Unity 3D www 请求 集成

using UnityEngine;
using System.Collections;
using System.Collections.Generic;

public class HttpMethod :MonoBehaviour
{




		static	public void Request (bool IsGet, string url, Dictionary<string, string> post, ProcessingCallBack processing, TimeOutCallBack timeout, ProcessResultCallBack result)
		{
		
		
		
		
				GameObject go = new GameObject ();
				go.name = "Request";
				HttpMethod method = go.AddComponent<HttpMethod> ();
				if (processing != null)
						method.processing += processing;
				if (timeout != null)
						method.timeout += timeout;
				if (result != null)
						method.Resultcallback += result;
		
				method.StartRequest (url, post, IsGet);
		}

		public string result = null;
		public bool IsOk = false;
		public float mJindu = 0;

		public delegate void ProcessResultCallBack (bool isok,string result);

		public event ProcessResultCallBack Resultcallback;

		public delegate void TimeOutCallBack ();

		public event TimeOutCallBack timeout;


		public delegate void ProcessingCallBack (int jindu);

		public event ProcessingCallBack processing;

		WWW request = null;
		bool isEnable = false;
		float timeoutcount = HttpConfigs.HTTPTimeOut;

		public   void  StartRequest (string url, Dictionary<string, string> parameter, bool IsGet)
		{

				Reset ();
				if (IsGet) {
						StartCoroutine (GET (url, parameter));
				} else {
						StartCoroutine (POST (url, parameter));
				}
				isEnable = true;
		}

		int m = 0;

		void Update ()
		{
				if (!isEnable)
						return;
				
				timeoutcount -= Time.deltaTime;
				int j = (int)(request.progress * 100);
				if (j > m) {
						if (processing != null) {
								processing (j);
								m = j;
						}
				}
				if (timeoutcount <= 0) {
						if (mJindu < 1) {
								request.Dispose ();
								if (timeout != null){
										timeout ();
<span style="white-space:pre">										</span>this.enabled = false;
<span style="white-space:pre">										</span>destroy();
<span style="white-space:pre">										</span>}
<span style="white-space:pre">								</span>}
				}
				if (request.isDone)
						this.enabled = false;

		}

		//POST请求
		public IEnumerator POST (string url, Dictionary<string, string> post)
		{

				Debug.Log ("-----HttpMethod--------------IEnumerator POST(string url, Dictionary<string, string> post)--------------");
				WWWForm form = new WWWForm ();
				foreach (KeyValuePair<string, string> post_arg in post) {
						form.AddField (post_arg.Key, post_arg.Value);
				}

				request = new WWW (url, form);
				yield return request;
				mJindu = request.progress;
				Debug.Log ("www.progress:" + request.progress);
				if (request.error != null) {
						//POST请求失败
						Debug.Log ("error is :" + request.error);
						IsOk = false;
						result = request.error;

				} else {
						//POST请求成功
						//Debug.Log("request ok : " + www.text);
						IsOk = true;
						result = request.text;
				}
				if (Resultcallback != null)
						Resultcallback (IsOk, result);
				Invoke ("destroy", 3f);
		}

		public IEnumerator POST (string postScoreURL, string jsonString)
		{
				//Debug.Log("jsonString: " + jsonString);
				var encoding = new System.Text.UTF8Encoding ();

				var postHeader = new Hashtable ();
				postHeader.Add ("Content-Type", "text/json");

				postHeader.Add ("Content-Length", jsonString.Length);

				request = new WWW (postScoreURL, encoding.GetBytes (jsonString), postHeader);
      
				yield return request;

				mJindu = request.progress;

				// Print the error to the console

				if (request.error != null) {

						Debug.Log ("request error: " + request.error);
						IsOk = false;
						result = request.error;

				} else {

						IsOk = true;
						result = request.text;

				}
				if (Resultcallback != null)
						Resultcallback (IsOk, result);
				Invoke ("destroy", 3f);
		}

		//GET请求
		public IEnumerator GET (string url)
		{

				request = new WWW (url);
				yield return request;
				mJindu = request.progress;
				//Debug.Log("www.progress:" + www.progress);
				if (request.error != null) {
						//GET请求失败
						//Debug.Log("error is :" + www.error);
						IsOk = false;
						result = request.error;

				} else {
						//GET请求成功
						//   Debug.Log("request ok : " + www.text);
						IsOk = true;
						result = request.text;
				}
				if (Resultcallback != null)
						Resultcallback (IsOk, result);
				Invoke ("destroy", 3f);
		}


		//GET请求(url?传值、效率高、不安全 )  
		public IEnumerator GET (string url, Dictionary<string, string> get)
		{
				string Parameters;
				bool first;
				if (get.Count > 0) {
						first = true;
						Parameters = "?";
						//从集合中取出所有参数,设置表单参数(AddField()).  
						foreach (KeyValuePair<string, string> post_arg in get) {
								if (first)
										first = false;
								else
										Parameters += "&";

								Parameters += post_arg.Key + "=" + post_arg.Value;
						}
				} else {
						Parameters = "";
				}


				//直接URL传值就是get  
				request = new WWW (url + Parameters);
				yield return request;
				mJindu = request.progress;
				//Debug.Log("www.progress:" + www.progress);
				if (request.error != null) {
						//GET请求失败  
						result = "error :" + request.error;
						IsOk = false;
				} else {
						//GET请求成功  
						result = request.text;
						IsOk = true;
				}
				if (Resultcallback != null)
						Resultcallback (IsOk, result);
				Invoke ("destroy", 3f);
		}

		public void Reset ()
		{
				result = null;
				IsOk = false;
				mJindu = 0;
		}

		public void destroy ()
		{

				if (request != null)
						request.Dispose ();

				DestroyObject (gameObject);
		}





}

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