什么是Window【What Is a Window?】

什么是Window

显然,windows是windows的核心。它们是如此重要,以至于人们用它们来命名操作系统。但什么是窗口呢?当你想到窗户的时候,你可能会想到这样的东西:

在这里插入图片描述

这种类型的窗口被称为应用程序窗口或主窗口。它通常有一个带有标题栏、最小化和最大化按钮的框架,以及其他标准的UI元素。这个框架被称为窗口的非客户区,之所以这样称呼是因为操作系统管理窗口的那部分。框架内的区域是客户区域。这是你的程序管理的窗口的一部分。

这是另一种类型的窗口:
在这里插入图片描述
如果您是Windows编程的新手,您可能会惊讶于UI控件,如按钮和编辑框,它们本身就是窗口。UI控件和应用程序窗口之间的主要区别在于控件本身并不存在。相反,控件的位置相对于应用程序窗口。当您拖动应用程序窗口时,如您所期望的,控件将随之移动。此外,控件和应用程序窗口可以相互通信。(例如,应用程序窗口从一个按钮接收点击通知。)

因此,当您想到窗口时,不要简单地想到应用程序窗口。相反,可以把窗口看作是一个编程构造:

  • 占据了屏幕的一定部分。
  • 在给定的时刻可能是可见的,也可能是不可见的。
  • 知道如何画自己。
  • 响应来自用户或操作系统的事件。

父窗口和所有者窗口

在UI控件的情况下,控件窗口被称为应用程序窗口的子窗口。应用程序窗口是控制窗口的父窗口。父窗口提供用于定位子窗口的坐标系统。拥有父窗口会影响窗口外观的各个方面;例如,子窗口将被剪切,以便子窗口的任何部分都不会出现在其父窗口的边框之外。

另一个关系是应用程序窗口和模态对话框窗口之间的关系。当应用程序显示模态对话框时,应用程序窗口是所有者窗口,而对话框是所有者窗口。拥有的窗口总是出现在其所有者窗口的前面。当所有者最小化时,它被隐藏起来,并与所有者同时销毁。

下图显示了一个带有两个按钮的对话框:

在这里插入图片描述
应用程序窗口拥有对话框窗口,并且对话框窗口是两个按钮窗口的父窗口。下图显示了这些关系:

在这里插入图片描述

窗口句柄(hwnd)

Windows是对象——它们既有代码又有数据——但它们不是c++类。相反,程序通过使用称为句柄的值来引用窗口。句柄是一种不透明类型。本质上,它只是操作系统用来识别对象的一个数字。您可以将窗口想象成一个包含所有已创建窗口的大表格。它利用这个表通过它们的把手来查找窗口。(这是否是它的内部运作方式并不重要。)窗口句柄的数据类型是HWND,通常读作“aitch-wind”。创建窗口的函数返回窗口句柄:CreateWindow和CreateWindowEx。

要在窗口上执行一个操作,您通常会调用一些以HWND值作为参数的函数。例如,要在屏幕上重新定位一个窗口,可以调用MoveWindow函数:

BOOL MoveWindow(HWND hWnd, int X, int Y, int nWidth, int nHeight, BOOL bRepaint);

第一个参数是您想要移动的窗口句柄。其他参数指定窗口的新位置以及是否应该重绘窗口。

记住句柄不是指针。如果hwnd是一个控制句柄的变量,试图通过写入*hwnd来解引用该句柄是错误的。

屏幕和窗口坐标

坐标是用与设备无关的像素测量的。当我们讨论图形时,我们会更多地讨论与设备无关的像素部分。

根据您的任务,您可以测量相对于屏幕、相对于窗口(包括框架)或相对于窗口的客户区域的坐标。例如,您可以使用屏幕坐标在屏幕上定位一个窗口,但您可以使用客户端坐标在窗口内绘图。在每种情况下,原点(0,0)总是该区域的左上角。

在这里插入图片描述

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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