【新手】【高手勿喷】简易的音乐盒

   
#include<Windows.h>
#include<tchar.h>
#include<winuser.h>
#pragma comment(lib,"winmm.lib")
int n = 0;
HDC g_hdc = NULL;
HPEN pen;
HBRUSH rush;
HBRUSH rush2;
wchar_t song1[] = L"1.贝多芬病毒";
wchar_t song2[] = L"2.let it go";
wchar_t song3[] = L"3.the fox";
wchar_t song4[] = L"4.卷珠帘";
wchar_t a[] =L"up or down";
wchar_t song5[];
wchar_t song6[];
LRESULT CALLBACK wndproc(HWND hwnd, UINT message, WPARAM wParam, LPARAM lParam);
BOOL init(HWND hwnd);
VOID paint(HWND hwnd);
BOOL clean(HWND hwnd);
#pragma warning(suppress: 28251)
int WINAPI WinMain(HINSTANCE hinstance, HINSTANCE hPrevInstance, LPSTR lpCmdLine, int nCmdShow){
	
	WNDCLASSEX wndclass = { 0 };
	wndclass.cbSize = sizeof(WNDCLASSEX);
	wndclass.style = CS_HREDRAW | CS_VREDRAW;
	wndclass.lpfnWndProc = wndproc;
	wndclass.cbClsExtra = 0;
	wndclass.cbWndExtra = 0;
	wndclass.hIcon = (HICON)::LoadImage(NULL,_T("1.ico"), IMAGE_ICON, 0, 0, LR_DEFAULTSIZE | LR_LOADFROMFILE);
	wndclass.hCursor = LoadCursor(NULL, IDC_ARROW);
	wndclass.hbrBackground = (HBRUSH)GetStockObject(GRAY_BRUSH);
	wndclass.lpszMenuName = NULL;
	wndclass.lpszClassName = _T("musicbox");
	RegisterClassEx(&wndclass);
	HWND hwnd = CreateWindow(_T("musicbox"), _T("musicbox"), WS_OVERLAPPEDWINDOW, CW_USEDEFAULT, CW_USEDEFAULT, 500, 400, NULL, NULL, hinstance, NULL);
	MoveWindow(hwnd, 200, 50, 500, 400, true);
	ShowWindow(hwnd, nCmdShow);
	UpdateWindow(hwnd);
	init(hwnd);
	UpdateWindow(hwnd);
	MSG msg = { 0 };
	while (msg.message!=WM_QUIT)
	{
		if (PeekMessage(&msg, 0, 0, 0, PM_REMOVE))
		{
			TranslateMessage(&msg);
			DispatchMessage(&msg);
		}
	}
	UnregisterClass(L"musicbox", wndclass.hInstance);
	return 0;
}

LRESULT CALLBACK wndproc(HWND hwnd, UINT message, WPARAM wParam, LPARAM lParam){
	PAINTSTRUCT paintstruct;
 
	switch (message){
	case WM_PAINT:
		g_hdc = BeginPaint(hwnd, &paintstruct);
		paint(hwnd);

		EndPaint(hwnd, NULL);
		ValidateRect(hwnd, NULL);
		break;

	case WM_KEYDOWN:
		SetBkMode(g_hdc, TRANSPARENT);
		SetTextColor(g_hdc, RGB(225,225,225));
		switch (wParam)
		{
		case VK_UP:
			n = n - 1;
			
			break;
		case VK_ESCAPE:
			DestroyWindow(hwnd);
			break;
		case VK_DOWN:
			n = n + 1;
			break;
		default:
			break;
		} ;
    switch (n){
	case 1:PlaySound(L"1wav.wav", NULL, SND_FILENAME | SND_ASYNC);
		paint(hwnd);
		TextOut(g_hdc, 2, 2, song1, wcslen(song1));
		break;
	case 2:PlaySound(L"2.wav", NULL, SND_FILENAME | SND_ASYNC);
		paint(hwnd);
		TextOut(g_hdc, 2,2, song2, wcslen(song2));
		break;
	case 3:PlaySound(L"3.wav", NULL, SND_FILENAME | SND_ASYNC);
		paint(hwnd);
		TextOut(g_hdc, 2, 2, song3, wcslen(song3));
		break;
	case 4:PlaySound(L"4.wav", NULL, SND_FILENAME | SND_ASYNC);
		paint(hwnd);
		TextOut(g_hdc, 2, 2, song4, wcslen(song4));
	default:break;
			}
		break;
	case WM_DESTROY:
		PostQuitMessage(0);
		break;
	default:
		return DefWindowProc(hwnd, message, wParam, lParam);
	}

	return 0;
}
BOOL init(HWND hwnd)
{
	g_hdc = GetDC(hwnd);
    pen=CreatePen(PS_DASH, 1, RGB(225, 0,0 ));
    rush=CreateSolidBrush(RGB(0, 0, 225));
	rush2 = CreateSolidBrush(RGB(0, 225, 0));
	ReleaseDC(hwnd, g_hdc);
	return TRUE;
}
VOID paint(HWND hwnd)
{
	SetBkMode(g_hdc, TRANSPARENT);
	SetTextColor(g_hdc, RGB(225, 225, 225));
	SelectObject(g_hdc, pen);
	SelectObject(g_hdc, rush);
	Rectangle(g_hdc, 250, 1, 500, 399);
	SelectObject(g_hdc, rush2);
	Rectangle(g_hdc, 1, 1, 250, 399);
	TextOut(g_hdc, 256, 1, song1, wcslen(song1));
	TextOut(g_hdc, 256, 30, song2, wcslen(song2));
	TextOut(g_hdc, 256, 60, song3, wcslen(song3));
	TextOut(g_hdc, 256, 90, song4, wcslen(song4));
	TextOut(g_hdc, 2, 200, a, wcslen(a));
}
BOOL clean(HWND hwnd)
{	DeleteObject(rush);
	DeleteObject(pen);
	DeleteObject(rush2);
	return TRUE;
}

因技术不高,故画面有些粗糙,望大家谅解。

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