TreeView 添加时间节点 年月日

    WinForm中将时间添加到TreeView节点中

        /// <summary>
        /// 绑定时间
        /// </summary>
        private void BindTreeViewDate()
        {
            this.treeView1.Nodes.Clear();
            TreeNode nodeSelect = new TreeNode();
            TreeNode nodeSelectM = new TreeNode();
            TreeNode nodeSelectY = new TreeNode();
            string strsql = "select PiNumber from cn_TiaoMu group by PiNumber";
            DataTable dt = conn.GetData(strsql, "cn_TiaoMu");//得到数据
            if (dt != null && dt.Rows.Count > 0)
            {
                //绑定第一行时间
                TreeNode tn1 = new TreeNode();
                TreeNode tn2 = new TreeNode();
                TreeNode tn3 = new TreeNode();

                //将列数据20100414转化为时间格式
                DateTime date = DateTime.ParseExact(dt.Rows[0][0].ToString(),"yyyyMMdd",new CultureInfo("zh-CN"));

                tn1.Text = date.Year.ToString() + "年";
                tn1.Tag = date.ToShortDateString();
                this.treeView1.Nodes.Add(tn1);

                tn2.Text = date.Month.ToString() + "月";
                tn2.Tag = date.ToShortDateString();
                tn1.Nodes.Add(tn2);

                tn3.Text = date.Day.ToString() + "日";
                tn3.Tag = date.ToShortDateString();
                tn2.Nodes.Add(tn3);

                dt.Rows.RemoveAt(0); //移除第一行

                foreach (DataRow row in dt.Rows)
                {
                    DateTime dateNext = DateTime.ParseExact(row[0].ToString(),"yyyyMMdd",new CultureInfo("zh-CN"));

                    //绑定年
                    if (string.Compare(dateNext.Year.ToString() + "年", tn1.Text) != 0)
                    {
                        tn1 = new TreeNode();
                        tn2 = new TreeNode();
                        tn3 = new TreeNode();

                        tn1.Text = dateNext.Year.ToString() + "年";
                        tn1.Tag = dateNext.ToShortDateString();
                        this.treeView1.Nodes.Add(tn1);

                        tn2.Text = dateNext.Month.ToString() + "月";
                        tn2.Tag = dateNext.ToShortDateString();
                        tn1.Nodes.Add(tn2);

                        tn3.Text = dateNext.Day.ToString() + "日";
                        tn3.Tag = dateNext.ToShortDateString();
                        tn2.Nodes.Add(tn3);

                        if (nodeSelectY == null && dateNext.Year.ToString() == DateTime.Now.Year.ToString())
                        {
                            nodeSelectY = tn1;
                        }
                    }
                    //绑定月
                    else if (string.Compare(dateNext.Month.ToString() + "月", tn2.Text) != 0)
                    {
                        tn2 = new TreeNode();
                        tn3 = new TreeNode();

                        tn2.Text = dateNext.Month.ToString() + "月";
                        tn2.Tag = dateNext.ToShortDateString();
                        tn1.Nodes.Add(tn2);

                        tn3.Text = dateNext.Day.ToString() + "日";
                        tn3.Tag = dateNext.ToShortDateString();
                        tn2.Nodes.Add(tn3);

                        if (nodeSelectM == null && dateNext.ToString("yyyyMM") == DateTime.Now.ToString("yyyyMM"))
                        {
                            nodeSelectM = tn2;
                        }
                    }
                    //绑定日
                    else
                    {
                        tn3 = new TreeNode();

                        tn3.Text = dateNext.Day.ToString() + "日";
                        tn3.Tag = dateNext.ToShortDateString();
                        tn2.Nodes.Add(tn3);

                        if (dateNext.ToShortDateString() == DateTime.Now.ToShortDateString())
                        {
                            nodeSelect = tn3;
                        }
                    }
                }
            }

            this.treeView1.CollapseAll();
        }

例如图所示:

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