断开式 DataGridView控件 winform

断开式 DataGridView控件 winform

引入dgv控件

在这里插入图片描述
在这里插入图片描述

绑定数据

dgv控件.数据源 = 仓库中的数据表

示例


        private void bindDgv() { 
        
            // 连接字符串
            String connStr = "Data Source=.;Initial Catalog=dbok;Integrated Security=True";
            // 查询语句sql
            String sql = "select * from sanguo";
            // 连接对象
            SqlConnection conn = new SqlConnection(connStr);
            // 空仓库
            DataSet ds = new DataSet();
            // 小货车
            SqlDataAdapter adapter = new SqlDataAdapter(sql, conn);
            // 让小车卸货
            adapter.Fill(ds, "table");

            // 拿到仓库中的表
            DataTable t = ds.Tables["table"];

            // 控件.数据源 = 表
            dataGridView1.DataSource = t;
        }

显示结果

在这里插入图片描述

定制列

目前的结果,显示了表的所有列

期望只显示我们需要的列

关掉自动显示

在这里插入图片描述

在这里插入图片描述

手动添加列

在这里插入图片描述
在这里插入图片描述
添加列

在这里插入图片描述

在这里插入图片描述
运行效果

在这里插入图片描述
有多个空行

代表有数据进来了

只不过,数据没有与我的单元格对应上

让数据与列对应上

在这里插入图片描述

对每一个列进行数据的绑定

让控件的列与数据表查询结果的列设置为一样的即可

最终的效果

在这里插入图片描述

让列的宽度铺满控件

在这里插入图片描述

在这里插入图片描述
启动的效果

在这里插入图片描述

去掉自动的首列

为true时

在这里插入图片描述

设置为false

在这里插入图片描述

去掉底部的空行

在这里插入图片描述
用代码解决

在这里插入图片描述

效果,底部的空白行就没有了

在这里插入图片描述

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

打赏作者

鲸鱼编程pyhui

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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