总结一下DataGrid,DataList,Repeater

一.数据访问控件的区别
1.功能从弱到强依次为Repeater->DataList->DataGrid
2.功能明细
<!--...............Repeater:....................................................................->
 能够绑定显示基本的数据,方便使用,灵活,自主选择性大
 有5种模板: ItemTemplate,HeaderTemplate,FooterTemplate,SeparatorTemplate,AlternatingItemTemplate


<!--...............DataList:.....................................................................->
 除了Repeater的功能之外,还有编辑,查询的功能
 SelectedItemTemplate,EditItemTemplate


 (当一次只显示主题信息,然后点击详细信息时再显示SelectedItemTemplate里的内容,ItemTemplate里要设置 LinkButton,CommandName="select",DataList属性里设置事件响应OnItemCommand="DataList_ItemCommand")
 eg:
 public void DataList_ItemCommand(Object sender,DataListCommandEventArgs e)
 {
 score.SelectedIndex=e.Item.ItemIndex;
 ListBind();
 }


 (当要编辑的时候,项模板也要设置,只是CommandName="edit",再显示EditItemTemplate里的内容,里面有两个 LinkButton,CommandName="edit",CommandName="cancel")
 eg:
<asp:DataList id="score" runat="server" RepeatLayout="Table" OnEditCommand="DataList_EditCommand"
OnUpdateCommand="DataList_UpdateCommand"
OnCancelCommand="DataList_CancelCommand"
>
<HeaderTemplate>演示DataList控件的编辑功能</HeaderTemplate>
 
 <ItemTemplate>
 姓名:<%# DataBinder.Eval(Container.DataItem,"Name")%>
 <asp:LinkButton id="btnselect" Text="编辑" CommandName="edit" runat="server"/>
 </ItemTemplate>

 <EditItemTemplate>
 姓名:<asp:Label id="lbName" Text='<%# DataBinder.Eval (Container.DataItem,"Name")%>'   runat="server"/><br>
 语文成绩:<asp:TestBox id="tbChinese" Text='<% DataBinder.Eval  (Container.DataItem,"Chinese")%>' runat="server"/><br>
 数学成绩:<asp:TestBox id="tbMath" Text='<% DataBinder.Eval    (Container.DataItem,"Math")%>' runat="server"/><br>
 <asp:LinkButton id="lbnUpdate" Text="更新" CommandName="update" runat="server"/>
 <asp:LinkButton id="lbnCancel" Text="取消" CommandName="cancel" ruant="server"/>
 </EditItemTemplate>

</asp:DataList>

 eg:
 public void DataList_EditCommand(Object sender,DataListCommandEventArgs e)
{
 score.EditItemIndex=(int)e.Item.ItemIndex;
 ListBind();
}
 public void DataList_CancelCommand(Object sender,DataListCommandEventArgs e)
{
 score.EditItemIndex=-1;(默认为-1时为初始状态)
 ListBind();
}
public void DataList_UpdateCommand(Object sender,DataListCommandEventArgs e)
{
 int intChinese=Int32.Parse(((TextBox)e.Item.FindControl("tbChinese")).Text);
 ..........................
 ..........................
 string strUpdate="update Score set Chinese='"+intChinese+"',...,...,
 执行修改更新即可
 
 score.EditItemIndex=-1;
 ListBind();
}


 DataList属性里有RepeatLayout默认为Table,也可以设置为Flow则和Repeater一样
 DataList属性里有RepeatDirection和RepeatColumns可以在不严格定义表格的情况下显示布局

<!--....................DataGrid......................................................................->
有BoundColumn,HyperLinkColumn,ButtonColumn(事件为OnItemCommand,ButtonType属性可设置为pushButton成为标准Button按钮),EditCommandColumn,TemplateColumn(下面有ItemTemplate,HeaderTemplate,FooterTemplate等等)
有分页,排序,编辑,查询功能等
EditCommandColumn属性里设置EditText,CancelText,UpdateText,ButtonType等属性,
然后绑定列,DataGrid里设置响应事件OnEditCommand,OnCancelCommand,OnUpdateCommand,编写事件响应函数代码
(Object sender,DataGridCommandEventArgs e)

分页功能:
DataGrid属性里设置id="",AllowPaging="true" OnPageIndexChanged事件响应,PageSize=""(每页记录数),PagerStyle-NextPageText="",PagerStyle-PrevPageText="",PagerStyle-HorizontalAlign="",PageStyle-Mode="NumericPages"(显示123数字),AllowCustomPaging="true"
public void PageChanged(Object sender,DataGridPageChangedEventArgs e)
{
 usrGrid.CurrentPageIndex=e.NewPageIndex;
 BindGrid();
}
ICollection CreateTable()
{
 .....................
 .....................
 return ds.Tables["Score"].DefaultView;
}
public void BindGrid()
{
 DataView dv=(DataView)CreateTable();
 usrGrid.VirtualItemCount=dv.Count;(系统利用VirtualItemCount属性和PageSize的值来分页)
 usrGrid.DataSource=dv;
 usrGrid.DataBind();
}/*******利用了视图的(dv.Count)Count属性
排序功能:
DataGrid属性里设置AllowSorting="true',OnSortCommand响应事件函数
eg:
public void DataGrid_Sort(Object sender,DataGridSortCommandEventArgs e)
{
 ViewState["SortField"]=(string)e.SortExpression;
 BindGrid();
}
public void BindGrid()
{
 DataView dv=(DataView)CreateTable();
 dv.Sort=(string)ViewState["SortField"];
 score.DataSource=dv;
 score.DataBind();
}//*******利用了视图的(dv.Sort)Sort属性
注:绑定列中必须设置SortExpression属性

删除功能:
可以通过e.Item.ItemIndex获得索引项,然后新建一行,DataRow dr=ds.Tables[tablename].Rows[(int)e.Item.ItemIndex]
dr.Delete();
adr.Update(ds,tablename);
但这样会有一个不好处,就是如果有DataGrid排序功能,则不能根据索引来删除,可以绑定一个id,然后根据e.Item.Cell[0].Controls[0],获得 id,然后据id删除,或者e.Item.FindControl["id"];
得到id号

编辑功能:
和DataList一样,略.........................

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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