Google Gadgets 小例子

在学习 Google Gadget, 敲了书上的一个小例子, 放在这里吧:

<?xml version="1.0" encoding="UTF-8"?>
<Module>
	
	<ModulePrefs title="Mini Stock" height="140" scrolling="true"
		description="Mini Storck, Gadget A, B, C"
		author="xxxx" author_email="xxxx@gmail.com"
		author_location="beijing, China">
		<Require feature="dynamic-height"/>
		<Require feature="setprefs"/>
		<Require feature="tabs"/>
	</ModulePrefs>
	
	<UserPref name="idList" display_name="Stock ID list" datatype="list" required="true" default_value="600030|600036" />
	<UserPref name="selectedTab" datatype="hidden"/>
	
	<Content type="html" view="home,canvas">
		<![CDATA[		   
		    
			<style type="text/css">
			<!--
			body, html{
			margin: 0;
			padding: 0;
			background-color: #ffffff;
			font-size: 12px;
			font-family: Verdana,Arial,sans-serif;
			}
			//-->
			</style>
		 
		    <script type="text/javascript" >
			    var prefs = new gadgets.Prefs();
			    var ids = prefs.getArray("idList");
			    var tabs = null; 
			    
			    function viewStockInTab(stockId) {
				    var tabId = tabs.addTab(""+stockId);
				    var tabStock = document.getElementById(tabId);
				    //tabStock.style.display = "block";
				    tabStock.innerHTML = "<img width=\"500\" height=\"342\" src=\"http://www.google.com/finance/getchart?q="+stockId+"\">";
				
				    var tabArray = tabs.getTabs();
				    var tab = tabArray[tabArray.length-1];
				    tabs.setSelectedTab(tab.getIndex());
				
				    gadgets.window.adjustHeight(); 
				}
				
				function jsOver(obj) {
				    obj.style.backgroundColor="yellow";
				    obj.style.cursor="pointer"; 
				}
				
				function jsOut(obj) {
				    obj.style.backgroundColor="white";
				    obj.style.cursor="default"; 
				}
				
				function updateAllStock(responseJson) {
				    //check
				    var ds = null;
				    //alert(responseJson.data);
				    try{
				        ds = eval(responseJson.data.substring(3));
				    }catch(e){
				    }
				    //alert(ds);
				    if(ds == null || ds == false){
				        return;
				    }
				
				    //set data
				    var htmlData = "<table>";
				
				    for(d in ds){
				        htmlData += "<tr onMouseOver=\"jsOver(this);\" onMouseout=\"jsOut(this);\" οnclick=\"viewStockInTab("+ds[d].t+");return false;\"><td>"+ds[d].lname+"</td>";
				        htmlData += "<td>"+ds[d].l+"</td>";
				        htmlData += "<td>"+ds[d].c+"</td>";
				        htmlData += "<td>"+ds[d].cp+"%</td></tr>";      
				    }
				
				    htmlData += "</table>";
				    //alert(htmlData);
				    var element = document.getElementById('div_main');
				    element.innerHTML = htmlData;         
				
				    tabs.setSelectedTab(0);
				    gadgets.window.adjustHeight();          
				}
				
				
				function showStocks() {
				    var url = "http://www.google.cn/finance/info?q=";
				    for(k in ids){
				        if(k>0){
				            url += ",";         
				        }
				        url += ids[k];
				    }
				    url += "&infotype=infoquoteall";
				    //alert(url);
				    gadgets.io.makeRequest(url,updateAllStock); 
				}
			
			    function init(){
			        tabs = new gadgets.TabSet(__MODULE_ID__, "Main");// create tab
			        tabs.addTab("main", "div_main");
			        
			        var element = document.getElementById('div_main');
			        element.style.display = "block";
			        //element.innerHTML = "idList:" + ids;
			        showStocks(); 
			        
			        // Tells gadget to resize itself
                    //gadgets.window.adjustHeight();
			    }	
			    
			    function addAStock(){
			        var stockId = document.getElementById('stockId').value;
			        if(!stockId || stockId.length != 6){
			            alert("Please input a stock ID");
			            return;
			        }  
			        
			        ids.push(stockId);
                    prefs.setArray("idList",ids);
                    
                    showStocks();
                    
                    //var element = document.getElementById('div_main');
                    //element.innerHTML = "idList:" + ids;         
                    
                    //gadgets.window.adjustHeight();            
			    }
			    
		        gadgets.util.registerOnLoadHandler(init); 
		        
			</script>
			
			<div id="div_main"></div> 
			
			<div id="div_add">
			    <form action="javascript:void(0);" method="GET">
			        <input type="text" id="stockId" name="stockId"/>
			        <input type="submit" value="Add a stock" οnclick="addAStock(); return false;" />
			    </form>
			</div>
		]]>
	</Content>
</Module>

效果如图:



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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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