BDS 2006中ECO III的新功能StateChart功能展示 with ECO ASP .Net

OK,相信这个时候大家都已经通过了各种“途径”拿到了BDS 2006了。虽然说里面稍微有那么一点点小bug,但是总体上来说,我是非常满意的。尤其是我试用了里面ECO 3后,在UML设计的时候,功能更powerful,操作更方便,取消了原来强制需要指定连接的End名字所带来的不便。不是很了解ECO或者MDA(基于模型驱动开发)的朋友,看下文章后,也应该会对MDA有兴趣的。

切入正题,ECO 3中最大的功能变化是增加了UML的State机设计。下面的内容,我将不对ECO中的ECO Class的关联啊什么的做解释,仅仅针对State机做一个例子。如果大家对ECO有兴趣,我有空的时候可以将ECO的更多有意思的东西写出来给大家分享。

首先新建一个ECO Asp .net application with C# Builder,然后在ECOPageage的UML视图上放入一个ECO Class叫老师Teacher,里面随便乱加一些属性啊、函数啊等等的。乱加的内容,大家不用仔细看。主要用到一个Cost属性,为老师的得分,还有一个Go1的函数可以被呼叫。图:

然后就是创建这个Teacher的State视图(一个class可以有n个视图的,通过指定stateattribute来显示)。下面是图:图的意思是。当Teacher在Active的状态时,可以呼叫它的Go1方法进行,在通过了Check状态后(check中可以做很多事情,我这里空着没写),经历下面一组OCL语言的判断:如果cost大于等于60分就到OK状态,在OK状态的入口点执行ECO Action Language(OCL的扩展语言)加10分,最后返回Active状态;如果小于60分就要被无情的阿叉掉了。

borland的一个视频里是一个12岁小女孩用eco自己开发了一套程序,这个非常简单和弱智的建立GUI和数据连接的过程我就不写了,大家可以自己想像下。下面是程序运行的效果和部分代码。

首先是增加两个老师,我给他们的cost分别是80分和50分

 

AddNew按钮是新增老师用的,以下是AddNew的代码:

先拿张老师开刀,看看张老师在执行Go1后的结果。

以下准备点张老师的Go1图:

Go1按钮的代码:

由于张老师是80分,大与60的,在执行Go1后,被加了10分:

 

现在是王老师,我给他50分,在执行了他的Go1后,被无情的阿叉掉了。。。没了

 

OK,展示结束!整个程序,我几乎只写了前面我贴出来的两段代码,不超过10行,但是已经完成了一个我胡扯出来的业务逻辑。ECO的魅力远不止与此,我写的只是其中很小一部分的功能,今后我有时间,会写一些文章来介绍ECO。

注释:ECO -- Enterprise Core Object ,读“哎扣”,BDS 2006中支持C#和Delphi.net的

MDA-基于模型驱动的开发,通过UML建模来实现程序的企业逻辑的自动建立和数据库的O/R Mapping

OCL--对象约束语言,UML设计标准中的一个重要组成部分,其语法由世界UML组织制定,是不依赖与任何平台的。

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的方法来解决这些问题。
评论 20
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