客户端网速的测量——ActionScript实现.backup

package
{
import flash.display.Bitmap;
import flash.display.BitmapData;
import flash.display.Loader;
import flash.display.Sprite;
import flash.events.*;
import flash.events.ErrorEvent;
import flash.events.IOErrorEvent;
import flash.net.URLRequest;
import flash.text.*;
import flash.utils.*;
import flash.display.GradientType;

public class LoadImage extends Sprite
{
private var loader:Loader=new Loader();
private var loadDisplay:TextField= new TextField();
private var st=(new Date()).getTime();
private var et;
private var delay:Number=50*1000;
private var currentfileziize;//记录已经下载了多少字节,对于大文件很有用
private var myTimer=setTimeout(stopTimeHandler,delay);
private var stgb=new Sprite;
private var stg=new Sprite();

public function LoadImage()
{
//var url=new URLRequest("http://i0.sinaimg.cn/ent/y/w/2008-11-24/U1513P28T52D3414F872DT20081124143718.jpg?id=979976");

var url=new URLRequest("http://g3.letv.cn/vod/v1/MTUvNy8yNy8yMTUxMzE1OTg1LjAuZmx2");
loader.load(url);
loader.contentLoaderInfo.addEventListener(Event.COMPLETE,loaderComplete);
loader.contentLoaderInfo.addEventListener(ProgressEvent.PROGRESS,loaderProgress);
loader.contentLoaderInfo.addEventListener(IOErrorEvent.IO_ERROR,loaderError);
addChild(loader);
   addChild(loadDisplay);
  //stage.x=100;
//stage.y=100;
//loadDisplay.autoSize=TextFieldAutoSize.CENTER
//loadDisplay.x=0;
//loadDisplay.y=0;
//loadDisplay.width=300;


}
public function loaderProgress(evt:ProgressEvent):void
{
var percent:Number=Math.round((evt.bytesLoaded/evt.bytesTotal)*100);
currentfileziize=evt.bytesLoaded;
loadDisplay.text+=percent+"%";

}
public function loaderComplete(evt:Event):void
{
loadDisplay.text="complete\r";
inerdisply();
}

public function loaderError(evt:IOErrorEvent):void
{
loadDisplay.text="error\r";
inerdisply();
}
public function stopTimeHandler():void
{
loader.close();
loadDisplay.text="stopTime\r";
inerdisply();
}
private function inerdisply():void
{
et=(new Date()).getTime();
loadDisplay.text+="您已经下载的文件大小为: "+String(currentfileziize/1000)+" KB\r";
loadDisplay.text+="您访问时间为: "+String((et-st)/1000)+" s\r";
loadDisplay.text+="您的网速为: "+String(Math.round(8*loader.contentLoaderInfo.bytesLoaded/(et-st)))+" Kbps\r";
}
}
}
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