UWP学习记录11-设计和UI

UWP学习记录11-设计和UI

1、输入和设备

通用 Windows 平台 (UWP) 中的用户交互组合了输入和输出源(例如鼠标、键盘、笔、触摸、触摸板、语音、Cortana、控制器、手势、注视等)以及支持扩展体验(包括鼠标滚轮和按钮、笔橡皮擦、筒状按钮、触摸键盘和后台应用服务)的各种模式或修饰符。

具体各种输入的详细处理方法,以后用到的时候再深入。

通用 Windows 平台 (UWP) 应用也支持很多种设备,了解支持的设备将帮助你提供每个外形规格的最佳用户体验。 针对特定设备进行设计时,主要注意事项包括应用将如何显示在该设备上,在该设备上使用应用的位置、时间和方式,以及用户将如何与该设备交互。

主要类型有:手机和平板手机、平板电脑、PC和笔记本电脑、Surface Hub 设备和Windows IoT 设备。

2、全球化和本地化

全球化 就是在无需做任何更改或自定义的情况下设计和开发你的应用以便适应不同的国际市场的过程。

例如,你可以:

l 设计应用的布局以适应标签和文本字符串中不同的文本长度和其他语言的字体大小。

l 从可适应于不同当地市场的资源中检索文本和与文化相关的图像,而非将它们硬编码到你的应用编码或标记中。

l 使用全球化 API 来显示按不同区域进行不同格式化的数据,例如数值、日期、时间以及货币。

本地化 就是对你的应用进行改编以满足特定当地市场的语言、文化和政治要求的过程。

例如:

l 翻译应用的文本和标签以适应新市场,并且为其语言创建单独的资源。

l 修改任何与文化相关的图像(如有必要),并且放在单独的资源中。

使应用轻松适应不同的市场,方法包括:为你的 UI 选择在全球范围都适合的字词和图像、使用 Globalization API 格式化应用数据,以及避免基于位置或语言的假设。

一些语言(如德语和芬兰语)的文本所需的空间比其对应的英语文本所需的空间更多。 一些语言(如日语)的字体需要更高的高度。 还有一些语言(如阿拉伯语和希伯来语)要求文本布局和应用布局必须采用从右到左 (RTL) 的读取顺序。

使用灵活的布局机制,而不要使用绝对定位、固定宽度或固定高度。 可以根据语言来调整特定 UI 元素(如果必要)。

Windows.Globalization.DateTimeFormatting 为全球的语言和区域提供了各种正确设置日期和时间格式的方法。 你可以为年、月、日等使用标准格式,或使用标准字符串模板,例如“longdate”或“month day”。

但当你希望更好地控制要显示的 DateTime 字符串要素的顺序和格式时,你可以为字符串模板参数使用名为“模式”的特殊语法。 使用模式语法可以获得 DateTime 对象的个别要素(例如获取月名称或仅获取年值),以便在你选择的任何自定义格式中显示它们。 此外,模式也可以进行本地化以适应其他语言和区域。

转载于:https://www.cnblogs.com/zapline/p/5817234.html

【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