AdvancedDataGrid的使用,动态插入组列

AdvancedDataGrid的使用,动态插入组列
2010年05月28日
   public function MakeAdvancedDataGrid(tmpMonthADGDataGrid:AdvancedDataGrid ):void
  {
  //var i:int;
  var myadgmonthdata:ArrayCollection=new ArrayCollection();
  var tmpD:AdvancedDataGridColumn=new AdvancedDataGridColumn();
  tmpD.headerText="部门";
  tmpD.dataField="部门";
  tmpD.width=120;
  var tmpProduct:AdvancedDataGridColumn=new AdvancedDataGridColumn();
  tmpProduct.headerText ="总数";
  tmpProduct.dataField="总数";
  tmpProduct.width=60;
  //tmpProduct.dataField="product";
  myadgmonthdata.addItem(tmpD);
  myadgmonthdata.addItem(tmpProduct);
  var tmpGroup:AdvancedDataGridColumnGroup=new AdvancedDataGridColumnGroup();
  tmpGroup.headerText="消缺率";
  var tmpqty:AdvancedDataGridColumn=new AdvancedDataGridColumn();
  tmpqty.headerText="总体";
  tmpqty.width=60;
  tmpqty.dataField="总体";
  var levelCount:int=BugLevelArr.length;
  if(levelCount>0)
  {
  for(var i:int=0;i3";
  datecol4.width=60;
  datecol4.dataField=">3";
  dateGroup.children=dateGroup.children.concat(datecol1);
  dateGroup.children=dateGroup.children.concat(datecol2);
  dateGroup.children=dateGroup.children.concat(datecol3);
  dateGroup.children=dateGroup.children.concat(datecol4);
  myadgmonthdata.addItem(dateGroup);
  var levelGroup:AdvancedDataGridColumnGroup=new AdvancedDataGridColumnGroup();
  levelGroup.headerText="类别";
  var levelCount1:int=BugLevelArr.length;
  if(levelCount1>0)
  {
  for(var j:int=0;j<levelCount;j++)
  {
  var perList1:Object = BugLevelArr.getItemAt(j);
  var levelid1:String=perList1["BUGLEVELID"];
  var leveldesc1:String=perList1["BUGLEVELDESC"];
  var comName1:Object=new Object()
  comName1="colm"+j;
  comName1=new AdvancedDataGridColumn;
  comName1.dataField=leveldesc1+"_Count";
  comName1.headerText=leveldesc1;
  comName1.width=90;
  levelGroup.children=levelGroup.children.concat(comName1);
  //tmpGroup.children=tmpGroup.children.concat(tmpqty);
  }
  }
  myadgmonthdata.addItem(levelGroup);j
  tmpMonthADGDataGrid.groupedColumns=myadgmonthdata.toArray();
  }
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