    ReleaseDC(lul_Handle, lul_Hdc)
    
//    lst_temp.width = ai_width
//    lst_temp.height = ai_height
//    lst_temp.Text = ls_text
//    lst_temp.Show()
    li_Return = aw.CloseUserObject(lst_temp)
END IF

RETURN li_Return



API
SQL code
Function ulong GetDC(ulong hWnd) Library "USER32.DLL"
Function long ReleaseDC(ulong hWnd, ulong hdcr) Library "USER32.DLL"
Function boolean GetTextExtentPoint32A(ulong hdcr, string lpString, long nCount, ref size size) Library "GDI32.DLL" alias for "GetTextExtentPoint32A;Ansi"
Function ulong SelectObject(ulong hdc, ulong hWnd) Library "GDI32.DLL"

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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
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