组件注册时名称

Vue组件丢失:解决丢失的Vue组件问题 在Vue中,组件通常以单文件组件(.vue)的形式存在,我们需要通过正确的路径来引用它们。例如,如果我们有一个名为"HelloWorld"的组件,那么组件文件的名称应该是"HelloWorld.vue"。当Vue组件丢失时,我们可以通过检查组件路径和名称、确保组件已正确注册、检查组件命名约定、检查组件是否被正确导入、检查组件依赖以及清除缓存和重启开发服务器来解决问题。如果我们在组件中使用了其他组件,并且这些组件也无法正确加载或显示,那么我们应该检查它们是否被正确导入。方法全局注册组件,或在组件选项中使用。 阅读详情

目录

组件注册时名称的大小写

通过name属性注册组件的名称


组件注册时名称的大小写

简单了解

1.使用大驼峰命名法会更加灵活

它可以在引用组件时,有两种写法——

  • 用短横线命名法
  • 或者大驼峰命名法

参考:两种名称写法

2.使用短横线命名法

引用组件时,只能使用短横线命名法

参考

 

通过name属性注册组件的名称

在注册组件期间,除了可以直接提供组件的注册名称之外,

还可以把组件的name属性作为注册后组件的名称

demo 

<template>
    <h3>轮播图组件</h3>
</template>

<script>
    export default {
        name:"MySwiper" // name 属性为当前组件的名字
    }
</script>

<!-- 注册组件 -->
import Swiper from './components/Swiper.vue'
app.component(Swiper.name,Swiper)
<!-- 相当于 -->
app.component("MySwiper",Swiper)

 component() 方法,有两个参数,

第一个为注册组件的名称

第二个为要注册的组件文件名,也就是导入的组件对象

 

最新版谷歌浏览器Axure插件(免翻墙) 本文介绍了在Chrome浏览器无法直接打开Axure导出HTML文件的解决方法。由于国内网络限制无法访问Chrome商店,需手动下载安装AxureRP扩展插件(提供百度网盘下载链接)。安装步骤包括:1)启用开发者模式;2)拖拽CRX文件或加载解压文件夹;3)勾选"允许访问文件网址"。同时还提示若浏览器版本过低可能无法正常运行,并给出了浏览器升级方法。该教程详细说明了从插件安装到浏览器升级的完整解决方案。 阅读详情

相关推荐

CentOS7无网环境实战:MySQL8.0完整离线安装与避坑指南(附依赖包下载)

本文详细介绍了在CentOS7无网环境下MySQL8.0的完整离线安装流程,包括依赖包获取、系统预处理、MySQL二进制安装、服务配置与优化等关键步骤。特别针对离线安装的特殊需求,提供了从依赖包下载到服务调优的全链路解决方案,帮助用户在企业内网或隔离环境中高效部署MySQL数据库。

bush的博客 175

Vue组件注册方式(驼峰与横线)

首先看一下官方的文档说明 总结起来也就是: (1)当使用短横线分割命名定义组件,那么调用这个组件的时候,必须要用短横线。 (2)当使用驼峰式命名的时候,可以在template:’'中使用驼峰式或者短横线都可以,但是在Dom中必须使用短横线的形式。 ...

qq_43170213的博客 1483

网络攻防实验——网络监听

利用CAIN实现ARP监听。

Trieyes_of_feng的博客 3196

关于Vue中组件命名及使用问题

组件短横线命名法 Vue.component('btn-conter',{ //btn-counter为短横线命名法的组件名 data: funcation(){ return { count: 0 } } }); //在使用时可以用在普通标签模板中; <body> <div> <btn-conter></btn-conter> <btn-conter></btn-conter> </div&gt

好俗好麻烦的博客 874

Windows下CMake编译VTK

选择项目INSTALL,生成该项目,得到vtk在Debug模式下的lib和dll文件,在文件夹中可看见,已得到debug模式下lib库与dll库。,把Value值设置为最后在vtk_sln中生成include、dll、lib的位置。在上面点击Configure后,红色区域没有了。选择自己vs编译平台的版本信息,我这边已经设置好了没有这个设置了,借用参考博客的图片。设置完后,点击左下角"Configure",然后等待Configure。,把搜索结果的Value勾选上。在search中搜索。

weixin_74239923的博客 841

VS2019编译配置Easy3D

VS2019编译配置Easy3D

dayuhaitang1的博客 2596

Vue - 驼峰和短横线分割命名注意事项

父组件在传递给子组件的时候,命名上我测试下来没有什么特殊的要求。结果如下:无论是使用下划线分割还是原名,都可以正常接收。一般编码的时候,习惯这样:命名的时候采取。经过测试,父组件在传函数的时候,使用。父组件在给子组件传递变量的时候,例如,我写一个简单的子组件。法(每个单词的首字母小写)。子组件的接收:驼峰命名法。法,和上述案例一个效果。命名法,使用的时候采取。

Zong_0915的博客 1345

科研绘图系列:基因突变瀑布图统计以及可视化

科研绘图系列:基因突变瀑布图统计以及可视化

专注生信领域 1653

Vue 3.0 组件注册 【Vue3 从零开始】

该页面假设你已经阅读过了。如果你还对组件不太了解,推荐你先阅读它。

2201_75866484的博客 1052

使用 Simulink/Simscape Electrical/Stateflow,构建一个并网逆变器短路故障动态响应与恢复策略仿真模型

本文基于Simulink平台,详细介绍了并网逆变器短路故障的动态响应与恢复策略仿真方法。主要内容包括:1)构建包含热模型的高精度逆变器模型;2)模拟IGBT击穿和桥臂直通两种短路故障;3)设计基于Stateflow的微秒级快速保护逻辑;4)实现放电、去磁、自检、重启的完整恢复流程。仿真结果表明,所提出的保护方案能在200μs内有效限制故障电流,避免器件永久损坏,并通过标准化恢复流程实现系统安全重启。文章还探讨了硬件保护协同、多级保护和预测保护等高级策略,为电力电子系统安全防护提供了实用解决方案。

xiaoheshang_123的博客 107

工业产线瑕疵检测:基于 YOLO 的自动化质检系统实战

从工业瑕疵数据集构建到模型训练,从桌面检测界面到产线适用性优化,本文覆盖了一套工业质检系统的完整路线。这个场景的核心评价指标不是最高精度,而是在保证 recall ≥ 0.95 的前提下尽可能压低 false positive——因为漏检的直接成本(客户投诉、质量事故)远高于误报的成本(人工复检)。部署时先设一个偏低的置信度阈值确保覆盖,再通过持续收集人工复检数据来逐步调优。

m0_71589036的博客 66

Vue项目中该使用驼峰命名还是短横线命名

在阅读vue官方文档中关于props的时候发现这么两段话: HTML 中的 attribute 名是大小写不敏感的,所以浏览器会把所有大写字符解释为小写字符。这意味着当你使用 DOM 中的模板时,camelCase (驼峰命名法) 的 prop 名需要使用其等价的 kebab-case (短横线分隔命名) 命名: const app = Vue.createApp({}) app.component('blog-post', { // 在 JavaScript 中使用 camelCase

qq_41348755的博客 6693

【制作100个unity游戏之30】使用unity实现一款2d俯视角RPG战斗游戏,主要使用InputSystem+有限状态机+A*寻路实现(完结,附带项目源码)

【制作100个unity游戏之30】使用unity实现一款2d俯视角RPG战斗游戏,主要使用InputSystem+有限状态机+A*寻路实现

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 4653

注册组件时,组件名称要小写

看下面的代码: <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8" /> <meta name="viewport" content="width=device-width, initial-scale=1, shrink-to-...

我不想说 359

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

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")

Vue组件注册时名称注意事项

1.如果在组件注册时名称为驼峰 (1)首字母驼峰,那么一下使用组件写法都能生效 (2)如果不是首字母驼峰,那么只有以下标注写法生效

weixin_44536553的博客 549

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

vue2中组件注册后,调用时如何命名?组件传参时参数名称如何命名?

在 Vue 中,当你使用驼峰命名法(camelCase)注册组件时,可以在模板中使用短横线分隔的名称(kebab-case)来调用组件。这是 Vue 的一个特性,它会将短横线分隔的属性名自动转换为驼峰命名法。这样做是为了兼容 HTML 和 JavaScript 的命名习惯。

这个博客记录我的成长。(专注前端开发,ehcarts图表开发,接定制),有需要请站内私信。 780

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

vue150-了解组件注册名称和声明时得区别

vue

geyaoisnice的博客 223

Vue----组件注册

文章目录组件的注册1.1 注册组件的两种方式1.2 全局注册组件1.3 使用全局注册组件1.4 局部注册组件1.5 全局注册和局部注册的区别1.6 组件注册时名称的大小写1.7 通过 name 属性注册组件 组件的注册 组件之间可以进行相互的引用。 vue 中组件的引用原则:先注册后使用。 1.1 注册组件的两种方式 vue 中注册组件的方式分为“全局注册”和“局部注册”两种,其中: 被全局注册的组件,可以在全局任何一个组件内使用 被局部注册的组件,只能在当前注册的范围内使用 1.2 全局注册组件 /

emmmm..... 6740

【vue知识点】vue组件的名称

要使用自定义封装的组件的时候,要先引入组件,然后在components中声明组件。 知识点:总结: 如果2中定义了name属性,则组件名称以此为准,否则,以引入时注册的名称为准。

在热爱技术的路上一直前行。 2480

uniapp 全局注册组件不显示

我们在全局注册组件时 使用的 app.component(Search.name,Search), 组件内部定义好name:'Search'两个使用组件时,有一个不显示的问题,需要注册时 执行字符串名字app.component(“Search”,Search)

m0_73461567的博客 1109

Vue3——第七章(组件展示时的名称:name)

Vue3——第八章(组件展示时的名称:name)

why404 2426

Vue全局组件和局部组件的注册

Vue全局组件和局部组件的注册

m0_60496430的博客 5328

C# COM组件注册

<br /><br /> <br />为了C# COM组件的注册,浪费了我一天半的时间。现把经验分享出来。<br /> <br />C# COM组建的注册过程:<br /> <br />用Regsvcs /c DllName.dll注册新的COM组件,发现已有该组件则报错。<br />用Regsvcs /fc DllName.dll注册新的COM组件,发现已有该组件则覆盖。<br />用Regsvcs /u DllName.dll卸载COM组件。<br />Regsvcs.exe在Microsoft.NET

5613

Vue3组件,注册全局组件和局部组件

2、定义名字 3、时间处理函数 4、全局注册组件 5、局部注册组件 6、先导入注册的组件 7、组件注册组件的大小写 8、帕斯卡命名法和短横线命名法 9、通过name属性注册组件

weixin_54048131的博客 803

Vue学习第一天:02组件基础及组件注册

<body> <div id="app"> <ly-product-list class="ly-u-ul"></ly-product-list> </div> <script src="./vue.js"></script> <script type="text/javascript"> Vue.component('ly-product', {

qq_35294985的博客 200

vue3学习6:组件的全局注册和局部注册,:deep()

vue 是一个完全支持组件化开发的框架。vue 中规定组件的后缀名是 .vue。 每个 .vue 组件都由 3 部分构成,分别是: ⚫ template -> 组件的模板结构 ⚫ script -> 组件的 JavaScript 行为 ⚫ style -> 组件的样式 其中,每个组件中必须包含 template 模板结构,而 script 行为和 style 样式是可选的组成部分。vue 中注册组件的方式分为“全局注册”和“局部注册”两种,其中: ⚫ 被全局注册的组件,可以在全局任何一个组件内使用 ⚫ 被局

weixin_43788986的博客 2533
上一篇: 全局注册和局部注册的区别
下一篇: vue-cli-介绍项目的目录结构
WhitePig.
博客等级 码龄9年 264粉丝 34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