计算机二级vb重点知识,2018年计算机二级VB语言程序设计重点知识

2018年3月计算机等级考试即将开始,小编在这里为考生们整理了2018年计算机二级VB语言程序设计重点知识,希望能帮到大家,想了解更多资讯,请关注出国留学网的及时更新哦。

2018年计算机二级VB语言程序设计重点知识

重点:

1、掌握列表框、组合框、选项按钮、复选按钮、滚动条等控件的常用的属性、方法、事件

2、掌握菜单的设计

(7)列表框(ListBox):用于列出可供用户选择的项目列表。用户可以从中选择一个或多个项目。

属性:

名称:(通常以“List”作为前缀。)

List:列表属性。用于保存列表的内容。

List实际上是一个一维数组,数组中元素的值,就是在执行时看到的列表项(item)

一维数组:List中有5个元素,List(0),List(1)List(2),List(3),List(4)

列表项文本List(0)=68

List(1)=78

List(2)=88

List(3)=80

List(4)=76

数组名:List列表项序号:0,1,2,3,4,(从0开始)

列表项文本(数组元素值)分别为:6878888076

Listcount:列表框内所有选项的总数,也就是List()数组元素的总个数。

ListIndex:用户最后单击的列表项在List()数组中的编号顺序。

(无选中时其值为-1)

Text:列表项的正文。其值为最后选中的列表项的文本。

请记住如下关系:

[对象名称.]List(ListIndex)=Text

Columns:列表框显示形式。设定Listbox的列表项若超过显示范围时,其卷动方式使用垂直滚动条或是水平滚动条。

取值:0:(默认值)使用垂直滚动条。逐行显示列表项,可能有垂直滚动条。

1~n:使用水平滚动条。此时列表框内一次可显示的列数(Column)即为n值。

MultiSelect:设定是否允许用户多重选取对象的列表项

取值:0:不能多重选取。(默认值)

1:简易多重选取。(用鼠标或空格键来选取,一次一个)

2:高级多重选取。可用[shift]或[ctrl]来选取。(类似文件选取)

Selected:设定列表项是否被选取的状态。它是一个与List大小相同的数组。

其中各元素的取值:True:被选取。

False:不被选取。(默认值)

Sorted:排序属性。设定列表项是否要照ASCII代码排序。(字母顺序)

取值:True:是(不区分大小写)

False:否。(默认值)

方法:

AddItem:添加列表项。

格式:[对象名称.]AddItem[,插入位置序号]

说明:1、若不指定位置,则插入到列表项末尾。

2、新列表项插入后,原来位置及其后的列表项顺序下移。

Clear:删除列表所有项目。

RemoveItem:删除列表项。

格式:[对象名称]RemoveItem删除项序号

事件:

Click:单击事件。

Dblick:双击事件(使用较少)

推荐阅读:

出国留学网计算机等级考试栏目推荐:

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