鸿蒙5.0开发进阶:API ArkUI框架-ArkTS组件(组件快捷键事件)

鸿蒙HarmonyOS NEXT开发:CheckboxGroup(基础组件) 多选框群组,用于控制多选框全选或者不全选状态。 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)


组件快捷键事件

开发者可以设置组件的自定义组合键,每个组件可以设置多个组合键。

即使组件未获焦或是在所在页面未展示,只要已经挂载到获焦窗口的组件树上就会响应自定义组合键。

开发者在设置组合键的同时可以设置自定义事件,组合键按下时,触发该自定义事件,若没有设置自定义事件,则组合键行为与click行为一致。

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。

keyboardShortcut

keyboardShortcut(value: string | FunctionKey, keys: Array<ModifierKey>, action?: () => void): T

设置组件的自定义组合键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名参数类型必填参数描述
valuestring | FunctionKey是

热键的单个字符(可以通过键盘输入的字符)或FunctionKey。

空字符串意为取消快捷键绑定。

keysArray<ModifierKey>是

热键组合。

仅当value为FunctionKey的情况下可以为空。

action() => void否

组合快捷键触发成功后的自定义事件回调。

返回值:

类型说明
T返回当前组件。

ModifierKey

元服务API: 从API version 11开始,该接口支持在元服务中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

名称描述
CTRL表示键盘上Ctrl键。
SHIFT表示键盘上Shift键。
ALT表示键盘上Alt键。

FunctionKey

系统能力: SystemCapability.ArkUI.ArkUI.Full

名称描述
ESC

表示键盘上ESC功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F1

表示键盘上F1功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F2

表示键盘上F2功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F3

表示键盘上F3功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F4

表示键盘上F4功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F5

表示键盘上F5功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F6

表示键盘上F6功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F7

表示键盘上F7功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F8

表示键盘上F8功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F9

表示键盘上F9功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F10

表示键盘上F10功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F11

表示键盘上F11功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

F12

表示键盘上F12功能键。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

TAB12+

表示键盘上TAB功能键。

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

DPAD_UP12+

表示键盘上UP方向键。

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

DPAD_DOWN12+

表示键盘上DOWN方向键。

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

DPAD_LEFT12+

表示键盘上LEFT方向键。

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

DPAD_RIGHT12+

表示键盘上RIGHT方向键。

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

快捷键使用注意事项

快捷键是对系统按键的响应,优先于普通的按键事件OnKeyEvent。

场景快捷键处理逻辑例子
所有支持onClick事件的组件支持自定义组合键无
自定义组合键要求控制键Ctrl、Shift、Alt及它们的组合加上其它可输入字符按键Button('button1').keyboardShortcut('a',[ModifierKey.CTRL])
多个不同组件设置相同组合键只响应结点树上的第一个组件,其它组件不响应快捷键。

Button('button1').keyboardShortcut('a',[ModifierKey.CTRL])

Button('button2').keyboardShortcut('a',[ModifierKey.CTRL])

无论组件是否获得焦点只要窗口获焦快捷键就会响应无
使用单个FunctionKey触发快捷键单个FunctionKey,没有ModifierKey,可以绑定为快捷键Button('button1').keyboardShortcut(FunctionKey.F2,[])
keyboardShortcut的入参value为空

取消绑定的快捷键。

绑定多个快捷键的时候无法取消快捷键。

Button('button1').keyboardShortcut('',[ModifierKey.CTRL])

Button('button2').keyboardShortcut('',[])

独立pipeline子窗口、主窗口共存的情况下获焦的窗口响应快捷键无
keyboardShortcut接口中的keys命令中ctrl、shift、alt不区分左右键都响应Button('button1').keyboardShortcut('a',[ModifierKey.CTRL, ModifierKey.ALT])
keyboardShortcut接口中的value单个字符不区分大小写都响应

Button('button1').keyboardShortcut('a',[ModifierKey.CTRL])

Button('button2').keyboardShortcut('A',[ModifierKey.CTRL])

快捷键的响应keys键处于按下状态且value键触发down事件(长按会连续响应)无

隐藏组件

响应快捷键无
disable状态组件不响应快捷键无

1. 组件的组合键(包括系统预定义快捷键)相同时。

2. 接口参数value有多个字符时。

3. 接口参数keys有重复的控制键时。

这几种情况不绑定组合键, 先前绑定的组合键仍然有效

Button('button1').keyboardShortcut(FunctionKey.F4,[ModifierKey.ALT])

Button('button2').keyboardShortcut('ab',[ModifierKey.CTRL])

Button('button3').keyboardShortcut('ab',[ModifierKey.CTRL,ModifierKey.CTRL])

禁止绑定的系统快捷键

以下组合键绑定为快捷键不生效。

  • Ctrl + C
  • Ctrl + A
  • Ctrl + V
  • Ctrl + X
  • Ctrl + Shift + Z
  • Ctrl + Z
  • Ctrl + Y

系统已存在的按键事件

已存在如下系统响应的按键事件,具体规格如下表。

表中的按键事件与自定义按键事件的触发有优先级关系,高优先级的事件会拦截低优先级事件。

快捷键获焦组件用途事件处理类别
方向键、Shift + 方向键输入框组件移动光标输入法
方向键、Shift + 方向键通用组件系统处于走焦状态时,用于方向走焦系统按键
TAB、Shift + TAB通用组件触发进入走焦状态/走焦系统按键

示例

示例1(设置组件快捷键)

该示例通过设置组件的快捷键,同时按控制键+对应的字符可以触发组件响应快捷键,并触发onClick事件或自定义事件。

@Entry
@Component
struct Index {
  @State message: string = 'Hello World'

  build() {
    Row() {
      Column({ space: 5 }) {
        Text(this.message)
        Button("Test short cut 1").onClick((event: ClickEvent) => {
          this.message = "I clicked Button 1";
          console.log("I clicked 1");
        }).keyboardShortcut('.', [ModifierKey.SHIFT, ModifierKey.CTRL, ModifierKey.ALT])
          .onKeyEvent((event: KeyEvent)=>{
            console.log("event.keyCode: " + JSON.stringify(event));
          })
        Button("Test short cut 2").onClick((event: ClickEvent) => {
          this.message = "I clicked Button 2";
          console.log("I clicked 2");
        }).keyboardShortcut('1', [ModifierKey.CTRL])
        Button("Test short cut 3").onClick((event: ClickEvent) => {
          this.message = "I clicked Button 3";
          console.log("I clicked 3");
        }).keyboardShortcut('A', [ModifierKey.SHIFT])
        Button("Test short cut 4").onClick((event: ClickEvent) => {
          this.message = "I clicked Button 4";
          console.log("I clicked 4");
        }).keyboardShortcut(FunctionKey.F5, [], () => {
          this.message = "I clicked Button 4";
          console.log("I clicked user callback.");
        }).keyboardShortcut(FunctionKey.F3, [])
      }
      .width('100%')
    }
    .height('100%')
  }
}

示例2(注册和解注册快捷键绑定)

该示例演示了如何实现按键注册和解注册快捷键绑定。

@Entry
@Component
struct Index {
  @State message: string = 'disable'
  @State shortCutEnable: boolean = false
  @State keyValue: string = ''

  build() {
    Row() {
      Column({ space: 5 }) {
        Text('Ctrl+A is ' + this.message)
        Button("Test short cut").onClick((event: ClickEvent) => {
          this.message = "I clicked Button";
          console.log("I clicked");
        }).keyboardShortcut(this.keyValue, [ModifierKey.CTRL])
        Button(this.message + 'shortCut').onClick((event: ClickEvent) => {
          this.shortCutEnable = !this.shortCutEnable;
          this.message = this.shortCutEnable ? 'enable' : 'disable';
          this.keyValue = this.shortCutEnable ? 'a' : '';
        })
        Button('multi-shortcut').onClick((event: ClickEvent) => {
          console.log('Trigger keyboard shortcut success.')
        }).keyboardShortcut('q', [ModifierKey.CTRL])
          .keyboardShortcut('w', [ModifierKey.CTRL])
          .keyboardShortcut('', []) // 不生效,绑定了多个快捷键的组件不能取消快捷键
      }
      .width('100%')
    }
    .height('100%')
  }
}

鸿蒙NEXT开发:ArkTS组件-通用事件(组件快捷键事件) 开发者可以设置组件的自定义组合键,每个组件可以设置多个组合键。 阅读详情

相关推荐

鸿蒙5.0开发入门:用ArkTS+ArkUI从零构建可运行App

在移动开发领域,鸿蒙5.0的组件化与声明式UI正在重塑应用构建方式。ArkTS作为基于TypeScript的扩展语言,通过装饰器和严格类型约束,为状态驱动渲染提供了安全基础;ArkUI框架则用组件树描述界面,让开发者聚焦数据模型而非手动操作DOM。理解@State的响应式更新机制、页面路由配置以及工程产物HAP的构建流程,是掌握鸿蒙应用开发的关键。这项技术栈的价值在于高效迭代与多端部署能力,尤其适合IoT、跨设备协同等场景。本文以登录页面为例,串联环境搭建、交互逻辑、页面跳转及HAP打包全流程,帮助你快速建

weixin_31412781的博客 282

写给初学者的 HarmonyOS 教程 -- ArkTS 容器组件(List)

使用列表可以轻松高效地显示结构化、可滚动的信息。通过在 List 组件中按垂直或者水平方向线性排列子组件 ListItemGroup 或 ListItem,为列表中的行或列提供单个视图,或使用ForEach 迭代一组行或列,或混合任意数量的单个视图和 ForEach 结构,构建一个列表。

Fucking Android & Compose & Harmony & Spring Boot ... 7614

浅显易懂地看LLC变换器(三)

第3期 谐振与增益的定性关系 由简单的谐振电路说起 我们将以电感和电容的基本电路的特性逐渐了解谐振电路的特性 与电阻不同,电感和电容都不是纯阻性线性器件,电感的感抗XL和电容的容抗Xc都与频率有关,当加在电感和电容上的频率发生变化时,它们的感抗XL和容抗Xc会发生变化。 1) 如下图RL电路,当输入源Vin的频率增加时,电感的感抗增大,输出电压减小,增益Gain=Vo/Vin随频率增加而减小。 2) 如下图RC电路,相反,当输入源Vin的频率增加时...

iFTrue电力电子专栏 6747

鸿蒙应用开发ArkTS容器组件的使用

{space?Row(value?:{space?List(value?: {space?Flex(value?

码小白. 2184

编译原理2024期末复习(面向做题,大题速学)【太原理工大学】

归约-归约”冲突就是在项目集规范族一个状态中两个。

m0_63181421的博客 1万+

Stable Diffusion跑图总爆显存?别急着换显卡,试试这个PYTORCH_CUDA_ALLOC_CONF参数调优

本文深入解析了Stable Diffusion运行中常见的显存不足问题,特别是由显存碎片化导致的假性OOM现象。通过详细讲解PYTORCH_CUDA_ALLOC_CONF参数中的max_split_size_mb设置技巧,提供了一套完整的显存优化方案,帮助用户在无需升级硬件的情况下显著提升AI绘画的稳定性与效率。

weixin_42524100的博客 347

ArkTS的常用组件

Swiper(){...Indicator.dot() // 设置小圆点的相关属性.itemWidth(20) // 未选中时候的高.itemHeight(20) // 未选中时候的宽.color(Color.Black) // 未选中时候的颜色.selectedItemWidth(30) // 选中时候的宽.selectedItemHight(30) // 选中时候的高.selectedColor(Color.White) // 选中时候的颜色。

2301_80263861的博客 1325

实战指南:如何用Frida绕过某梆加固的Anti-Frida检测(附完整脚本)

本文深入剖析了企业级加固方案中的Anti-Frida检测机制,并提供了实战对抗策略。通过分析基于文件系统、内存特征、行为及环境的多层次检测原理,文章详细介绍了如何定位检测逻辑、绕过maps文件扫描、对抗内存与行为特征检测,并附上了针对某梆加固的完整绕过脚本与系统化工程方案。

weixin_42527589的博客 601

ArkTS基础知识【含示例源码】

@Link装饰的变量可以父组件的@State装饰的变量建立双向数据绑定,因此对子组件的变量值修改,会同步修改父组件对应的@State修饰的变量,这里对应的就是父组件里的isSwitchDataSource变量,从而自动触发父组件的UI刷新。对应页面的入口组件,也就是被@Entry装饰器修饰的自定义组件,系统还提供了另外的三个生命周期函数,分别是:页面展示时刻的onPageShow(),进行返回的时候的onBackPress(),页面消失时刻的onPageHide();

当你发现自己的才华撑不起野心时,就请安静下来学习~ 7956

操作系统知识点汇总(王道)

操作系统不论是就业还是升学都是核心的一门课程,对于大部分工科更是必修课程。本文章是对《王道操作系统》所有知识点的总结笔记,以供大家学习以及在备考期间复习使用。让我们一起把知识往脑子里旋好吗!!!......

S mile0804的博客 5万+

GMSL转eDP芯片MAX9686X(ADI)

MAX96860/MAX96862/MAX96864解串器可以把单路或双路GMSL转换成eDP V1.4a,支持820MHzPCLK的无压缩的24bpp(每个像素的位数)视频,或660MHz的30bpp视频。芯片的GMSL支持NRZ编码的6Gbps/187Mbps的GMSL2,PAM4编码的12Gbps/187Mbps的GMSL3。同时支持单线(COAX模式)双向全双工传输控制数据和video数据。支持DSC压缩的芯片,最大支持像素时钟1080MHz@24bpp或者864MHz@30bpp,传输方式包括同轴

qflook的博客 2852

【鸿蒙next开发】ArkUI框架:ArkTS组件-组件快捷键事件

本文详细介绍了鸿蒙5.0开发中的快捷键设置功能,特别是keyboardShortcut接口的使用。

m0_73088370的博客 699

Windows 11 安装 Miniforge,配置国内源

本文详细介绍了在 Windows 11 系统中安装 Miniforge 的完整流程,包括下载、安装选项设置、配置国内镜像源(如清华大学源)以加速包管理,并启用 mamba 提升依赖解析与安装速度。同时涵盖 conda 与 mamba 的基本使用验证、PowerShell 初始化及环境提示符优化,帮助用户快速搭建高效、开源、免费的 Python 科学计算环境。

寒水馨 · 轻量级技术文档 · hanshuixin.org 4527

HarmonyOS ArkUI 按键事件(Key Event)全面解析与实战演示

按键事件(Key Event)是 ArkUI 将物理键盘(外接键盘、蓝牙键盘、遥控器方向键、手柄按键等)的硬件信号封装后传递给 UI 层的事件对象。DOWN(按下):用户按下物理键的瞬间触发,长按时会持续重复触发(递增)UP(抬起):用户松开物理键时触发,仅触发一次快捷键Ctrl+S保存、Ctrl+Z撤销、Esc取消方向键导航:列表/菜单的上下左右选择、焦点移动游戏控制:WASD 移动、空格跳跃、手柄按键响应媒体控制:音量键、播放/暂停、上一曲/下一曲输入辅助。

qq_37048082的博客 2万+

YOLOv11改进 | 损失函数改进篇 | MPDIoU、InnerMPDIoU助力细节涨点(二次创新 + 代码解析)

本文为读者详细介绍了YOLOv11模型的最新改进,带来的改进机制是最新的损失函数MPDIoU和融合了最新的Inner思想的InnerMPDIoU(效果打爆之前的所有的损失函数提升检测精度和处理细节方面的作用。通过深入探讨MPDIoU和InnerMPDIoU(全网首发)的工作原理和实际代码实现,本文旨在指导读者如何将这些先进的损失函数技术应用到YOLOv11模型中,以提高其性能和准确性。文章内容涵盖从理论基础、代码实现,到实际教你如何添加本文的机制到你的模型中。

Snu77的博客 4032

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鸿蒙开发学习:鸿蒙基础-基础环境-ArkTS-组件-样式

下载对应的版本API12 的编辑器 API12的模拟器(mac英特尔安装API11)解压编辑器版本 将左侧内容拖入点击打开 新建一个路径 HarmonyOS-SDK 将资源下载包中的sdk的内容进行解压,放入到刚刚新建的目录 将设置中的安装路径改变成新建的目录,最终点击确认,sdk就安装好了打开原有项目发现 一个配置文件的依赖,线上没有提供云下载地址,只能采用离线的版本 。hvigor下载资源包中,还有提供一个dependencies, 这就是我们需要替换的版本 internal-plugin-S

专注移动开发 2726

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

HarmonyOS 7.0 / API 26 鸿蒙电脑快捷键冲突排查:输入框焦点和全局动作如何划界

这篇只抓一个点:鸿蒙电脑快捷键作用域。我不按概念顺序铺开,而是按项目里最容易出问题的路径来拆:先复现坏写法,再补上边界判断,最后用日志和状态验证结果。

小白在路上 559

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

鸿蒙前端开发,零基础入门到精通,收藏这篇就够了

鸿蒙应用开发框架是鸿蒙系统提供的一套开发工具和框架,用于帮助开发者快速构建鸿蒙应用。它提供了一系列的 API 和组件,使开发者可以方便地进行应用的开发、测试和发布。鸿蒙应用开发框架支持多种开发语言,包括 Java、C++、JavaScript、ArkTS 等,开发者可以根据自己的需求选择合适的开发语言进行开发。ArkTS 是 HarmonyOS 优选的主力应用开发语言,在 TS 基础上发展而来。

Javachichi的博客 1151

HarmonyOS 7.0 / API 26 多窗口输入焦点治理:鸿蒙电脑和平板为什么会抢输入框

这篇只讲一个点:多窗口输入焦点和键盘事件边界。版本边界先说清楚:下面的写法面向 HarmonyOS 7.0 / API 26。老版本工程不要直接照搬,先确认 SDK、DevEco Studio、设备系统版本和模拟器镜像是否一致。

小白在路上 289

HarmonyOS 7.0 / API 26 鸿蒙电脑快捷键冲突排查:页面焦点、输入框和全局动作如何划清边界

这篇只讲一个点:鸿蒙电脑快捷键。我不按官方说明书那种顺序铺概念,而是按开发时最容易出事的路径来拆:什么时候会坏、怎么复现、怎么修、怎么验证,以及这个判断以后能不能复用。

小白在路上 395

鸿蒙PC版开发实战:ArkUI字数统计工具开发指南

跨平台应用开发是当前移动生态的重要趋势,鸿蒙OS通过ArkUI框架提供了统一的开发范式。ArkTS作为鸿蒙主力开发语言,结合声明式UI和响应式编程模型,能高效实现布局渲染与业务逻辑。本次实战以PC端字数统计工具为例,演示了从环境搭建到真机部署的全流程,重点解析了Flex布局适配、窗口响应式编程等关键技术。通过TextArea组件与ArkTS计算逻辑的配合,实现了中英文混合统计功能,并针对PC端特性增加了快捷键支持。该项目验证了鸿蒙在跨设备场景下的开发效率,为文本处理类工具开发提供了参考模板,特别适合需要快速

weixin_32325225的博客 244

鸿蒙5.0开发进阶:快速插入场景化代码片段

DevEco Studio提供Kit Assistant能力...........

Androidbye的博客 355

# HarmonyOS NEXT 原生 ArkTS 布局实战:Clip + RoundRect 圆角裁剪深度解析

本文深入解析了HarmonyOS NEXT中ArkTS布局的圆角裁剪技术,重点介绍了三种实现方案:borderRadius+clip(true)、clipShape+Rect和Path自定义路径。通过底层渲染原理分析和技术对比,文章指出borderRadius+clip(true)是最灵活推荐的方案,支持四角独立半径和子元素溢出裁剪。实战部分包含完整项目架构、路由配置和核心代码解析,并提供了入口页面的实现示例,帮助开发者掌握鸿蒙原生UI的圆角裁剪技术要点。

woshi_xiaoa的博客 481

HarmonyOS ArkTS API 24 组件重建销毁机制解析,修复状态切换引发的组件重建数据丢失问题

平台采用浅色宣纸米白主题,通过bg: string;// 页面底色·宣纸米白// 卡片底色·纯白// 胶囊/输入底色·米杏// 主标题·墨褐// 次级文字·驼褐// 弱化文字·浅驼// 主题色·朱砂// 主题色深·深朱砂// 辅色·黛蓝// 辅色·鎏金// 辅色·苔绿// 分割线·米灰// Tab 激活色·朱砂// 弹窗遮罩·墨褐半透// 深色底上的白字// 渐变起点·朱砂// 渐变终点·深朱砂底部导航采用六 Tab 单排布局,通过TabMeta接口声明图标与标签,以。

2401_86049470的博客 296

【入门到精通】鸿蒙next应用开发:Web组件(页面跳转和浏览记录)

页面跳转是指在浏览器中从当前页面跳转到另一个页面的操作。

m0_73088370的博客 626

鸿蒙 PC + Electron 与鸿蒙(HarmonyOS)全景深度解析:技术边界、生态战略、迁移路径与未来协同的终极指南

Electron 与鸿蒙(HarmonyOS)全景深度解析:技术边界、生态战略、迁移路径与未来协同的终极指南

2501_93573294的博客 1181
上一篇: 鸿蒙5.0开发进阶:API ArkUI框架-ArkTS组件(组件可见区域变化事件)
下一篇: 鸿蒙5.0开发进阶:API ArkUI框架-ArkTS组件(自定义事件分发)
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