鸿蒙5.0开发进阶:ArkTS API UI界面-@ohos.arkui.inspector (布局回调)

鸿蒙HarmonyOS NEXT开发环境搭建与ArkTS实战 HarmonyOS NEXT是华为推出的新一代分布式操作系统,其核心开发语言ArkTS基于TypeScript扩展了声明式UI和状态管理能力。开发环境搭建需配置DevEco Studio IDE和HarmonyOS SDK,通过@State、@Prop等装饰器实现数据绑定,采用组件化架构提升代码复用率。在鸿蒙生态中,ArkTS面向对象特性与分布式能力结合,可高效开发跨设备应用。本文以新闻客户端为例,展示从环境配置到性能优化的全流程实践,涵盖状态管理、UI组件封装等核心开发场景,帮助开发者快速掌握Harmon 阅读详情

往期鸿蒙全套实战文章必看:(文中附带全栈鸿蒙学习资料)


@ohos.arkui.inspector (布局回调)

提供注册组件布局和绘制完成回调通知的能力。

说明

从API Version 10开始支持。后续版本如有新增内容,则采用上角标单独标记该内容的起始版本。

从API version 10开始,可以通过使用UIContext中的getUIInspector方法获取当前UI上下文关联的UIInspector对象。

导入模块

import { inspector } from '@kit.ArkUI'

inspector.createComponentObserver

createComponentObserver(id: string): ComponentObserver

绑定指定组件,返回对应的监听句柄。

元服务API: 从API version 12开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
idstring是指定组件id。

返回值:

类型说明
ComponentObserver组件回调事件监听句柄,用于注册和取消注册监听回调。

示例:

let listener:inspector.ComponentObserver = inspector.createComponentObserver('COMPONENT_ID'); //监听id为COMPONENT_ID的组件回调事件

ComponentObserver

组件布局绘制完成回调的句柄,包含了申请句柄时的首次查询结果。

on

on(type: 'layout', callback: () => void): void

通过句柄向对应的查询条件注册回调,当组件布局完成时会触发该回调。

元服务API: 从API version 12开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
typestring是

必须填写字符串'layout'或'draw'。

layout: 组件布局完成。

draw: 组件绘制完成。

callbackvoid是监听layout或draw的回调。

off

off(type: 'layout', callback?: () => void): void

通过句柄向对应的查询条件取消注册回调,当组件布局完成时不再触发指定的回调。

元服务API: 从API version 12开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
typestring是

必须填写字符串'layout'或'draw'。

layout: 组件布局完成。

draw: 组件绘制完成。

callbackvoid否需要取消注册的回调,如果参数缺省则取消注册该句柄下所有的回调。

on

on(type: 'draw', callback: () => void): void

通过句柄向对应的查询条件注册回调,当组件绘制完成时会触发该回调。

元服务API: 从API version 12开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
typestring是

必须填写字符串'layout'或'draw'。

layout: 组件布局完成。

draw: 组件绘制完成。

callbackvoid是监听layout或draw的回调。

off

off(type: 'draw', callback?: () => void): void

通过句柄向对应的查询条件取消注册回调,当组件绘制完成时不再触发指定的回调。

元服务API: 从API version 12开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
typestring是

必须填写字符串'layout'或'draw'。

layout: 组件布局完成。

draw: 组件绘制完成。

callbackvoid否需要取消注册的回调,如果参数缺省则取消注册该句柄下所有的回调。

示例:

说明

推荐通过使用UIContext中的getUIInspector方法获取当前UI上下文关联的UIInspector对象。

import { inspector } from '@kit.ArkUI'

@Entry
@Component
struct ImageExample {
  build() {
    Column() {
      Flex({ direction: FlexDirection.Column, alignItems: ItemAlign.Start }) {
        Row({ space: 5 }) {
          Image($r('app.media.app_icon'))
            .width(110)
            .height(110)
            .border({ width: 1 })
            .id('IMAGE_ID')
        }
      }
    }.height(320).width(360).padding({ right: 10, top: 10 })
  }

  listener:inspector.ComponentObserver = inspector.createComponentObserver('IMAGE_ID') // 建议使用 this.getUIContext().getUIInspector().createComponentObserver()接口

  aboutToAppear() {
    let onLayoutComplete:()=>void=():void=>{
        // do something here
    }
    let onDrawComplete:()=>void=():void=>{
        // do something here
    }
    let offLayoutComplete:()=>void=():void=>{
        // do something here
    }
    let offDrawComplete:()=>void=():void=>{
        // do something here
    }
    let FuncLayout = onLayoutComplete // bind current js instance
    let FuncDraw = onDrawComplete // bind current js instance
    let OffFuncLayout = offLayoutComplete // bind current js instance
    let OffFuncDraw = offDrawComplete // bind current js instance

    this.listener.on('layout', FuncLayout)
    this.listener.on('draw', FuncDraw)

    // 通过句柄向对应的查询条件取消注册回调,由开发者自行决定在何时调用。
    // this.listener.off('layout', OffFuncLayout)
    // this.listener.off('draw', OffFuncDraw)
  }
}

鸿蒙性能优化四件套实战:Linter、AppAnalyzer、Inspector、Profiler协同指南 在HarmonyOS应用开发中,性能优化并非仅靠运行时监控,而是需贯穿编码、构建、运行全链路的系统工程。Code Linter在编译前拦截高危代码模式(如生命周期内重计算),AppAnalyzer对HAP包进行静态扫描识别冗余资源与架构隐患,ArkUI Inspector以帧级精度定位UI线程卡顿根因,Profiler则通过跨维度(CPU/内存/电源)关联分析锁定泄漏与阻塞。这四大工具构成‘预防—诊断—归因—验证’闭环,尤其适用于启动慢、列表掉帧、后台耗电高等典型场景。本文聚焦真实业务中的工具联动逻辑与落地 阅读详情

相关推荐

Unity开发者快速上手鸿蒙应用开发:核心概念映射与实战指南

声明式UI是现代前端与跨平台开发中的核心范式,它通过描述UI的最终状态而非一步步的命令式操作,实现了数据与视图的自动同步。其原理在于响应式数据绑定,当底层数据变化时,框架会自动计算并更新受影响的视图部分,这极大地提升了开发效率并减少了状态不一致的Bug。在工程实践中,这种模式对于构建复杂、动态的用户界面具有显著价值,广泛应用于移动应用、Web前端及新兴的操作系统UI框架中。本文聚焦于鸿蒙(HarmonyOS)的方舟开发框架(ArkUI),它正是声明式UI的典型代表。对于熟悉Unity组件化开发与数据驱动思维

weixin_34301132的博客 460

鸿蒙5.0开发进阶:ArkTS组件-设置事件回调

用于设置基础事件回调。

Androidbye的博客 1205

从Android老鸟到鸿蒙新手:我的HarmonyOS API Level迁移实战与避坑心得

本文分享了从Android开发转向HarmonyOS开发的经验,重点解析了HarmonyOS API Level的迁移实战与避坑指南。通过对比Android与HarmonyOS在API Level、工具链和开发模式上的差异,帮助开发者快速适应新生态,提升迁移效率。

weixin_33168937的博客 330

鸿蒙原生ArkTS布局方式之Flex响应式卡片流布局

本文详细介绍了鸿蒙原生ArkTS中Flex布局实现响应式卡片流的关键技术。通过Flex容器的主轴方向控制、自动换行机制和弹性权重分配,开发者可以轻松构建自适应的多行多列布局。文章剖析了FlexWrap.Wrap的自动换行原理、layoutWeight的弹性空间分配机制,以及如何配合margin实现完美间距。这种数据驱动、权重自适应的布局方式,能够自动适应不同屏幕尺寸,显著减少适配代码量,是鸿蒙应用开发的推荐实践方案。

2501_90457493的博客 509

Flutter开发者转向鸿蒙ArkUI的实战指南

跨平台开发框架Flutter因其高效的开发体验和良好的性能表现,成为移动应用开发的热门选择。然而,随着鸿蒙操作系统的崛起,原生UI框架ArkUI凭借其深度系统集成和卓越的渲染性能,正在成为开发者的新选择。ArkUI直接调用鸿蒙图形引擎,避免了跨平台框架的额外开销,在动画流畅度和内存占用上表现更优。对于需要深度整合鸿蒙分布式能力或追求极致性能的应用,转向ArkUI是必然趋势。本文通过对比Flutter与ArkUI的核心概念、状态管理方案以及性能优化技巧,帮助开发者顺利完成技术栈迁移,提升应用在鸿蒙生态中的竞争

weixin_31155097的博客 292

鸿蒙系统上Unity AR开发实战:Vuforia集成与真机调试避坑指南

增强现实(AR)技术通过计算机视觉与传感器融合,将虚拟信息叠加到真实世界,其核心原理在于实时环境感知与三维注册。这项技术在移动游戏、工业培训、营销展示等领域具有广泛应用价值。在工程实践中,Unity引擎因其强大的跨平台能力与丰富的资源生态,常被选为AR应用开发的首选工具。而Vuforia作为成熟的AR SDK,提供了稳定的图像识别与跟踪功能。当开发目标平台转向新兴的鸿蒙系统时,环境配置、SDK兼容性与真机调试会面临一系列挑战。本文以构建一个AR射箭游戏为例,系统梳理了从Unity版本选择、Vuforia许可

diaohong5075的博客 471

从零构建 HarmonyOS 职业规划助手:基于HarmonyOS API 24实战解析当一个类被标记为 @Observed 后,其实例属性的任何变化都会自动通知框架进行 UI 更新

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务",而是"时间序列的身体状态数据":每次训练有时长、卡路里、组数、重量;每次饮食有热量、蛋白质、碳水、脂肪;每周有运动时长趋势图。这些数据的共同特征是"随时间积累,用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求,而非仅关注当前单条记录的增删改查。健身应用的用户行为模式也有独特之处:用户使用健身App的目标是"坚持",而不是"一次性完成任务"。这意味着激励

2401_86031952的博客 68

【第二章第3节】Appium移动端自动化

Appium移动端自动化测试实践摘要 本文系统介绍了Appium 2.x在安卓/iOS双端自动化测试中的应用。主要内容包括: 核心优势:Appium作为开源跨平台框架,支持原生/Hybrid/Web应用,一套API覆盖双端,基于WebDriver协议降低学习成本。 环境搭建: Android需配置JDK、Android SDK和adb工具 iOS依赖Xcode和WebDriverAgent Appium 2.x需单独安装驱动(UiAutomator2/XCUITest) 实战演示: 提供Android和iO

笑着的程序员的博客 219

HarmonyOS应用开发实战:猫猫大作战-@Watch 声明与回调签名、监听时机(改变后触发)、与 @State 的搭配、@Watch vs com

本文介绍了ArkUI框架中的@Watch装饰器,用于监听状态变化并执行副作用。通过「猫猫大作战」游戏中gameState状态切换的场景,详细讲解了@Watch的声明方式、回调签名、触发时机及其与@State的搭配使用。@Watch能集中处理状态变化带来的副作用(如音效播放),避免代码重复,提升可维护性。文章还对比了手动调用副作用与@Watch的优劣,分析了@Watch在重渲染流程中的执行顺序,并指出在回调中修改其他状态或自身状态的注意事项。

红烧大青虫的博客 589

从“网易云音乐鸿蒙.zip”看鸿蒙原生应用开发:环境、挑战与实战

在移动应用开发领域,跨平台框架与原生开发一直是开发者面临的核心技术选型。跨平台框架如Uniapp、Flutter通过一套代码生成多端应用,提升了开发效率,但在调用系统级API(如摄像头、硬件互助)时可能存在映射不全或性能损耗。原生开发则能充分发挥操作系统特性,实现最佳性能与用户体验。鸿蒙(HarmonyOS)作为面向全场景的分布式操作系统,其原生应用开发使用ArkTS/ArkUI框架,提供了声明式UI、高性能渲染及独特的分布式能力,技术价值在于能够构建跨设备无缝协同的智能体验。应用场景涵盖从手机、平板到PC

weixin_29234423的博客 213

IGBT单管并联方案全解析:从均流设计到热管理实战技巧

本文深入解析了IGBT单管并联技术在新能源车电驱系统中的应用,重点探讨了均流设计与热管理实战技巧。通过优化寄生电感控制、动态均流和驱动电路设计,提升系统稳定性和效率,为工程师提供了一套完整的解决方案。

weixin_28720573的博客 442

Text 组件完全指南的 ArkUI 实践:把页面结构、状态与反馈做扎实

回过头看,Text并不复杂,但它的能力是分层的:最底层是"显示字符串",往上是"好看"(字号字重颜色间距),再往上是"有结构"(Span 富文本),然后是"有反应"(状态与事件),最后是"排得下"(布局约束与截断)。标题、标签 → 基础用法 + 样式;价格、热度、说明 → Span 富文本;计数、状态提示 → 交互与状态;卡片标题、列表项 → 布局与截断。把这几层吃透,你在 ArkUI 里写文字类 UI 基本不会再卡壳。可编辑富文本:研究RichEditor,它是Text。

autumn2005的博客 429

深入解析Buck开关电源中的死区时间设计及其对系统性能的影响

本文深入解析了Buck开关电源中死区时间的设计原理及其对系统性能的关键影响。死区时间通过防止上下管同时导通来避免穿通电流,确保系统安全。文章详细探讨了其工作机制、设置时的效率与安全权衡,以及不当设置对效率、稳定性和EMI的连锁反应,并提供了基于实测的调试方法与实战案例。

Apple的专栏 1133

《2026鸿蒙NEXT纯血开发与AI辅助》第三章:DevEco Studio 整体功能使用详解以及各个助手以及核心使用方法-卓伊凡

本文详细介绍了鸿蒙DevEco Studio开发工具的整体功能与使用方法。首先针对常见的"未配置targetSdkVersion"警告,提供了具体的配置步骤和版本选择建议。随后系统讲解了IDE的六大功能区:顶部菜单栏/工具栏、左侧工程结构区、中间代码编辑区、右侧预览区、底部输出区。文章还梳理了从创建工程到运行调试的标准开发流程,包括工程创建、结构理解、代码编写、界面预览、依赖同步、设备选择等关键步骤。最后总结了日常开发中的"视线流"模式,帮助开发者快速掌握DevEco

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 921

【本体】Protege高效批量导入实例(Individuals)的自动化实践

本文详细介绍了在Protege中高效批量导入实例(Individuals)的自动化实践方法。通过分析Protege本体文件结构,提供Python脚本示例,帮助用户快速处理大规模数据导入,显著提升知识图谱构建效率。特别适合需要处理数千个实例的医疗、制药等领域应用。

weixin_30275415的博客 408

数码管动态扫描避坑指南:如何用188芯片实现50Hz无闪烁显示?

本文深入解析188数码管动态扫描技术,提供工业级无闪烁显示方案。通过优化轮询扫描机制、硬件电路设计和软件架构,实现50Hz高刷新率显示,解决亮度不均和鬼影问题,适用于医疗设备和工业控制面板等高要求场景。

hhh00的博客 978

HarmonyOS 模拟器使用指南

在 HarmonyOS 应用开发过程中,模拟器(Emulator)是开发者日常工作中不可或缺的工具。它不仅能够在没有实体设备的情况下进行应用开发和调试,还能模拟各种硬件场景(如电池状态、GPS 定位、传感器数据等),帮助开发者在不同条件下验证应用的稳定性和兼容性。方式特点适用场景本地模拟器(Local Emulator)运行在本地计算机,无需网络,流畅稳定日常开发调试远程模拟器(Remote Emulator)云端运行,登录授权即可使用临时测试/演示真机调试(Real Device)

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 1万+

Unity必学:Protobuf-net预编译实战

本文深入解析Unity项目使用Protobuf-net Precompile的必要性。作为高效跨平台序列化方案,Protobuf-net解决了Unity工程在网络同步、存档系统中的性能瓶颈,特别是针对iOS等AOT平台的兼容问题。通过预编译模式,将运行时反射转为静态代码生成,显著提升移动端性能表现,支持协议平滑升级,已成为大厂项目的标配方案。文章从原理、实践到多平台适配,全面展示了这一"序列化发动机"如何支撑现代Unity项目的数据传输需求。

本博客聚焦游戏开发技巧、创业实战心得及大学热门课程干货。这里既有技术深度,也有思维广度,无论你是开发者、创业者还是高校学子,都能在这里找到适合自己的成长之路! 497

植物养护管理应用基于HarmonyOS API 24枚举与工具函数:类型安全与逻辑复用,枚举定义相比使用魔法数字(magic numbers)具有显著的可读性和可维护性优势

在移动互联网与智能穿戴设备高度普及的今天,"习惯养成"已经从一个模糊的自我管理理念,演变为一个可量化、可追踪、可视化的数字化产品赛道。越来越多的人希望借助手中的智能终端,把"早起、冥想、阅读、运动"这些抽象的自律行为,转化为一条条清晰的数据曲线和一张张可触摸的打卡卡片。而鸿蒙生态(HarmonyOS)凭借其跨设备协同、分布式软总线以及声明式 UI 开发框架 ArkUI,为这类注重"轻量化交互 + 即时反馈"的生活方式类应用提供了极为理想的生长土壤。本应用正是一款面向"晨间场景"深度打磨的习惯追踪工具。它聚焦

2401_86031952的博客 116

大模型——Coze工作流实战:一键生成像素风格视频

本文介绍了如何利用Coze平台工作流生成像素风格心理学短视频的方法。通过创建工作流、设置变量节点、调用大模型生成文案、数据格式化处理、合成音频、生成字幕等步骤,最终实现从输入主题到生成完整视频的自动化流程。文章详细展示了每个节点的具体配置方法,包括提示词编写和数据处理脚本,为读者提供了完整的像素风格视频制作解决方案。

822

AEJoy —— 最受欢迎的 5 个 Ae 表达方式

NOTE] 原文作者我意识到表达式可能令人生畏,有些人宁愿复制粘贴有用的代码,而不愿学习这门语言。对此我完全理解。因此,我想与您分享我的。这些是我几乎在每个项目中都会使用的表达式,我认为它们极大地提升了工作流程。

ShaderJoy 的兴趣技术杂货铺 366

HarmonyOS应用开发实战:猫猫大作战-@State 数组项替换的浅观察陷阱、@Observed 数组深观察机制、ForEach 密钥与项替换的协

摘要 本文探讨了在ArkUI中替换数组项的优化方案。通过「猫猫大作战」游戏案例,分析了@State数组浅观察的局限性——无法监听项替换操作(cats[0]=newCat)。提出基于@Observed类+ForEach密钥的双重机制解决方案:当数组项为@Observed实例时,1)密钥变化触发项销毁/新建;2)密钥相同但内部属性变化触发深观察更新。对比了整体赋值与项级替换的性能差异,最终实现仅重渲染被替换项的高效更新策略。

LEO11110的博客 433

加密算法:深度解析Ed25519原理

在 Solana 开发过程中,我一直对 Ed25519 加密算法 如何生成公钥、签名以及验证签名的机制感到困惑。为了弄清这一点,我查阅了大量相关资料,终于对其流程有了更清晰的理解。在此记录实现过程,方便日后查阅。

盹猫的博客 1万+

HarmonyOS应用开发实战:猫猫大作战-animation 装饰绑定、隐式补间机制、与 animateTo 的取舍、curve 曲线选

摘要 本文深入解析ArkUI的隐式动画机制,以「猫猫大作战」游戏中的猫咪下落效果为例,对比animation装饰器与animateTo的适用场景。隐式动画通过.animation()绑定后,属性变化自动补间,适合周期性属性变更(如每100ms下落一格);显式动画animateTo则更适合主动触发的特效(如得分弹跳)。文章详细拆解了animation的装饰绑定方式、隐式补间机制(包括属性变化检测、可补间属性类型、打断重启逻辑),并通过场景对照提出决策建议:循环改属性用隐式,主动触发用显式,两者也可混用于不同属

b13053810049的博客 739

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

10个DevEcoStudio神器,鸿蒙开发效率翻倍

本文介绍了10个提升鸿蒙开发效率的DevEcoStudio实用功能:1)LivePreview实时预览UI效果;2)HotReload热重载保留应用状态;3)Profiler性能分析器定位瓶颈;4)LayoutInspector检查布局层级;5)CodeSnippets代码模板快速生成;6)ArkUIInspector查看组件树;7)Logcat日志过滤技巧;8)ohpm包管理器管理依赖;9)ArkTSCodeLint静态检查代码质量;10)多设备同时调试功能。这些工具覆盖从编码、调试到性能优化的全流程,能

caizikid的博客 509

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

HarmonyOS 6.1 单元测试与自动化Mock:保障代码质量的最后一道防线

在之前的系列里,我们实现了电商Demo的所有功能:从@State状态管理到分布式流转,从端云一体化到元服务卡片。但每次修改代码(比如调整购物车计算逻辑),我都要手动做这些事:启动模拟器,打开App找到商品详情页,点击“加入购物车”回到列表页,检查总价是否正确流转到平板,再检查一遍这一套流程下来至少要2分钟,如果改了10次代码,就要重复20分钟。更可怕的是,有时候改了A功能,不小心把B功能搞坏了——这就是回归bug。单元测试的核心价值就是自动化验证。

listening777的博客 250

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: 鸿蒙5.0开发进阶:ArkTS API UI界面-@ohos.arkui.drawableDescriptor (DrawableDescriptor)
下一篇: 鸿蒙5.0开发进阶:ArkTS API UI界面-@ohos.arkui.node
懂你的大海
博客等级 码龄6年 9049粉丝 1381原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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