ExtJS 2使用经验(树、表格树、RadioGroup)

ExtJS2.0开发与实践笔记[0]——初识ExtJS ExtJS2.0开发与实践笔记[0]——初识ExtJS简短的前言:随着网络技术的发展,良好的用户体验及丰富的客户端功能已成为Web程序所共同追逐的目标,并扮演非常重要的一环。基于Ajax应用思想的盛行,prototype、ext、dojo、yui、mootools等越来越多的第三方开源Javascript Library开始涌现,虽然这极大地增加了我们对web应用的扩展可能性,但同时也或多 阅读详情
1、 更改ExtJs2树的JSON数据格式
在ExtJs2中,要求的JSON格式为:
[ 
	{text:'01',children:[ 
		{text:'01-01',leaf:true}, 
		{text:'01-02',children:[ 
			{text:'01-02-01',leaf:true}, 
			{text:'01-02-02',leaf:true} 
		]}, 
		{text:'01-03',leaf:true} 
	]}, 
	{text:'02',leaf:true} 
]
然而,有的时候我们会得到如下格式的JSON:
{
	data:[ 
		{text:'01',children:[ 
			{text:'01-01',leaf:true}, 
			{text:'01-02',children:[ 
				{text:'01-02-01',leaf:true}, 
				{text:'01-02-02',leaf:true} 
			]}, 
			{text:'01-03',leaf:true} 
		]}, 
		{text:'02',leaf:true} 
	]
}
其中data对应的值就是树形需要的节点数据,我们可以修改下TreeLoader函数,如:
var loader = new Ext.tree.TreeLoader({dataUrl:''});
loader.processResponse = function(response, node, callback, scope){
	var json = response.responseText;
	try {
		var json = eval("("+json+")");
		node.beginUpdate();
		//从json中获得json数组
		var o = json["data"];
		for(var i = 0, len = o.length; i < len; i++){
            //可以在此处进行相关数据转换
			var n = this.createNode(o[i]);
			if(n){
				node.appendChild(n);
			}
		}
		node.endUpdate();
		if(typeof call == "function"){
			callback(this,node);
		}
	}catch(e){
		this.handleFailure(response);
	}
};
如果,获得的JSON中没有text等key的话,那么,可以在for循环中进行相关数据转换。
2、 ExtJs2表格树
在ExtJS2中表格树的数据格式也是有讲究的,写法也有点地方需要注意。
var grid = new Ext.tree.ColumnTree({
	id : 'grid',
	border : false,
	rootVisible : false,
	autoScroll : true,
	useArrows : true,
	checkModel : 'cascade',
	onlyLeafCheckable : false,
	root : root,
	columns : [{
	            header : "Header",
		    dataIndex : 'header',
		    sortable : true
		    },
		....
	],
	loader:new Ext.tree.TreeLoader({
		        dataUrl:'',
			uiProviders:{
			     'col':Ext.tree.ColimnNodeUI
			}
	})
});
如果如上面树中一样需要转换数据的话,那么需要在创建节点的时候在节点中添加” uiProvider”、”cls”、” iconCls”属性值。
3、 同步加载树数据问题
有一次在项目中用到了同步加载树的数据。数据得到了,但是却是怎么都显示不出树结构,找了好半天,终于发现了是由于树根节点问题。
原先根节点定义:
var root = new Ext.tree.AsyncTreeNode({text:'我是根'}); 
改后的根节点定义:
var root = new Ext.tree.TreeNode({text:'我是根'}); 
就可以了。
4、 RadioGroup获得值问题

同事在表单中用到了RadioGroup,但是却是获得不到值。上网查了些资料,重载如下代码即可获得值:

Ext.override(Ext.form.RadioGroup, {

			getValue : function() {
				var v;
				if (this.rendered) {
					this.items.each(function(item) {
								if (!item.getValue()) {
									return true;
								}
								v = item.getRawValue();
								return false;
							});
				} else {
					for (var k in this.items) {
						if (this.items[k].checked) {
							v = this.items[k].inputValue;
							break;
						}
					}
				}
				return v;
			},
			setValue : function(v) {
				if (this.rendered) {
					this.items.each(function(item) {
								item.setValue(item.getRawValue() == v);
							});
				} else {
					for (var k in this.items) {
						this.items[k].checked = this.items[k].inputValue == v;
					}
				}

			}

		});

5、 树中多选框在图标后面问题ExtJs2中,如果树节点有checkbox,checkbox会在节点的图标后面。这个相对应ExtJs4难看了。如何更改呢?首先想到的就是更改TreeNodeUI。好吧!查看代码后,发现其实只要把图标位置和checkbox位置对调就行了。然后,对调两个位置,测试发现显示出来的结果是自己想要的。但是呢,怎么都不能打上勾…..再认真看代码,发现了:

var i = this.elNode.childNodes;
this.indentNode = i[0];
this.ecNode = i[1];
this.iconNode = i[3];
var h = 3;
if (g) {
	this.checkbox = i[2];
        this.checkbox.defaultChecked = this.checkbox.checked;
	h++
}
好吧,知道了吧!它是根据顺序来的…..
所以,完整的代码如下:
Ext.override(Ext.tree.TreeNodeUI, {
	renderElements : function(e, l, k, m) {
		this.indentMarkup = e.parentNode
				? e.parentNode.ui.getChildIndent()
				: "";
		var g = typeof l.checked == "boolean";
		var c = l.href ? l.href : Ext.isGecko ? "" : "#";
		var d = [
				'<li class="x-tree-node"><div ext:tree-node-id="',
				e.id,
				'" class="x-tree-node-el x-tree-node-leaf x-unselectable ',
				l.cls,
				'" unselectable="on">',
				'<span class="x-tree-node-indent">',
				this.indentMarkup,
				"</span>",
				'<img src="',
				this.emptyIcon,
				'" class="x-tree-ec-icon x-tree-elbow" />',
				g
						? ('<input class="x-tree-node-cb" type="checkbox" ' + (l.checked
								? 'checked="checked" />'
								: "/>"))
						: "", '<img src="', l.icon || this.emptyIcon,
				'" class="x-tree-node-icon',
				(l.icon ? " x-tree-node-inline-icon" : ""),
				(l.iconCls ? " " + l.iconCls : ""), '" unselectable="on" />',


				'<a hidefocus="on" class="x-tree-node-anchor" href="', c,
				'" tabIndex="1" ',
				l.hrefTarget ? ' target="' + l.hrefTarget + '"' : "",
				'><span unselectable="on">', e.text, "</span></a></div>",
				'<ul class="x-tree-node-ct" style="display:none;"></ul>',
				"</li>"].join("");
		var b;
		if (m !== true && e.nextSibling && (b = e.nextSibling.ui.getEl())) {
			this.wrap = Ext.DomHelper.insertHtml("beforeBegin", b, d)
		} else {
			this.wrap = Ext.DomHelper.insertHtml("beforeEnd", k, d)
		}
		this.elNode = this.wrap.childNodes[0];
		this.ctNode = this.wrap.childNodes[1];
		var i = this.elNode.childNodes;
		this.indentNode = i[0];
		this.ecNode = i[1];
		this.iconNode = i[3];
		var h = 3;
		if (g) {
			this.checkbox = i[2];
			this.checkbox.defaultChecked = this.checkbox.checked;
			h++
		}
		this.anchor = i[h];
		this.textNode = i[h].firstChild
	}


});

3.7 ExtJS RadioGroup(单选按钮组) 使用及注意事项 Ext.form.RadioGroup 用于将一组的RadioBox 进行分组显示, 使用的场景比如: 不同学段(小学, 中学,高中)对应的课程。 RadioGroup 如何使用 ? RadioGroup 常使用在 Form中, 作为Form的元素之一。 RadioGroup使用的示例代码如下: { xtype: 'radiogroup', fieldLabel: '小学 ', items: [{ boxLabel: '数学', name: 'subject', inputValue: 阅读详情

相关推荐

ExtJS 2.2.1:打造富互联网应用的JavaScript库

本文还有配套的精品资源,点击获取 简介:ExtJS 2.2.1是一个旧版本的JavaScript库,用于构建富互联网应用程序。它提供了包括表格、树形视图、按钮等多种UI组件,并包含核心库文件、基础组件集、许可协议、资源文件和文档。尽管较旧,它仍能支持响应式设计、数据绑定和布局管理。开发者可以通过查看版本变更记录和示例代码来了解如何使用和优化项目。对于需要依赖此版本的开发者,...

weixin_42594419的博客 1523

extjs Ext.form.RadioGroup单选按钮组件学习

⭐️来自很多年前的extjs笔记,只是一个归档,不做更新!⭐️

西京刀客 2334

ExtJS 2.3.0框架深度解析与实战应用

本文还有配套的精品资源,点击获取 简介:ExtJS是一种强大的JavaScript富客户端框架,用于构建交互式Web应用程序。本简介详细介绍了ExtJS 2.3.0版本的核心特性,包括组件系统、数据绑定、布局管理、Ajax通信、表单处理、拖放功能、主题和皮肤、事件处理、工具栏和菜单以及图表和图形。这些特性使得ExtJS 2.3.0成为数据驱动应用程序开发的优选。通过实践项目...

weixin_35756130的博客 1429

Extjs radiogroup

new Ext.form.RadioGroup({     fieldLabel : "性别",     allowBlank : true,     width:400,     boxMaxWidth:200,     name : "sextest",     items:[{boxLabel:'男',value:'jishi'},{boxLabel:'女',value:'yuyue'}] 

zhaoweixs的专栏 1065

EXT JS 2.3框架示例深入解析

EXT JS是一个功能强大的JavaScript框架,它基于HTML5和CSS3构建丰富的互联网应用程序。作为Sencha家族的重要成员,EXT JS在易用性、功能丰富度以及对跨平台的支持上都有出色表现。在现代前端开发中,组件化是一种将界面拆分为独立、可复用组件的方法,这些组件能够独立开发、测试,最终拼合成完整的用户界面。组件化的重要性在于其能够提升开发效率、提高代码的可维护性以及降低系统的复杂度。组件化能够带来以下几点好处:可复用性。

weixin_42327217的博客 1013

飞塔防火墙CVE-2022-40684漏洞复现:手把手教你搭建靶场环境(附调试技巧)

本文详细指导如何搭建Fortinet飞塔防火墙CVE-2022-40684认证绕过漏洞的靶场环境,涵盖虚拟机部署、网络配置、调试模式开启及漏洞原理分析。通过手把手教程,读者可掌握漏洞复现与深度调试技巧,深入理解该认证绕过漏洞的利用与防御。

h6i7j8的博客 695

ExtJs的radiogroup的使用

/** * 支付渠道管理详细 * * @param {} * title * @param {} * record * @param {} * readonly * @param {} * store */ function showConnCfgDetail(title, record

孤雁是天的寂寞 4761

XGBoost算法案例 - 红酒品质分类

数据集共包含 11 个特征,共计 3269 条数据. 我们通过训练模型来预测红酒的品质, 品质共有 6 个各类别,分别使用数字: 0、1、2、3、4、5 来表示。

YIAN爱学习的博客 449

深入浅出ExtJs(第2版)读书笔记(2)

第2章 EXT框架基础 2.1  Ext的事件和类 Text事件分为两种类型:自定义事件和浏览器事件 2.1.1    自定义事件 所有继承自Ext.util.Observable类的控件都可以支持事件。 下面通过继承Ext.util.Observable来实现一个支持事件的对象,实现过程如代码清单2-1所示。 程序的效果就是在浏览器上显示三个按钮,当你点击不同的按钮时,会触发不同

默然说话 3501

ANSYS接触分析实战:从法兰连接案例看接触刚度与穿透容差的黄金搭配

本文以法兰连接为实战案例,深入解析了ANSYS接触分析中接触刚度(FKN)与穿透容差(FTOLN)的参数设置策略。通过系统性敏感性分析,揭示了这对关键参数的博弈关系与调优逻辑,旨在帮助工程师在保证计算收敛的同时,获得高精度的有限元分析结果,有效解决工程中的非线性接触难题。

moon9的博客 312

避坑指南:合宙Air780EG阿里云一型一密连接时,为什么你的HmacMD5加密总失败?

本文针对合宙Air780EG模组连接阿里云物联网平台时,HmacMD5签名失败的常见问题提供深度解决方案。详细剖析了签名拼接格式、密钥使用、随机数处理及编码大小写等关键陷阱,并结合STM32嵌入式开发环境,给出了串口调试、分步验证及AT指令链路的实用排错技巧,帮助开发者顺利完成一型一密动态注册。

kiwi8的博客 440

ExtJS2.0实用简明教程 - ExtJS简介

ExtJS是一个Ajax框架,是一个用javascript写的,用于在客户端创建丰富多彩的web应用程序界面。ExtJS可以用来开发RIA也即富客户端的AJAX应用,下面是一些使用ExtJS开发的应用程序截图: (wlr的blog应用) (ExtJS的表格控件) (不同主题的ExtJS弹出框效果)   ExtJS是一个用javascript写的,主要用于创建前端用户界面,是...

weixin_34309435的博客 246

Nexys4DDR+OV7670实现图像灰度显示系统嵌入式

通过对硬件平台的准备、Vivado工程配置、OV7670驱动程序的编写、图像灰度处理算法的设计以及系统集成与测试,我们成功实现了一个基于嵌入式系统的图像处理应用。当系统运行时,OV7670摄像头模块将采集到的图像传输到FPGA芯片中,然后通过图像灰度处理算法将彩色图像转换为黑白图像,并在显示设备上进行显示。OV7670摄像头模块的驱动程序是实现图像采集的核心。以上代码中,我们使用了Xilinx提供的XGpio和Xil_In32函数来进行OV7670摄像头数据的读取和GPIO的初始化。OV7670驱动程序。

WangWEel的博客 337

radiogroup多选_extjs 单选组:RadioGroup、复选组:CheckBoxGroup]

1 2 3 4 5 6 7 8 9 10 11 12 .x-form-unit13 {14 height: 22px;15 line-height: 22px;16 padding-left: 2px;17 display: inline-bloc...

weixin_30960995的博客 523

(功能安全六)硬件FMEDA计算

FMEDA(故障模式、影响与诊断分析)是功能安全验证的核心方法,通过量化分析硬件故障模式及其影响,计算SPFM、LFM、PMHF等关键指标。分析过程包含六大步骤:计算元器件失效率、识别故障模式、评估安全机制诊断覆盖率、分类计算各类失效率、量化指标计算及设计优化。输入需要系统架构图、硬件故障模式清单等资料,输出安全指标达标情况及改进建议,确保设计满足ASIL等级要求。该方法通过系统化的故障分类和量化评估,为硬件安全设计提供科学依据。

Dayongger的博客 1449

Yolov8轻量级网络:Ghostnet、G_ghost、Ghostnetv2家族大作战(一):华为Ghostnet,超越谷歌MobileNet | CVPR2020

Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等,减少最新的深度神经网络的计算成本,引入高效的神经网络结构。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 2566

ExtJS2.0实用简明教程

ExtJS2.0实用简明教程 一、         《ExtJS2.0实用简明教程》之ExtJS简介ExtJS是一个Ajax框架,是一个用javascript写的,用于在客户端创建丰富多彩的web应用程序界面。ExtJS可以用来开发RIA也即富客户端的AJAX应用,下面是一些使用ExtJS开发的应用程序截图:(wlr的blog应用)(ExtJS的表格控件)(

cchheennhhaaoo119的专栏 6640

【异常】解决 Cursor 报错 Unexpected seqno: 2 != 1. Please try again, or contact support if the issue 的排坑指南

在使用 Cursor 辅助编程时,你是否遇到过 AI 突然中断输出,并在右下角弹出一个红色的 Network Error 弹窗?今天我们就来彻底解析并解决这个网络断连问题。

奶爸的编程之路,也就一周冷个三天 2470

ExtJs6.0之RadioGroup的使用

RadioGroup基本使用 官方文档传送门:http://docs.sencha.com/extjs/6.0.0/classic/Ext.form.RadioGroup.html 新建radio项数组 authType = 1; var typeItems = [ { boxLabel: '角色', name: 'authType', inputValue: '1', c...

飞鸟的轨迹 1377

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

ExtJS2.0开发与实践笔记[1]——ExtJS中的Dialog与Form

ExtJS2.0中提供了一整套的web表示层UI解决方案,令我们可以非常轻易的实现平时较为复杂的javascript操作,在此我以表示层开发中使用较多的Dialog与Form功能进行一次ExtJS2.0的实现演示。ExtJS2.0的配置及运行方式请参阅 ExtJS2.0开发与实践笔记[0]-初识ExtJSDialogExt.js (此中包含了ExtJS的确定,分支选择,进度条,输入框等四个应用实例

【Java究竟怎么玩?】 1万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

ExtJS 2.0入门指南

v/:* {behavior:url(#default#VML);}o/:* {behavior:url(#default#VML);}w/:* {behavior:url(#default#VML);}.shape {behavior:url(#default#VML);}Normal07.8 磅02fals

643

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")

ExtJS2.0实用简明教程——Panel

 面板Panel是ExtJS控件的基础,很高级控件都是在面板的基础上扩展的,还有其它大多数控件也都直接或间接有关系。应用程序的界面一般情况下是由一个一个的面板通过不同组织方式形成。面板由以下几个部分组成,一个顶部工具栏、一个底部工具栏、面板头部、面板尾部、面板主区域几个部分组件。面板类中还内置了面板展开、关闭等功能,并 提供一系列可重用的工具按钮使得我们可以轻松实现自定义的行为,面板可以放入其它任

小肖的专栏 920

无废话ExtJs 入门教程十[单选组:RadioGroup、复选组:CheckBoxGroup]

继上一节内容,我们在表单里加了个一个单选组,一个复选组: 1.代码如下: 1 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> 2 <html xmlns="http...

weixin_30445169的博客 225

Ext radiogroup控件使用

Ext radiogroup控件使用方式,传值和选中值 xtype: 'radiogroup', fieldLabel: '是否推荐', padding:'10 10 10 0', width:200, labelAlign:'right', items: [ {boxLabel: '是', inputValue: 1,name:'recomandStatus'}, {

-花花程序圆 2436
上一篇: Office2007文件在IE8下,下载为zip文件
下一篇: MVC模式基本理解
HingKwan
博客等级 码龄17年 51粉丝 86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