flex国际化

zz自
http://www.blogjava.net/badqiu/archive/2010/02/08/312336.html

准备:

flex3只支持两种语言,en_US,ja_JP,而flex4中则支持多国语言,所以可以将flex4中的%FLEX_HOME%\frameworks\locale\zh_CN拷贝至flex3中。


项目中增加国际化
一.配置

目录结构:

flex_src
--locale
--zh_CN
message.properties
--en_US
message.properties



message.properties内容使用UTF-8编码.



开发环境配置:

在Eclipse开发环境中的Flex Compiler/Additional compiler arguments选项

增加如下参数



-locale zh_CN -locale en_US -source-path=locale/{locale}




二.使用国际化



Flex中提供了两种方法使用本地化文件:

1.使用@Resource

<mx:Label text="@Resource(key='name', bundle='message')"/>



其中 key 表示的是要取资源的 key , bundle 表示的是本地化文件,去掉 .properties 之后的名称



2.使用 ResourceManager

<mx:Label text="resourceManager.getString("bundleName","key")"/>



注意:如果容器中没有resourceManager这个变量,可以使用ResourceManager.getInstance()代替resourceManager,因为ResourceManager是单态的。



编译检查:

使用[ResourceBundle('message')]可以为编译器提供编译检查,实际不需要指定这个也是可以的。



<mx:Metadata>
[ResourceBundle('message')]
</mx:Metadata>


三.动态修改当前语言

ResourceManager.getInstance().localeChain = ['zh_CN'];


四.减少编译大小

由于flex是使用编译器将国际化信息编译进swf中,所以如果将所有的语言全部编译进swf,会导致swf文件过于庞大。而正如国内的环境,如果你的用户大部分都是中文用户,实在没有必要为了少量英文用户而增加swf文件的大小。所以最好的效果是 *独立编译*。即编译出:

main_zh_CN.swf
main_en_US.swf



参考: http://www.nbilyk.com/flex-localization-example

当然这样处理会麻烦一点,请具体参考你编译出来的swf大小,相差不大的请也可以忽略此项。




五. ant编译
<property name="FLEX_HOME" value="${env.FLEX_HOME}"/>
<property name="FLEX_SWC" value="${basedir}/flex_libs"/>
<property name="FLEX_SRC" value="${basedir}/flex_src"/>

<target name="compile-flex">
<echo message="FLEX_HOME:${FLEX_HOME}"/>

<!-- tasks: mxmlc,compc,html-wrapper -->
<taskdef resource="flexTasks.tasks" classpath="${FLEX_HOME}/ant/lib/flexTasks.jar" />

<!-- 具体编译参数请参考:http://www.k-zone.cn/zblog/post/flex-compiler-parameter.html -->
<mxmlc
file="${basedir}/flex_src/${flex.application.name}.mxml"
output="${basedir}/dist/web/flex/${flex.application.name}.swf"
actionscript-file-encoding="UTF-8"
keep-generated-actionscript="false"
incremental="true"
compiler.show-actionscript-warnings="true"
compiler.show-binding-warnings="true"
compiler.show-unused-type-selector-warnings="true"
compiler.strict="true">

<!-- Get default compiler options. -->
<load-config filename="${FLEX_HOME}/frameworks/flex-config.xml"/>

<!-- List of path elements that form the roots of ActionScript class hierarchies. -->
<source-path path-element="${FLEX_SRC}"/>
<!-- 需要编译的locale -->
<locale>zh_CN</locale>
<locale>en_US</locale>
<source-path path-element="${FLEX_SRC}/locale/{locale}"/>

<!-- 消除编译警告,允许源代码路径重叠或是包含现象 -->
<allow-source-path-overlap>true</allow-source-path-overlap>

<!-- List of SWC files or directories that contain SWC files. -->
<compiler.library-path dir="${FLEX_HOME}/frameworks" append="true">
<include name="libs" />
<include name="locale/{locale}" />
</compiler.library-path>
<!-- 自定义或第三方包 -->
<compiler.library-path dir="${basedir}" append="true">
<include name="flex_libs" />
</compiler.library-path>

<compiler.debug>false</compiler.debug>
</mxmlc>

</target>
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