WPF 绑定-----学习笔记

1.绑定实现了数据驱动View.

2.绑定涉及到四个部分。源,路径,目标,目标属性。

  • 绑定源:标识源属性所在的类型实例。
  • 路径(path):指示源中的属性。也就是说,目标对象的数据从何而来。

  1. path属性值是源对象的属性名。如path=value.
  2. path可以指向属性的属性,可构建多层次的路径。
  3. 如果要绑定附加属性,应该在附加属性上放置圆括号。比如绑定附加属性DockPanel.Dock,则XAML中写法是:path=(DockPanel.Dock)
  4. 可以指向属性的索引器.比如path=value[0],这将绑定设置为属性对于的索引的属性。比如vaule是string,那么如果将path设置为value[0],那么对应的源改变的时候,不是改变整个value,而是改变value的第一个字符的值。
  5. 可以混合使用子属性和索引器。
  6. 在索引器内部,可以用多个逗号分割的索引器参数,可以用圆括号指定索引器参数的类型。比如path=value[(int)0,(int)10].
  7. 如果源为集合,可以使用斜杠(/)指定当前项。
  8. 可以用句点(.)来绑定当前源。

  • 绑定目标:指接受相应更改的属性所在的实例。
  • 目标属性:表示接受绑定运行值的目标。

这四个部分联动的方式是:绑定源发出属性更改的通知,从而驱动绑定执行。源属性作为绑定的输入,而绑定的输出被赋值给目标属性。

 


绑定方式:

绑定的语法是:要绑定的属性=“ {Binding ElementName/Source.....=, path=}  ”

  • 元素和元素之间的绑定。
        <Button Name="Btn33">Btn</Button>
        
        <TextBlock Name="textBlock" Text="{Binding ElementName=Btn33,  Path=Name,Mode=OneWay}"/>

上面这段XAML是把TextBlock的内容绑定到Button的名字上,

ElementName:指定了source。

Path    :指定了显示的字符串从何而来,这里是button的名字。

Text     :指定目标属性,也就是说TextBlock.Text这个属性的值是根据Button的名字来的。

TextBlock  :这一行表现是绑定到TextBlock对象上的。

  • 绑定到Source:绑定到某个对象,使用字段Source。source指向源对象的引用,就是提供数据的引用。
<TextBlock Text="{Binding Source={x:Static SystemFonts.IconFontFamily},Path=Source}"/>

使用关键字:Source。source指向绑定的对象.path:指向源对象的某个属性。

source={};这里也需要一个{}

 

  • 绑定到DataContext:

当元素的绑定省略source字段的时候,WPF会检查元素的DataContext属性。如果属性值为NULL,就继续向上在元素树种查找第一个不是NULL的DataContext作为当前元素的Source.如果都是null,那么这个绑定将是无效的。

<TextBlock Text="{Binding Path=DataContext}"/>

这种不用写source=字段。

 

转载于:https://www.cnblogs.com/bingbingzhe/p/7132887.html

深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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