计算机二级宏操作,2018计算机二级考试ACCESS创建AutoKeys宏复习指导

创建AutoKeys宏

Autokeys宏通过按下指定给宏的一个键或一个键序触发。为AutoKeys宏设置的键击顺序称为宏的名字。例如:名为F5的宏将在按下F5键时运行。

命名AutoKeys宏时,使用符号“^”表达Ctrl键。下表列出了可用来运行AutoKeys宏的组合键的类型:

语法 说明 示例

————————————————————————

^number Ctrl+任一数字 ^3

F* 任一功能键 F5

^F* Ctrl+任一功能键 ^F5

+F* Shift+任一功能键 ↑F5

————————————————————————

创建AutoKeys宏时,必须定义宏将执行的操作,如打开一个对象,最大化一个窗口或显示一条消息。另外还需要提供操作参数,宏在运行时需要这种参数,如要打开的数据库对象、要最大化的窗口或要在对话框中显示的消息的名称。

下面举例说明:

◆ 新建宏,显示宏名列,在宏名列中输入宏名“^1”,在操作列中选择操作。

◆ 选择操作OpenForm,设置相应的参数。

◆ 用同样的方法建立其它三个宏。

◆ 以AutoKeys为宏保存宏组。

这时只需按下Ctrl+1就会打开【供应商】窗体,Ctrl+2最大化该窗体,Ctrl+3最小化该窗体,Ctrl+4关闭该窗体。

直接运行宏

如果希望直接运行宏,通过双击宏名、通过【工具】【宏】|【运行宏】、通过单击工具栏上的【执行】按钮等操作,可以直接运行宏。

在宏组中运行宏

要把宏作为窗体或报表中的事件属性设置,或作为RunMacro(运行宏)操作中的Macro Name(宏名)说明,可以用如下格式指定宏:[宏组名.宏名]

从其他宏或VB程序中运行宏

如果要从其他的宏或VB过程中运行宏,请将RunMacro操作添加到相应的宏或过程中。

如果要将RunMacro操作添加到宏中,在宏的设计视图中,请在空白操作行选择RunMacro选项,并且将MacroName参数设置为相应的宏名即可。

如果要将RunMacro操作添加到VB过程中,请在过程中添加DoCmd对象的RunMacro方法,然后指定要运行的宏名即可。如语句:DoCmd.RunMacro “My Macro”。

下面看一下RunMacro操作。在下列三种情况下使用这个操作:

◆ 从另一个宏运行宏。

◆ 执行基于某个条件的宏。

◆ 将宏附加到一个自定义的菜单命令上。

RunMacro操作的参数如下:

操作参数 描述

————————————————————————————————————

宏名 执行的宏的名称

重复次数 宏执行的最大次数。空白为一次

重复表达式 表达式结果为True(-1)或False(0)。如果为假,则宏停止运行。

————————————————————————————————————

如果用户在【宏名】参数中设置宏组名,则会运行组中第一个宏。

从控件中运行宏

如果希望从窗体、报表或控件中运行宏,只需单击设计视图中的相应控件,在相应的属性对话框中选择【事件】选项卡的对应事件,然后在下拉列表框中选择当前数据库中的相应宏。这样在事件发生时,就会自动执行所设定的宏。

例如建立一个宏,执行操作“Quit”,将某一窗体中的命令按钮的单击事件设置为执行这个宏,则当在窗体中点击按钮时,将退出Access。

在菜单或工具栏中运行宏

可以将宏添加到菜单或工具栏中,从而在菜单或工具栏中运行宏。首先选择【视图】|【工具栏】|【自定义】命令,Access2003弹出一个【自定义】对话框。将其图标直接拖动到菜单或工具栏中即可。单击该宏的图标即可运行宏。

创建条件宏

条件宏是满足一定条件后才运行宏。利用条件宏可以显示一些信息,如雇员输入了订单却忘记了输入雇员号,则可利用宏来提醒雇员输入遗漏的信息。或者进行数据的有效性检查。

要创建条件宏,需要向【宏】窗口添加【条件】列,单击【宏设计】工具栏上的【条件】按钮,并输入使条件起作用的宏的规则即可。如果设置的条件为真,宏就运行。如果设置的条件为假,就转到下一个操作。

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