将多个fxg文件打包成swf,加载swf并将其中的fxg作为类使用

将多个fxg文件打包成swf,加载swf并将其中的fxg作为类使用

在利用fxg制作点状符号库的过程中,需要动态加载fxg文件,并将其作为类使用。然而flex自身并不支持flex文件的直接读取。虽然在flex项目中,可以将fxg文件直接放在flashbuilder4的源文件中,一起编译后可直接作为类使用,但是这样fxg文件需要事先编译,和程序不能脱离,达不到动态加载的目的。

 

为了解决上述难题,一个可行的解决方案是将fxg文件打包成swf,然后加载swf并从中析取fxg作为类使用。对于这种方法,我将分两部分加以说明。

 

1.将多个fxg文件打包成swf

据我所知,有两种方法可以做到这一点。

 

第一种方法是在FlashBuilder4中创建一个新的flex库项目,将fxg文件置于src文件夹中,编译后生成swc。将swc解压后有两个文件:catalog.xml,用于各类/资源的配置文件;library.swf,存放各种类/资源。

 

这种方法十分简单,但最大的缺点在于依赖FlashBuilder。试想最终用户想要根据自己制作的fxg生成点状符号库,还必须依赖flashbuilder是一件多么痛苦的事。换句话说,作为开发者,这点还可接受;但是作为需要自己更改符号库的最终用户,这点则是不可接受的。

 

于是我尝试了第二种方法:精简Flex的sdk。

 

利用Flex的sdk中的命令可以将fxg打包成swc。具体如下:

compc -include-sources E:\fxg2swc\bin\fxg\ -output e:\fxg.swc。

 

sdk中有许多与此不相干的东西,都可以删除掉,最后可精简至13M左右。这样就可以作为一个小工具提供给最终用户。

 

使用这种方法会遇到的一个问题是生成的swc会很大,造成这点的原因在于其将libs下的一些文件也打包在内,可通过更改sdk中的frameworks/flex-config.xml文件加以解决:将<library-path>中<path-element>libs/player/{targetPlayerMajorVersion}.{targetPlayerMinorVersion}</path-element>和<path-element>libs</path-element>放到<external-library-path>中。

 

2.从swf中析取fxg并作为类使用

其思路是利用loader类加载library.swf,然后利用从catalog.xml提取的类名从loader中提取类,然后利用类生成类对象。

 

(1)加载library.swf

 

var loader:Loader = new Loader();
loader.contentLoaderInfo.addEventListener(Event.COMPLETE ,onFxgComplete);
loader.load(new URLRequest("fxg/library.swf"));
 

 

(2)根据类名提取类

private function getClassByName(className:String,loaderInfo:LoaderInfo):Class

		{
			if (loaderInfo.applicationDomain.hasDefinition(className))
				return loaderInfo.applicationDomain.getDefinition(className) as Class;
			else
				return null;
		}	

  (3)根据类生成类对象

private function onFxgComplete(event:Event):void

		{
			var arr:Array = _xmlParse.getClassNameArray();
			for(var i:int = 0; i < arr.length;i++)
			{
				var cls:Class = this.getClassByName(arr[i],event.target as LoaderInfo);
				var fxg:DisplayObject = new cls();
				registerClassAlias(arr[i],cls);					
				_symArr.push(fxg);
			}
		}
 

 

 

 

 

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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,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. **生对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组,一个生器和一个判别器,它们相互竞争,生器生数据,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