Vue的组件通讯

 组件通讯 的说明:

 1 组件是一个独立、封闭的个体

 2 组件中的数据,默认情况下,只能在组件内部使用

 3 在使用组件化开发项目的时候,多个组件之间可能需要相互配置,也就是说

 可能需要使用另一个组件中的数据。这就产生了 组件之间通讯 的问题了

 

 组件通讯 的三种情况:

 1 父组件 将数据传递给 子组件

 2 子组件 将数据传递给 父组件

 3 非父子组件(兄弟)之间的通讯

一、组件通讯——父到子=============================================

 

<body>

<div id="app">

<!--

parentmsg="123" 表示父组件在使用子组件的时候,给子组件传递数据叫 parentmsg

这是 写死的数据

-->

<!-- <hello parentmsg="123" test="666"></hello> -->

<!--

传递动态数据:

注意:需要通过 v-bind:parentmsg="msg" 来作为动态传递的数据,此时,msg才表示 vm 实例中的数据msg;如果不加 v-bind: 那么 'msg' 就是一个字符串

-->

<hello :parentmsg="msg" test="666"></hello>

</div>

<script src="./vue.js"></script>

<script>

// 需求: 父组件将数据传递给子组件

// 父组件: Vue实例

// 子组件: hello组件

 

// 通过属性传递的方式,来实现父子组件的通讯

// 1 在组件中通过 props 配置项,来说明该组件能够接受什么样的数据

// 2 在使用组件的时候,通过 属性 的方式,来给组件传递数据

 

// 注意:props是只读属性!!!无法修改

 

Vue.component('hello', {

template: `

<div>

<h1>这是子组件:hello</h1>

<p>子组件使用父组件中的数据msg: {{ parentmsg }} , {{ test }}</p>

</div>

`,

 

created() {

console.log('接收到属性:', this.parentmsg)

// 如果直接修改 props 的值,会报错!!!

// this.parentmsg = '修改了值'

},

// 通过该配置执行组件能够接受的数据

// props 的使用跟 data 中的数据一样

props: ['parentmsg', 'test']

})

const vm = new Vue({

el: '#app',

data: {

msg: '实例数据'

}

})

</script>

</body>

二、组件通讯——子到父=============================================

 

<body>

<div id="app">

<h1>父组件接受到子组件传递过来的数据:{{ msg }}</h1>

 

<!-- 渲染组件 -->

<!-- 2 将父组件中准备好的方法作为自定义事件传递给子组件 -->

<child @fn="fn"></child>

</div>

<script src="./vue.js"></script>

<script>

Vue.component('child', {

template: `

<div>

<input v-model="txt" />

<button @click="send">传递数据给父组件</button>

</div>

`,

 

data() {

return {

txt: ''

}

},

 

methods: {

send() {

// 3 子组件触发传递过来的自定义事件 fn

this.$emit('fn', this.txt)

}

}

})

 

const vm = new Vue({

el: '#app',

data: {

msg: ''

},

 

methods: {

// 1 父组件提供一个方法

fn(arg) {

console.log('接受到子组件数据为:', arg)

this.msg = arg

}

}

})

</script>

</body>

三、组件通讯——非父子组件=============================================

 

<body>

<div id="app">

<jack></jack>

<rose></rose>

</div>

<script src="./vue.js"></script>

<script>

// 非父子组件(兄弟组件):

// 场景:jack组件要对rose组件说: 'i love u'

// 发送数据的组件:jack,触发事件,传递数据

// 接受数据的组件:rose,注册事件

 

// 思路:

// 1 rose组件要接受数据,因此,rose组件注册事件 bus.$on('love', () => {})

// 2 jack组件要传递数据,因此,jack组件触发事件 bus.$emit('love', '要传递的数据')

 

// 创建一个bus

// bus 实际上就是一个空的vue实例

// 注意: 注册事件和触发事件需要使用同一个bus

const bus = new Vue()

 

// jack组件

Vue.component('jack', {

template: `

<div>

<h2>Jack组件:</h2>

<button @click="sendLove">告诉rose:i love u</button>

</div>

`,

 

methods: {

sendLove() {

// jack触发事件,将数据作为参数传递

bus.$emit('love', 'i love u')

}

}

})

 

// rose组件

Vue.component('rose', {

template: `

<div>

<h2>Rose组件:</h2>

<p>我是rose,jack你说啥??? {{ msg }}</p>

</div>

`,

 

created() {

// 进入页面就注册事件

bus.$on('love', (arg) => {

this.msg = arg

})

},

 

data() {

return {

msg: ''

}

}

})

 

const vm = new Vue({

el: '#app',

data: {

}

})

</script>

</body>

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