Flex学习笔记_08 Flex的事件机制_事件架构

8.1 一切从事件开始

8.1.1 关于事件

事件有大有小,简单或者复杂,但都有一个共同点特点:派发一个信号,然后等待程序来处理。
事件是交互性程序实现数据驱动的主要运作方式。
事件机制:将程序主体功能细化的有力工具,为各个功能块之间的通信提供桥梁,最大程度地保证程序的各个部分协调运行。
所有组件都会派生自己的事件,为组件指定了相应的事件侦听方法,一旦事件发生,监听方法就被调用。
每个组件可以注册多个监听,可以由多方共同处理同一事件。派发的事件包含了目标对象传递的信息,监听收到信息进行分析,然后处理。
AS3.0 的事件机制基于DOM(Document Object Model)3事件模型:DOM3标准的一部分,有W3C 维护和发展。

8.1.2 和以往事件机制的区别

AS1.0 和 2.0有多种事件处理方式。on、onClipEvent、回调方式、事件对象监听方式、事件监听方式。

AS 3.0的事件机制采用单一方式,全部采用 addEventListener 方法来注册监听器,且监听器必须是函数,监听器的作用域和监听器所在对象的作用域一致。


8.1.3 AS3.0 的可视化对象架构和事件机制

AS 3.0 所有可视化对象已经内建了事件机制:

EventDispatcher 和 IEventDispatcher 是 Flash Player 内建的功能对象,负责实现事件模型,它们同属于flash.events 包(包含了 Flash Player 的所有系统事件)。
IEventDispatcher :定义了一个事件模型应该具备的基本方法:派发事件和注册监听器的接口。
EventDispatcher :IEventDispatcher的一个具体实现,提供了3个关键点函数来运作事件机制:
  • addEventListener():注册事件监听器
  • removeEventListener():移除事件监听器
  • dispatchEvent():派发事件

为了让视觉元素独立出来,首先创建了 DisplayObject 这个抽象类,将所有可以显示的对象包括进来,然后按照功能将DisplayObject 再分成7大类:
  • AVM1Movie:AS3.0之前的SWF文件或MC,使用AVM1来解释执行。主要用来加载早期的SWF
  • Bimap:位图对象,可以通过代码创建,也可以从外部载入
  • InteractiveObject:可以接受用户交互的对象,抽象类,无法通过代码创建
    • DisplayObjectContainer:抽象的可视化对象容器,和容器类控件相似,可以添加其他可视化对象:
      • Loader:加载所有的外部数据
      • Sprite:场景,位于显示层的顶部,包括程序中所有的可视元素
        • MovieClip:扩展了Sprite,依然和早期的MC一样,功能最多最庞杂
      • Stage:AS 3.0可视化元素中最重要的一个,专门用来处理代码的部件
    • SimpleButton:处理按钮的对象
    • TextField:处理动态文本
  • MorphShape:形变图形,在Flash 创建形变动画时,Flash Player 自动生成,不可以通过代码生成
  • Shape:形状元件,可以使用AS创建,通过绘图函数来绘制图形
  • StaticText:在Flash 中使用静态文本时会自动创建,不可通过代码创建
  • Video:视频对象,专门用来播放来自文件或网络的视频,可以由程序创建
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