AdvancedDataGrid拖拽

<?xml version="1.0" encoding="utf-8"?>
<s:Application xmlns:fx="http://ns.adobe.com/mxml/2009" 
			   xmlns:s="library://ns.adobe.com/flex/spark" 
			   xmlns:mx="library://ns.adobe.com/flex/mx" minWidth="955" minHeight="600">
	<fx:Script>
		<![CDATA[
			import mx.controls.Alert;
			import mx.events.DragEvent;
			private var adgTargetDp:ArrayCollection = new ArrayCollection();
			<!--处理单击删除按钮事件 -->
				protected function btnDel_clickHandler(event:MouseEvent):void
				{
					//获取用户选择行的书籍编号
					var selIndex:int = this.adgTarget.selectedIndex;
					if(selIndex<0)
					{
						Alert.show("没有选择行,不能删除","bookArrayCollection组件使用方法示例演示");
						return;
					}
					this.bookArrayCollection.removeItemAt(selIndex);
				}
				
				protected function adgFrom_dragStartHandler(event:DragEvent):void
				{
					//将目标对象dropEnabled 置为true,表示允许拖放
					this.adgTarget.dropEnabled = true;
				}
				
				
				protected function adgTarget_dragDropHandler(event:DragEvent):void
				{
					//获取用户拖放的数据行
					var dgRow:Object = event.dragSource.dataForFormat("items")[0];                            
					//如果拖放的目标数据在目标对象中                
					if(this.adgTargetDp.contains(dgRow))
					{
						Alert.show("目标对象已经存在此数据行!","拖放功能示例演示");
						this.adgTarget.dropEnabled=false;
					}
					else
					{
						this.adgTargetDp.addItem(dgRow);    
					}                
				}
				
		]]>
	</fx:Script>
	<fx:Declarations>
		<!-- 定义ArrayCollection实例,表示书籍列表-->
		<s:ArrayCollection id="bookArrayCollection">
			<fx:Object bookId="B001" bookType="程序" bookName="JAVA"/>
			<fx:Object bookId="B002" bookType="程序" bookName="JSP"/>
			<fx:Object bookId="B003" bookType="程序" bookName="FLEX"/>
			<fx:Object bookId="B004" bookType="平面" bookName="PHOTOSHOP"/>
			<fx:Object bookId="B005" bookType="平面" bookName="COREDRAW"/>
			<fx:Object bookId="B006" bookType="办公" bookName="WORD"/>
			<fx:Object bookId="B007" bookType="办公" bookName="EXCEL"/>
			<fx:Object bookId="B008" bookType="办公" bookName="OUTLOOK"/>
		</s:ArrayCollection>
	</fx:Declarations>
	
	<s:Panel  horizontalCenter="0" verticalCenter="0" width="636" height="411" title="拖拽示例演示">
		<mx:AdvancedDataGrid  id="adgFrom" designViewDataType="tree" dataProvider="{bookArrayCollection}" 
							  left="0" right="0" top="0" bottom="189" dragEnabled="true"
							  dragStart="adgFrom_dragStartHandler(event)">
			<mx:columns>
				<mx:AdvancedDataGridColumn headerText="编号" dataField="bookId"/>
				<mx:AdvancedDataGridColumn headerText="类型" dataField="bookType"/>
				<mx:AdvancedDataGridColumn headerText="名称" dataField="bookName"/>
			</mx:columns>
		</mx:AdvancedDataGrid>
		
		<mx:AdvancedDataGrid  id="adgTarget" designViewDataType="tree"  dropEnabled="true"                              
							  dragDrop="adgTarget_dragDropHandler(event)"
							  left="0" right="0" top="223" height="125">
			<mx:columns>
				<mx:AdvancedDataGridColumn headerText="编号" dataField="bookId"/>
				<mx:AdvancedDataGridColumn headerText="类型" dataField="bookType"/>
				<mx:AdvancedDataGridColumn headerText="名称" dataField="bookName"/>
			</mx:columns>
		</mx:AdvancedDataGrid>
		<s:Rect left="0" bottom="0" right="0" height="30">
			<s:fill>
				<s:SolidColor color="#E2EDF7"/>
			</s:fill>
		</s:Rect>
		<s:Button x="170" y="352" label="删除" click="btnDel_clickHandler(event)"/>
	</s:Panel>
</s:Application>


 
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