VC++SDK编程——鼠标的应用示例

  1 #include <Windows.h>
  2 #include <tchar.h>
  3 BOOLEAN InitWindowClass(HINSTANCE hInstance, int nCmdShow);
  4 LRESULT CALLBACK WndProc(HWND, UINT, WPARAM, LPARAM);
  5 HFONT CreateFont(HDC hDC, int nCharHeight, BOOL bItalic);
  6 int WINAPI WinMain(HINSTANCE hInstance, HINSTANCE hPrevInstance, LPSTR lpCmdLine, int nCmdShow)
  7 {
  8     MSG msg;
  9     if (!InitWindowClass(hInstance, nCmdShow))
 10     {
 11         MessageBox(NULL, L"创建窗口失败!", _T("创建窗口"), NULL);
 12         return 1;
 13     }
 14     while (GetMessage(&msg, NULL, 0, 0))
 15     {
 16         TranslateMessage(&msg);
 17         DispatchMessage(&msg);
 18     }
 19     return(int)msg.wParam;
 20 }
 21 LRESULT CALLBACK WndProc(HWND hWnd, UINT message, WPARAM wParam, LPARAM lParam)
 22 {
 23     HDC hDC;
 24     HFONT hF;
 25     PAINTSTRUCT ps;
 26     TEXTMETRIC tm;
 27     TCHAR str[] = L" Hello World ";
 28     int i = 0;
 29     static int x[13], y[13];
 30     static int color[13];
 31     POINT pt;
 32     switch (message)
 33     {
 34     case WM_CREATE:
 35         SetTimer(hWnd, 1111, 200, NULL);
 36         GetCursorPos(&pt);
 37         ScreenToClient(hWnd, &pt);
 38         for (i = 0; i < 13; i++)
 39         {
 40             x[i] = pt.x + (i - 1) * 40;
 41             y[i] = pt.y;
 42             color[i] = 25 * (i - 1);
 43         }
 44         break;
 45     case WM_PAINT:
 46         hDC = BeginPaint(hWnd, &ps);
 47         hF = CreateFont(hDC, 40, 0);
 48         SelectObject(hDC, hF);
 49         for (i = 12; i > 1; i--)
 50         {
 51             x[i] = x[i - 1] + 40;
 52             y[i] = y[i - 1];
 53         }
 54         GetCursorPos(&pt);
 55         ScreenToClient(hWnd, &pt);
 56         x[1] = pt.x;
 57         y[1] = pt.y;
 58         for (i = 1; i < 13; i++)
 59         {
 60             SetTextColor(hDC, RGB(255 - color[i], color[i], 255));
 61             TextOut(hDC, x[i], y[i], &str[i], 1);
 62         }
 63         color[1] = color[12];
 64         for (i = 12; i > 1; i--)
 65             color[i] = color[i - 1];
 66         DeleteObject(hF);
 67         EndPaint(hWnd, &ps);
 68         break;
 69     case WM_TIMER:
 70         if (wParam == 1111)
 71             InvalidateRect(hWnd, NULL, 1);
 72         break;
 73     case WM_DESTROY:
 74         PostQuitMessage(0);
 75         break;
 76     default:
 77         return DefWindowProc(hWnd, message, wParam, lParam);
 78         break;
 79     }
 80     return 0;
 81 }
 82 BOOLEAN InitWindowClass(HINSTANCE hInstance, int nCmdShow)
 83 {
 84     WNDCLASSEX wcex;
 85     HWND hWnd;
 86     TCHAR szWindowClass[] = L"窗口示例";
 87     TCHAR szTitle[] = L"鼠标的应用示例";
 88     wcex.cbSize = sizeof(WNDCLASSEX);
 89     wcex.style = 0;
 90     wcex.lpfnWndProc = WndProc;
 91     wcex.cbClsExtra = 0;
 92     wcex.cbWndExtra = 0;
 93     wcex.hInstance = hInstance;
 94     wcex.hIcon = LoadIcon(hInstance, MAKEINTRESOURCE(IDI_APPLICATION));
 95     wcex.hCursor = LoadCursor(NULL, IDC_ARROW);
 96     wcex.hbrBackground = (HBRUSH)GetStockObject(WHITE_BRUSH);
 97     wcex.lpszMenuName = NULL;
 98     wcex.lpszClassName = szWindowClass;
 99     wcex.hIconSm = LoadIcon(wcex.hInstance, MAKEINTRESOURCE(IDI_APPLICATION));
100     if (!RegisterClassEx(&wcex))
101         return FALSE;
102     hWnd = CreateWindow(
103         szWindowClass,
104         szTitle,
105         WS_OVERLAPPEDWINDOW,
106         CW_USEDEFAULT, CW_USEDEFAULT,
107         CW_USEDEFAULT, CW_USEDEFAULT,
108         NULL,
109         NULL,
110         hInstance,
111         NULL
112         );
113     if (!hWnd)
114         return FALSE;
115     ShowWindow(hWnd, nCmdShow);
116     UpdateWindow(hWnd);
117     return TRUE;
118 }
119 HFONT CreateFont(HDC hDC, int nCharHeight, BOOL bItalic)
120 {
121     HFONT hFont;
122     hFont = CreateFont(
123         nCharHeight,
124         0,
125         0,
126         0,
127         400,
128         bItalic,
129         0,
130         0,
131         ANSI_CHARSET,
132         OUT_DEFAULT_PRECIS,
133         CLIP_DEFAULT_PRECIS,
134         DEFAULT_QUALITY,
135         DEFAULT_PITCH | FF_DONTCARE,
136         L"Arial"
137         );
138     if (hFont == NULL)
139         return NULL;
140     else
141         return hFont;
142 }

截图看不出效果^-^

转载于:https://www.cnblogs.com/jacen789/p/4714702.html

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