Prototyping Tools Comparison

原文链接:http://www.nicolegong.com/?p=448


Prototyping Tools Comparison

选用合适的工具对于快速制作原型,和开发人员沟通具有强大的推动力。最近试用了一些制作prototype的工具,有些经Quora知乎上的的同仁推荐而试用。仅就试用过的软件谈谈心得体会,优缺各异,交流分享。部分软件售价不菲,本文就略过价格比较了,原因你懂的。

Axure:


功能:功能全面而强大,对于有软件使用经验的同学来说比较容易。深入制作具有动态交互的原型需要一个学习过程。由于其功能的强大,文件复杂之后速度比较慢。

  • 默认提供了线框图,流程图的部件库。
  • 具有强大的扩展能力,可以加载外部控件库,同时也可以自己创建控件库。
    网上有众多控件资源,以辅助快速原型。提供两个比较好的资源库:
    Axure的官网,提供了多种控件库供选择:http://www.axure.com/widgetlibraries,素材包括iphone,iPad,facebook等。
    Axureland,提供Axure资源分享交流:http://axureland.com/
  • 流程图部件库有设计流程图时会经常用到的形状,可以帮助快速建立流程图,像建立wireframe一样容易,用户可以在流程之间加入连接线并设定连接的格式。笔者比较习惯用Visio画workflow,仅供有兴趣的同学参考。
  • 通过添加用例来制作交互跳转;

文件共享交流:可以导出html的原型和Doc的规格说明书。无须开发人员安装软件,可通过浏览器打开原型深入讨论,沟通比较方面。

Axure是本人使用至今制作原型比较多的软件,仍在持续深入探索制作交互特效。不过对于wireframe的展示,刚入手的同学就可以开始了。

缺点:功能复杂,文件大之后速度较慢。不能边做边预览效果,只能导出后查看交互效果预览;。

笔者会在另一篇博文里详细介绍使用该软件的一些技巧。

GUI Design Studio:


功能:由Caretta Software公司开发,功能涵盖制作原型的基本功能,上手容易。

  • 右侧Tab Project进行文件管理,Tab Elements和Icon提供了界面上所需的基本控件。Tab Annotation可添加注释,Tab Storyboard可以添加导航相关的控件,如Navigation Overlay 和Window placeholder。
  • 不具备外加载控件的部扩展性。
  • 交互可以通过Make Connection连线进行关联,这个功能比较符合心智模型。
  • 设计过程可以通过Run prototype(F9)进行交互效果预览。

文件共享交流:能导出HTML, PDF来沟通交流。

缺点:软件界面风格接近office 2003,个人不是很喜欢。交互过程通过连线关联,设计模型虽符合心智模型,但当交互过程多之后,自由的排布比较凌乱,没有具体的尺寸定位,难以条理的管理。多个页面打开后以Tab管理,tab上没有关闭按钮。试用一段时间后又重用Axure重画了一遍原型,不作推荐。

Balsamiq Mockup:


功能:美国加利福利亚的Balsamiq工作室推出的原型图绘制软件。界面直挂,功能简单,容易上手。

  • 单区域、原型图分类区、原型图选择区和原型图绘制区。Quick Add可快速找到相应原型控件加入工作区域。
  • 通过拖拉的形式引用软件主界面大致分为菜自带的各种原型控件。不同的原型控件支持不同的属性。属性设置基本上包括颜色(背景色)、文字大小、文字属性(加粗、斜体、下划线)、层次结构、是否可用、当前数值等方面的设置。选中控件属性编辑面板即以上下文菜单的形式出现,简明清楚。
  • 手绘风格可以在原型阶段避开视觉部分的干扰,专注于交互本身。
  • 只能输出静态wireframe;

文件共享交流:只能输出PNG的图片格式,无法直接演示交互效果。无法直接输出规格文档。

缺点:不直接支持中文,需勾选View→Use System Fonts菜单。不支持外部扩展模板,也不能进行贴图。

FlairBuilder:


功能:可导入Balsamiq文件。和Axure在原型制作流程上有相似之处。上手容易。可以新建iphone project。有在线Library可以安装控件到本地。

文件共享交流:能导出屏幕截图。

缺点:比较多,基本没有找到该软件的亮点。就冲Tab上没有关闭按钮,该软件不作推荐。

OmniGraffle:

仅试用于Mac OS X, iPhone, and iPad,有众多网友推荐。例如:最好的原型和流程图绘制工具:OmniGraffle,工作机不给力,以后换Mac再试用。

ForeUI:

在写作本文的时候意外发现的目前来看不错的原型工具:

  • Hand Drawing,wireframe, windows XP, Mac OS, Windows 7五种不同的视觉风格;
  • Slideshow, Run simulation的同步预览方式;
  • 可导出PDF, DHTML进行文件导出;
  • 在编辑状态下即可切换动态菜单进行编辑,例如树形菜单;(Axure只能在导出后进行动态效果切换)
  • 可下载安装resources;

缺点:面板参数过多,软件复杂,不利于新用户上手。

 

总的来说,Axure是PC上比较推荐的原型制作工具,支持输出html,可初步查看交互效果;其次Balsamiq,支持快速线框图制作,交互性上欠缺。

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