UWP

布局标签

  • Grid: 大布局( 整体局部设计) 的时候使用
    • 属性标签<Grid.RowDefine/><Grid.ColumnDefine/>用来Grid布局的行与列
    • 如果属性它的属性标签中有Height="*"表示占用全部剩余的高度(此特性非常实用), 如果是Height="1*"Height="2*"表示按照1:2的比例分配空间
  • StackPanel: 小布局的时候使用(在一个Button中左边显示icon, 右边显示文字)
  • RelativePanel: RelativePanel, 子控件可以设置相对于该RelativePanel的位置(实用)
  • 凡是布局标签, 标签内部可以写多个字标签, 其余标签内部只能一个, 如果要写多个, 需要添加Grid或者StackPanel
  • GridStackPanel的区别, Grid的可以覆盖(控件在Z轴堆叠), 但是 StackPanel不行, 它只能再找规定的水平或者垂直的方向堆起来

   

控件标签

  • Button
  • TextBlock
  • TextBox: 文字输入框
  • AutoSuggestionBox: 带有搜索功能的 TextBox
  • SplitView
    • SplitPane: 左侧部分
    • SplitContent: 右侧部分
    • 设置相应的属性可以实现弹出和收回的动画效果
  • Image: 通过Source属性指定, 路径为"ms-appx:///Assets/…", 要将图片文件拖到项目中的Assets目录中
  • ProcessBar
  • ProcessRing: 就是微软最变态的进度显示
  • Slider
  • DatePick
  • Flyout: 只有支持Flyout属性标签的才可以使用(Button)
  • Frame: 显示Page 对象, 在UWP中, Application 包含着Window, Window 包含着Frame, Frame 中包含着我们项目默认编辑的MainPage, 如果要跳转到其他Page, 需要在要显示的地方使用Frame 标签表明, C# 代码中引用到该Frame 并调用其Navigate(typeof(TargetPage))API 实现导航
    • Frame还有GoForward(), GoBackward(), CanGoForward, CanGoBack等导航API

   

标签的引用

  • 为标签设置Name属性, C#代码中可以通过名字直接引用

   

API

  • ObservableCollection: UWP可以检测里面的数据的变化, 将数据显示到界面上, 就是MVVM中的动态数据绑定

   

用户控件

  • VS中创建UserControl, 以后可以重用

   

权限

  • 要在UWP中获取相应的权限, 需要在项目的Package.appxmanifest文件中修改配置, VS可以提供GUI的配置

   

UWP中实现MVVM

  • 因为UWP 是一个xaml 文件对应一个文件, 为了解耦, 需要引入MVVM
    • xamlView
    • 要在UI上显示的数据是ViewModel
    • 与数据库进行交互的是Model
  • 因为C# 没有原生支持数据动态绑定和命令的单项绑定, 需要通过C# 提供的API 实现
    • 创建一个NotificationObject 实现INotifyPropertyChanged 接口, 该类可以监听到数据的变化
      • 创建一个新的方法RaisePropertyChanged(string propertyName), 在方法体中
        • if (PropertyChanged != null) { PropertyChanged(this, new PropertyChangedEventArgs(propertyName)) }
        • PropertyChanged是实现INotifyPropertyChanged需要的, UI中的x:Bind监听到数据变化的时候它就不为null, 调用该事件修改UI上要显示的数据(数据是对象中propertyName的值)
    • 创建一个DelegateCommand 实现ICommand 接口, 该类可以监听是否可以执行某个动作
      • 要实现CanExecute(object parameter)[用来判断是否可以执行], Execute(object parameter)[逻辑]
      • 为了避免冗余, 添加Action<object> _execute属性和Func<object, bool> _canExecute属性, 并添加在构造方法中, 让用户可以通过传递委托的形式进行何时执行以及执行的内容, CanExecute方法中使用_execute判断是否执行, 返回true就是可以执行, 返回false就是不可以执行。在Execute中执行_execute方法
      • 这样就只需要一个DelegateCommand, 通过传递不同的_execute_canExecute实现逻辑了
    • DelegateCommandNotificationObject都写在ViewModels, 因为它们是与View进行交互的
  • 在标签中使用{x:Bind MainPageViewModel.Person.Name,Mode=TwoWay} 进行双向绑定, 使用{Command: MainPageViewModel.AddCommand} 实现命令( 事件)

       

【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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