使用AsyncToken和CallResponder的注意事项

  1、 认识AsyncToken和CallResponder
  1) AsyncToken 该类为异步 RPC 操作提供设置额外数据或标记级别数据的位置。它也允许为单独的调用附加 IResponder。可从 token 属性的 ResultEvent 和 FaultEvent 中引用 AsyncToken。 2) CallResponder 此组件帮助您管理从基于 RPC 的服务(通常从 MXML 组件)进行的异步调用的结果。尽管每个服务和操作都会分派结果和错误事件,但是通常需要在应用程序的不同部分使用相同的操作。在整个应用程序中使用一个事件侦听器或 lastResult 值可能非常不方便。您可以使用简单轻型的 CallResponder 为服务的特定调用管理事件侦听器和 lastResult 值,而不是创建引用同一服务的两个服务组件。
  可以将此组件的 token 属性设置为服务返回的 AsyncToken。然后,可以在此组件上添加事件侦听器,而无需将其添加到返回的每个 AsyncToken。此组件还保留了 lastResult 属性,该属性是此服务监视的标记所分派的上一个成功结果事件返回的值的副本。尽管您可以绑定到callResponder.token.result或callResponder.lastResult,但是,当第二次调用同一个服务时,将保留callResponder.lastResult;当启动新的服务调用时,将重置 callResponder.token.result。
  3) AsyncToken和CallResponder的关系
  AsyncToken可以添加多个IResponder处理;CallResponder是IResponder的实现,其除了默认的fault、result方法实现之外,添加了lastResult属性。
  2、 如何使用AsyncToken和CallResponder
  给个简单的例子,如下:
  1) blazeds配置的服务名为testService,其有个函数sayHello没有输入参数返回”Hello,token and responder.”;
  2) mxml定义了一个CallResponder,其id=”callResponder”,定义了一个RemoteObject其id=”ro”;
  3) mxml应用还有一个Button和textbox,textbox的text属性为”{ callResponder .lastResult}”;
  4) 则只要按钮事件里写以下代码即可:
  callResponder.token = ro.sayHello();
  3、 使用AsyncToken和CallResponder的注意事项
  1) 为何lastResult可被绑定;
  [[b]Bindable[/b]] [b]
  [/b][b]public[/b][b]var[/b] lastResult:*;
  2) 了解绑定机制原理
  Flex绑定是基于事件的,其核心是观察者模式,当某某属性发生变更时,触发事件,通知被绑定的对象去修改其属性值。所以,当lastResult的值未发生改变时,无论文本框的text被修改成何值,都不会将lastResult再次赋值给文本框的属性。
  3) 案例
  2中example显示,点击按钮之后,文本框应该显示“Hello,token and responder.”。此时,编辑文本框为”Modified.”,再点击按钮,我们会惊讶地发现:文本框依旧显示Modified,而不是service返回的Hello,token and responder。
  4) 总结
  因此,使用AsyncToken和CallResponder绑定数据时,当数据不能编辑时用CallResponder.lastResult;当数据需要编辑时,请绑定CallResponder.token.result,注意fault处理。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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