AX菜单,form,table

class  recursion {
    treeNode            childNode,menuitemNode;
    treeNode            fields,tables,LastTree,items;
    treenodeIterator    it, itFld,itlast,itmenu,menuFld;
    real                 layer,_count;
    ktl_formName        ktl_formName;
    label               label_gb,label_us,label_gb1,label_us1;


    
public static void main(args _args){
    recursion1 recursion
=new recursion1();
    recursion.init();
    }


    
public void init(){
    Str     _name;
    xInfo xInfo 
= new xInfo();

    treeNode t 
= xInfo.rootNode().AOTfindChild("Menus");
    it 
= t.AOTiterator();
    childnode
=it.next();
    layer
=1;
    
//delete_from ktl_formname;
    while(childnode)   {
        _name
= findProperty(childnode.AOTgetProperties(),'label');
       
// print   childnode.treeNodeName(),     "***";
       
// print num2str(layer,1,0,0,0);
      
// print _name;pause;


        itfld
=childnode.AOTiterator();
        itlast 
= t.AOTfindChild(childnode.treeNodeName()).AOTiterator();

       
// this.recursion2(layer,childnode,itlast,childnode.treeNodeName(),childnode.AOTchildNodeCount());

        
this.recursion(_name,layer,childnode,itlast,childnode.treeNodeName(),childnode.AOTchildNodeCount());
        layer
++;
        childnode
=it.next();

    }

  }


   
public void recursion(Str _label,real _layer,treeNode _ChildNode,treeNodeIterator _itfld,Str nodeName,int countNode)
{
        
int      mark;
        
int      i;
        str      formtype;
        str      formname;
        str      formlabel;
        str      menu_label ;

        xInfo    Info2;

        info2 
= new xInfo();

        childnode
=_childnode;
        i
=_layer*10;
        
//print int2str(_layer)+nodename+'---'; //主菜单

        ktl_FormName.clear();
        ktl_formname.ID
= num2str(layer,1,0,0,0);
        ktl_formname.ID_str
=num2str(_layer,1,0,0,0)+'*';
        ktl_FormName.Menu_class
='***';
        label_gb
=new label('en-gb');
        ktl_FormName.Form_cn
=label_gb.extractString(_label);
        label_us
=new label('en-us');
        ktl_FormName.Form_us
=label_us.extractString(_label);
        
//print  ktl_FormName.Form_cn,'--',ktl_FormName.Form_us;  pause;
        ktl_FormName.insert();

        _count
=countNode;

        fields
=_itfld.next();

        
while(fields){
             
--_count;
             i
++;
             mark
=fields.AOTchildNodeCount();
             
if(mark){

                 
this.recursion(findProperty(fields.AOTgetProperties(),"label"),i,childNode,fields.AOTiterator(),fields.treeNodeName(),fields.AOTchildNodeCount());

             }
  else {
              
//  print int2str(i)+fields.treeNodeName();   //Form 显示名称

                formtype
=findProperty(fields.AOTgetProperties(),"menuitemtype");     //Form 类型
               
// print   formtype;
                formname=findProperty(fields.AOTgetProperties(),"menuitemName");  //Form 名称
               
// print formname; //pause;

               
this.findForm1(formtype,formname,i,fields.treeNodeName());
                
if(_count==0)
                  i
=(i-(i mod 10))/10;
             }



            fields
=_itfld.next();
        }

}



void findForm1(Str _type,Str _name,real _layer,Str NodeName)
{
        Str     menu_class;
        Str     menu_object;
        str     menu_label;
        Info    xInfo1;
        treeNode t1;
        ;
        xInfo1 
= new xInfo();
         ttsbegin;

        
if(!_type || !_name){

             ktl_FormName.clear();

             ktl_FormName.Form_cn
=NodeName;
             ktl_formname.ID
= num2str(layer,1,0,0,0);
             ktl_formname.ID_str
=num2str(_layer,1,0,0,0);
             ktl_FormName.MenuItemName
=_name;
             ktl_FormName.MenuItemType
=_type;
             ktl_FormName.Menu_class
=menu_class;
             ktl_FormName.Menu_object
=menu_object;
             ktl_FormName.insert();
             
return;

        }
 else {


            t1 
= xInfo1.rootNode().AOTfindChild("Menu Items");
            itMenu 
= t1.AOTiterator();
            menuitemNode
=itmenu.next();
           
// print menuitemnode.treeNodeName();
            menufld=t1.AOTfindChild(_type).AOTiterator();

            items
=menufld.next();
            
while(items){
                
if(items.treeNodeName()==_name) {
                     menu_class
= findProperty(items.AOTgetProperties(),"Class");
                     menu_object
= findProperty(items.AOTgetProperties(),"Object");

                     ktl_FormName.clear();
                     
//ktl_FormName.Form_cn=NodeName;
                     ktl_formname.ID= num2str(layer,1,0,0,0);
                     ktl_formname.ID_str
=num2str(_layer,1,0,0,0);
                     ktl_FormName.MenuItemName
=_name;
                     ktl_FormName.MenuItemType
=_type;
                     ktl_FormName.Menu_class
=menu_class;
                     ktl_FormName.Menu_object
=menu_object;
                     menu_label
=findProperty(items.AOTgetProperties(),"label") ;
                    
//print formlabel;
                     label_gb1=new label('en-gb');
                     ktl_FormName.Form_cn
=label_gb1.extractString(menu_label);
                     label_us1
=new label('en-us');
                     ktl_FormName.Form_us
=label_us1.extractString(menu_label);
                      ktl_FormName.insert();
                    
// print  menu_class;
                    
// print  menu_object; pause;
                     return;
                }

                items
=menufld.next();
            }

        }

        ttscommit;

}







}
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