FLEX 文件上载

<? xml version = " 1.0 "  encoding = " utf-8 " ?>

< mx:Application xmlns:mx = " http://www.adobe.com/2006/mxml "  layout = " absolute "  width = " 294 "  height = " 144 "  usePreloader = " true "  viewSourceURL = " srcview/index.html " >
    
< mx:Button x = " 112 "  y = " 23 "  label = " 文件上载 "  click = " UploadFile(); " />
    
< mx:ProgressBar id = " ProgressBar "  labelPlacement = " bottom "  themeColor = " #F20D7A "
                minimum
= " 0 "  visible = " true "  maximum = " 100 "  label = " 当前进度 "   
                direction
= " right "  mode = " manual "  width = " 200 "  x = " 53 "  y = " 67 " />
    
< mx:Label x = " 147 "  y = " 81 "  text = " Label "  id = " ProgressLabel " />
< mx:Style >
    ProgressBar 
{
   barColor: #ff00cc;
   paddingLeft: 
0;
   paddingRight: 
3;
   textIndent: 
0;
   letterSpacing: 
0;
   trackHeight: 
14;
   verticalGap: 
0;
   fontSize: 
12;
   fontWeight: normal;
}

</ mx:Style >
< mx:Script >
<! [CDATA[
        
import  flash.events. * ;
        
import  mx.controls.Alert;
        
import  mx.events. * ;
        
private  var file:FileReference  =   new  FileReference();
        
        
public  function UploadFile(): void {
            file.addEventListener(Event.SELECT, onSelect);
            file.addEventListener(ProgressEvent.PROGRESS, onProgress);
            file.browse( [ 
new FileFilter("Images""*.jpg;*.gif;*.png"), new FileFilter("Flash Movies""*.swf") ] );
        }

        
        
private  function onSelect(e:Event): void   {
        Alert.show(
"确认上载?" + file.name + "" + Math.round(file.size/(1024*1024)) + "M?",
                    
"文件上传",
                    Alert.YES
|Alert.NO,
                    
null,
                    doUpload);
        }

        
        
private  function onProgress(e:ProgressEvent): void {
            ProgressLabel.text 
= "已上载"+ Math.round(e.bytesLoaded/1024+ "k 共计:"+ Math.round(e.bytesTotal/1024+"k";
            var proc:uint 
= e.bytesLoaded / e.bytesTotal *100;
            ProgressBar.setProgress(proc, 
100);
            ProgressBar.label 
= "当前进度:"+ proc +"%";
        }

        
        
private  function doUpload(e:CloseEvent): void {
            
if(e.detail == Alert.YES){
                var request:URLRequest 
= new URLRequest("http://wow.dgoo.net/test/upload.php");
                
try {
                    file.upload(request);
                }

                
catch(e:Error){
                    trace(
"上载错误");
                }

            }

        }

    ]]
>
</ mx:Script >
</ mx:Application >
 
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。
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