第二人生的源码分析(九十六)LLMenuItemGL实现菜单的显示

在第二生里,菜单是缺少不了的。菜单提供了简单层次关系的一种表达方式,方便表达复杂的层次关系,并且方便写说明书,方便售后服务人员的描述,方便培训。因此,在一个程序没有菜单,往往带来很多不方便的地方。登录界面的菜单如下图:
从上图可以看到 File、Edit、Help几个菜单,那么它是怎么样实现的呢?下面就来分析相关的代码。
下面先来看菜单定义的继承关系:
class LLMenuItemGL : public LLView
可以看到每个菜单项是一个子窗口显示的。
下面就来分析菜单项显示的函数:
#001void LLMenuItemGL::draw( void )
#002{
#003 // *FIX: This can be optimized by using switches. Want to avoid
#004 // that until the functionality is finalized.
#005
#006 // HACK: Brief items don't highlight.Pie menu takes care of it.JC
#007 // let disabled items be highlighted, just don't draw them as such
查看菜单是否可以显示,高亮度显示。
#008 if( getEnabled() && getHighlight() && !mBriefItem)
#009 {
#010 gGL.color4fv( sHighlightBackground.mV );
#011 gl_rect_2d( 0, getRect().getHeight(), getRect().getWidth(), 0 );
#012 }
#013
#014 LLColor4 color;
#015
判断是否显示文字。
#016 U8 font_style = mStyle;
#017 if (getEnabled() && !mDrawTextDisabled )
#018 {
#019 font_style |= LLFontGL::DROP_SHADOW_SOFT;
#020 }
#021
判断是否高亮度显示,选择合适的颜色。
#022 if ( getEnabled() && getHighlight() )
#023 {
#024 color = sHighlightForeground;
#025 }
#026 else if( getEnabled() && !mDrawTextDisabled )
#027 {
#028 color = sEnabledColor;
#029 }
#030 else
#031 {
#032 color = sDisabledColor;
#033 }
#034
显示菜单的文字。
#035 // Draw the text on top.
#036 if (mBriefItem)
#037 {
#038 mFont->render( mLabel, 0, BRIEF_PAD_PIXELS / 2, 0, color,
#039 LLFontGL::LEFT, LLFontGL::BOTTOM, font_style );
#040 }
#041 else
#042 {
#043 if( !mDrawBoolLabel.empty() )
#044 {
#045 mFont->render( mDrawBoolLabel.getWString(), 0, (F32)LEFT_PAD_PIXELS, ((F32)MENU_ITEM_PADDING / 2.f) + 1.f, color,
#046 LLFontGL::LEFT, LLFontGL::BOTTOM, font_style, S32_MAX, S32_MAX, NULL, FALSE
#047);
#048 }
#049 mFont->render( mLabel.getWString(), 0, (F32)LEFT_PLAIN_PIXELS, ((F32)MENU_ITEM_PADDING / 2.f) + 1.f, color,
#050 LLFontGL::LEFT, LLFontGL::BOTTOM, font_style, S32_MAX, S32_MAX, NULL, FALSE );
#051 if( !mDrawAccelLabel.empty() )
#052 {
#053 mFont->render( mDrawAccelLabel.getWString(), 0, (F32)getRect().mRight - (F32)RIGHT_PLAIN_PIXELS, ((F32)MENU_ITEM_PADDING / 2.f) +
#0541.f, color,
#055 LLFontGL::RIGHT, LLFontGL::BOTTOM, font_style, S32_MAX, S32_MAX, NULL,
#056FALSE );
#057 }
#058 if( !mDrawBranchLabel.empty() )
#059 {
#060 mFont->render( mDrawBranchLabel.getWString(), 0, (F32)getRect().mRight - (F32)RIGHT_PAD_PIXELS, ((F32)MENU_ITEM_PADDING / 2.f) +
#0611.f, color,
#062 LLFontGL::RIGHT, LLFontGL::BOTTOM, font_style, S32_MAX, S32_MAX, NULL,
#063FALSE );
#064 }
#065 }
#066
显示快捷键。
#067 // underline "jump" key only when keyboard navigation has been initiated
#068 if (getMenu()->jumpKeysActive() && LLMenuGL::getKeyboardMode())
#069 {
#070 LLString upper_case_label = mLabel.getString();
#071 LLString::toUpper(upper_case_label);
#072 std::string::size_type offset = upper_case_label.find(mJumpKey);
#073 if (offset != std::string::npos)
#074 {
#075 S32 x_begin = LEFT_PLAIN_PIXELS + mFont->getWidth(mLabel, 0, offset);
#076 S32 x_end = LEFT_PLAIN_PIXELS + mFont->getWidth(mLabel, 0, offset + 1);
#077 gl_line_2d(x_begin, (MENU_ITEM_PADDING / 2) + 1, x_end, (MENU_ITEM_PADDING / 2) + 1);
#078 }
#079 }
#080
#081 // clear got hover every frame
#082 setHover(FALSE);
#083}
通过函数学会怎样输出菜单项,怎么样显示颜色。
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