Flex Resource Bundle 在Localization方面的应用

Flex framework有提供Resource Bundle,用于对外部资源的引用。

 

而其一个基本的用法就是用于应用程序的Localization,让程序根据不同的locale显示不同的文字,图片。换句话,你必须为每个locale准备一套asset。

 

在具体应用的时候,你通常要决定使用以下两个策略。下面以引用外在的一句文字做例子。

 

策略一:编译时设定

 

即你在编译时,已经决定使用哪一个locale,并且不能改变。如果你要改变locale,必须修改编译参数重新编译。这意味着你要为每个locale编译一个application.

优点:实现简单,资源会build-in在application里面。

缺点:不能动态改变locale。

 

1 建立resource 文件。

例如, example.properties,内容如下


welcome=Hello World


 并把它放置在source的根目录下

 

2 在程序中声明其引用。


 

<fx:Metadata>
         [ResourceBundle("example")]
</fx:Metadata> 

 


 其中的( )内的名字与1中的文件名相同。

 

3 编译时,注意locale参数必须设置为非空,或者使用默认值(en_US)

 

4 使用


resourceManager.getString('example','welcome'); // 参数一为2中声明资源名,参数二为资源中的属性名。


locale 可以不指定,因为编译的时候,已经把locale参数的值设为默认的值,如果指定,务必确保两者相同。

 

5 当需要改变locale时,则直接替代掉resource文件。

更好的做法是,编译不同的locale时,把不同resource的文件夹添加到source路径。例如,把resource的文件,按locale分成en_US,fr_FR......等文件夹。

  



 

策略二:运行时设定

 

这意味着你可以在运行时动态改变locale。这需要把resource编译成module,并在运行时load到application 里面。

 

优点:能动态改变locale,把reource module化。

缺点:实现复杂。

 

 

1 同上

 

2 同上

 

3 编译时,这里为直观起见,用命令行方式说明。 


 

mxmlc -locale=  -resource-bundle-list=bundles.txt Main.mxml


 结果产生的main.swf,不会包括locale的信息,也不会有任何默认的locale值。另外还会产生一个 bundles.txt. 它里面列出了这个application 需要的资源名称(包括frameworks的资源)。这里我们会看到txt里面的内容会是:

 


bundles = SharedResources components controls core effects example layout skins styles


 

4 把每个locale的resource编译成一个module。


mxmlc -locale=en_US //设定locale

           -source-path=(.....)/en_US/     //example.properties所在路径

           -library-path=(FlexSDK)/frameworks/locale/en_US/     //frameworks 的properties文件所在路径

           -include-resource-bundles=SharedResources,components,controls,core,effects,example,layout,skins,styles //所需的所有资源名

           -output en_US_res.swf


结果会生成一个en_US_res.swf module

 

5 使用


   // 设置locale值,如果不设定,也可以在getString中每次指定。

    resourceManager.localeChain = ["en_US"];

 

  // load入resource module
    var proxy:IEventDispatcher = resourceManager.loadResourceModule("en_US_res.swf",true);


  // 通常会监测load的结果  

    proxy.addEventListener(ResourceEvent.COMPLETE, onComplete);
    proxy.addEventListener(ResourceEvent.ERROR, onError);

 

     //引用

    resourceManager.getString('example','welcome');  

    resourceManager.getString('example','welcome',null,'en_US');   //或者


 

6 改变locale


    resourceManager.localeChain = ["fr_FR"];

 

// load入resource module
    var proxy:IEventDispatcher = resourceManager.loadResourceModule("fr_FR_res.swf",true);


  // 通常会监测load的结果  

    proxy.addEventListener(ResourceEvent.COMPLETE, onComplete);
    proxy.addEventListener(ResourceEvent.ERROR, onError);

 


PS:当application由多个module组成时,而每个module都有自己的resource module时,注意避免重复把frameworks的resource编译进各自的resource module.

 

备注 :其实两种策略同时使用都是可以的,但这样的话可能让人比较难理解,建议使用其中一种。

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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 1
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