一个针对AS3计算速度最简单的测试!

最新推荐文章于 2022-02-25 18:19:43 发布
最新推荐文章于 2022-02-25 18:19:43 发布
阅读量95 收藏
点赞数
分类专栏： flash技术 文章标签： Flash C C++ C# HTML
首先我们先说下结论,那就是速度相比提升了10倍...
[img]/uploads/allimg/080401/1859030.gif[/img]
程序代码
[1b]var[/1b] c:[1b]Number[/1b]=1;
[1b]for[/1b]([1b]var[/1b] i=1;i1001;i++){
[1b]for[/1b]([1b]var[/1b] q=1;q11;q++){
c=c*i*q;
}
}
[1b]trace[/1b](getTimer());
以上是一段再简单不过的双层for循环的连乘...在Flash9 Public Alpha中新建一个文档,将其粘贴到第一帧上...这时候默认的发布设置是FlashPlayer9,AS3
测试影片,trace的结果是10,再次测试,得到12
然后将发布设置更改成FlashPlayer8,AS2
测试影片,trace的结果是128,再次测试,得到125
从上面的最简单不过的测试我们可以看出,AS3+FlashPlayer9相对于AS2+FlashPlayer8确实计算速度提升了10倍...那么AS2运行在FlashPlayer9上计算速度会不会有所提高呢?我们接着测试...
同样的代码,将发布设置更改为AS2+FlashPlayer9
测试影片,trace的结果是135,再次测试,得到144
综上我们可以看出,在FlashPlayer9下执行AS2的代码反而计算速度会稍微慢一些,而AS3的表现确实很令人满意...
—  —||今天侃到这,感谢您耐心的看了我上面那么长一串的废话
本文转自：http://www.5uflash.com/flashjiaocheng/Flash-as3-jiaocheng/1780.html
iteye_12945
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
JMeter压力测试
学Java，找哪吒
06-20 5万+
即TPS：每秒事务数，性能测试中，最重要的2个指标之一。该插件的作用是在测试脚本执行过程中，监控查看服务器的TPS表现————比如整体趋势、实时平均值走向、稳定性等。jmeter本身的安装包中，监视器虽然提供了比如聚合报告这种元件，也能提供一些实时的数据，但相比于要求更高的性能测试需求，就稍显乏力。1、Java：选择压测时，链接是复用的（代码中的http调用都加了连接池）
tensorflow-gpu下载、安装、测试
05-08
安装完成后，为了验证CUDA和CUDNN是否正确安装，可以编写一个简单的Python脚本来测试： ```python import tensorflow as tf print("TensorFlow version:", tf.__version__) print("Is GPU available?", tf.config....
AS3.0 仿iphone滑动效果
11-18
as3.0 滑动技巧 模仿iphone滑动，有缓冲效果。横竖版效果都有
FLASH as3 测试题.
weixin_34160277的博客
02-22 111
看到一篇FLASH做测试题的文章，感觉不错.与大家分享. 4年级的时候就做过这样的东西，可是到现在面向对象的思想都没掌握，哎， 原文地址： Create a Quiz Application Using AS3 Classes 这里是源文件， 点击下载 ...
AS3计算当前帧速率类
freeboy21的专栏
10-17 252
  package{ import flash.display.Sprite import flash.utils.Timer; import flash.events.Event; import flash.events.TimerEvent; import flash...
AS3代码效率优化
猿涯踏码
11-23 1663
AS3代码效率优化中以帧频为重要部分。帧速的调节是很灵活的。帧速较高意味着每秒钟执行的循环、代码操作会比较多，帧速低则是减小每秒钟相应的循环、代码的执行次数。有时候，降低帧速有助于提高回放视频的流畅度。就算并没有很多的代码，帧速的高低依然会直接影响到CPU使用率，这在Mac上尤其明显。帧速可以动态设置，如下：stage.frameRate = 20; 优化你的优化行为。优化通常都需要时间，并
软件测试必问必背面试题
热门推荐
weixin_45912307的博客
10-30 20万+
软件测试必问必背面试题 01 软件测试理论部分 1.1 测试概念 1. 请你分别介绍一下单元测试、集成测试、系统测试、验收测试、回归测试 单元测试：完成最小的软件设计单元（模块）的验证工作，目标是确保模块被正确的编码 集成测试：通过测试发现与模块接口有关的问题 系统测试：是基于系统整体需求说明书的黑盒类测试，应覆盖系统所有联合的部件 回归测试：回归测试是指在发生修改之后重新测试先前的测试用例以保证修改的正确性 验收测试：这时相关的用户或独立测试人员根据测试计划和结果对系统进行测试和接收。验收测试包括Al
这年3月计算机等级考试二级VB真题.pdf
12-21
3. **排序算法**：冒泡排序、简单选择排序和直接插入排序在最坏情况下比较次数均为O(n^2)，而堆排序在最坏情况下比较次数为O(n log n)。 4. **软件分类**：应用软件是面向特定用户需求的软件，如教务管理系统；系统...
本文主要描述了如何使用Pytorch(深度学习框架)构建一个简单的卷积神经网络，并对MNIST数据集进行了训练和测试.zip
最新发布
01-14
本篇文章将深入探讨如何使用PyTorch构建一个针对MNIST数据集的简单卷积神经网络（CNN）。MNIST数据集是手写数字识别的经典基准，包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的灰度图像。 首先...
AS3中的物理学 常见的碰撞，弹性，边界，摩擦力，加速，缓动。。。
04-01
AS3中的物理学 常见的碰撞，弹性，边界，摩擦力，加速，缓动。。。
2009年3月计算机等级考试二级VB真题
06-20
- **排序算法**：在最坏的情况下，冒泡排序、简单选择排序和直接插入排序的时间复杂度均为O(n^2)，而堆排序的时间复杂度为O(nlogn)，因此堆排序的比较次数最少，选D。 ##### 2. 软件工程 - **软件分类**：应用软件...
使用PyTorch实现CNN训练一个针对于CIFAR10数据集的分类识别网络,Python源码.zip
10-15
一个简单的CNN结构可能包括几个卷积层、池化层、全连接层和激活函数。例如： ```python class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool =...
AS3中检测类中是否存指定方法
07-03 947
private function hasFunction(target:Object,method:String):Boolean{     var obj:XML = describeType(sp)     return obj.method.(@name==method).length() }
AS3解析JSON
wkyb608的专栏
10-07 986
由于最近要用 所以自己研究了下 其实JSON和XML类似 不过可读性就没有XML高了但JSON传输的数据量小··各有春秋吧 获取数据 如果你懂AS3解析XML，那JSON也差不多了，2个差不多 只要了解一下JSON的格式就可以了 [{"name":"Hans","age":"32"}, {"name":"John","age":"12"}, {"na
AS3中常用到的公式 {转}
TTS
11-11 451
AS3中常用到的公式 基本三角函数的计算：角的正弦值 = 对边 / 斜边角的余弦值 = 邻边 / 斜边角的正切值 = 对边 / 邻边 角度制与弧度制的相互转换：弧度 = 角度 * Math.PI / 180角度 = 弧度 * 180 / Math.PI 计算两点间距离：dx = x2 – x1;dy = y2 – y1;dist = Math.sqrt(dx*dx + dy*dy...
Unity 【Content Size Fitter】- 聊天气泡自动适配Text文本框大小
当代野生程序猿
02-25 5484
通常在展示人物对话的时候文本的长度是不定的，因此会需要动态的调整对话内容文本框的背景图片的大小，这里以如下这种气泡框的对话为例： 实现该需求涉及到的内容包括Content Size Fitter组件的使用、2D Sprite工具包的使用。 Content Size Fitter组件用于Text文本框，如图所示，我们将Horzontal Fit设为Preferred Size，当我们调整Text文本框中的内容时，其大小会自动进行调整。 注意Rect Transform中Pivot轴心点的设置
新唐NUC972 Linux（一）：USB烧写linux出厂镜像
小破孩的博客
02-20 3110
USB烧写出厂镜像 文章目录USB烧写出厂镜像前言一、硬件连接二、安装驱动三、烧写linux程序四、运行程序 前言 今天开始进军linux，学了那么久单片机，也摸得七七八八，至少点个灯还是会的。本人之所以买酷客的linux开发板主要是便宜，资料也算齐全，虽然没有原子那么好，不过也够了，找那么多借口，其实就是qiong。今天先从USB烧录官方提供的linux相关程序到芯片开始吧。 一、硬件连接 1、连接电源线 2、RS232转USB，需要安装CH340驱动，用于在电脑串口超级终端中查看调试信息。 3、U
写一个朴素贝叶斯分类器并使用实例测试
05-17
好的，我们先来介绍一下朴素贝叶斯分类器的原理： 朴素贝叶斯分类器是一种基于贝叶斯定理的分类算法，它假设特征之间相互独立，因此称之为“朴素”。在分类时，朴素贝叶斯分类器会计算出每个类别的概率，并选择概率最大的类别作为预测结果。 接下来，我们使用一个简单的例子来说明如何使用朴素贝叶斯分类器。 假设我们有一个数据集，其中包含了一些文本和对应的标签，我们的目标是根据文本内容来预测标签。我们可以将文本进行分词，并统计每个词汇在每个标签下出现的概率，然后使用贝叶斯定理计算每个标签的概率，最后选择概率最大的标签作为预测结果。 下面是一个简单的实现代码： ```python import numpy as np class NaiveBayesClassifier: def __init__(self): self.labels = [] self.word_probs = [] def fit(self, X, y): self.labels = np.unique(y) n_labels = len(self.labels) n_words = X.shape[1] self.word_probs = np.zeros((n_labels, n_words)) for i, label in enumerate(self.labels): X_i = X[y==label] self.word_probs[i] = (X_i.sum(axis=0) + 1) / (np.sum(X_i.sum(axis=1)) + n_words) def predict(self, X): probs = np.zeros((X.shape[0], len(self.labels))) for i in range(len(self.labels)): probs[:,i] = np.log(np.prod(X * self.word_probs[i], axis=1)) + np.log(np.sum(X.sum(axis=1))) + np.log(np.sum(self.word_probs[i])) return self.labels[np.argmax(probs, axis=1)] ``` 我们使用 sklearn 自带的 20newsgroups 数据集进行测试： ```python from sklearn.datasets import fetch_20newsgroups from sklearn.feature_extraction.text import CountVectorizer from sklearn.model_selection import train_test_split # 加载数据集 newsgroups = fetch_20newsgroups(subset='all', shuffle=True, random_state=42) # 将文本转换为词向量 vectorizer = CountVectorizer() X = vectorizer.fit_transform(newsgroups.data) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, newsgroups.target, test_size=0.2, random_state=42) # 训练朴素贝叶斯分类器 clf = NaiveBayesClassifier() clf.fit(X_train.toarray(), y_train) # 预测测试集 y_pred = clf.predict(X_test.toarray()) # 计算准确率 acc = np.mean(y_pred == y_test) print('Accuracy:', acc) ``` 输出结果为： ``` Accuracy: 0.7443792766373418 ``` 这里的准确率比较低，是因为我们的朴素贝叶斯分类器过于简单，并且没有进行特征选择和优化。在实际应用中，我们需要针对具体的问题进行调整和改进。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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