通过页面传递参数到flex中的几种方法

1.在<Object>和<embed>中设置flashVars参数,例如:

[xhtml]  view plain copy
  1. <object id=’mySwf’ classid=’clsid:D27CDB6E-AE6D-11cf-96B8-444553540000′ codebase=’http://fpdownload.macromedia.com/get/flashplayer/current/swflash.cab’ height=’100%’ width=’100%’>   
  2.         <param name=’src’ value=’FlashVarTest.swf’/>   
  3.         <param name=’flashVars’ value=’firstName=Nick&lastName=Danger/>   
  4.         <embed name=’mySwf’ src="’FlashVarTest.swf’" mce_src="’FlashVarTest.swf’" pluginspage=’http://www.adobe.com/go/getflashplayer’ height=’100%’ width=’100%’ flashVars=’firstName=Nick&lastName=Danger/>   
  5. <embed src="’TitleTest.mxml.swf?myName=Danger’" mce_src="’TitleTest.mxml.swf?myName=Danger’" … />     
  6. </object>   

2.或者在<Object>和<embed>中的src属性中直接加参数,例如:

[xhtml]  view plain copy
  1. <object … >   
  2.     <param name=’src’ value=’TitleTest.mxml.swf?myName=Danger>   
  3.     …   
  4.     <embed src="’TitleTest.mxml.swf?myName=Danger’" mce_src="’TitleTest.mxml.swf?myName=Danger’" … />   
  5. </object>   

3.如果通过url直接访问Flash,可以直接再后面加参数,例如: 
http://localhost:8100/flex/myApp.swf?myName=Nick&myHometown=San 
如何在Flex中读取这些参数: 
可以用Application.application.parameters或LoaderConfig.parameters获得外部参数。 
但是切忌:只能在Application部署完成之后才能获取这些参数。也就是在派发creationComplete之后才能获得。例如:

[java]  view plain copy
  1. <mx:Application xmlns:mx=”http://www.adobe.com/2006/mxml” width=”100%” height=”100%”  
  2. layout=”absolute” creationComplete=”initApp()”  initialize=”init()”>  
  3. <mx:Script>  
  4. <!--[CDATA[  
  5. import mx.core.Application  
  6. private function init():void  
  7. {  
  8. trace(Application.application.parameters["id"]);//输出undefined证明获取参数失败  
  9. }  
  10. private function initApp():void  
  11. {  
  12. trace(Application.application.parameters["id"]);  
  13. trace(this.parameters["id"]);// 这样写也行  
  14. }  
  15. ]]-->  
  16. </mx:Sctipt>  
  17. </mx:Application>  


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