墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
269平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
QGraphicsItem是Qt图形框架中的一个关键类，用于在图形场景中表示和管理图形项。它提供了许多功能，包括位置管理、变换、事件处理等。在某些情况下，我们可能需要将多个图形项组合在一起，以便一起进行操作或管理。为了实现这个目的，Qt提供了图形项分组的功能。
图形项分组允许我们将多个图形项捆绑在一起，形成一个单独的组。这个组可以被视为一个整体，可以进行移动、变换、事件处理等操作。对于复杂的图形场景，图形项分组可以提高代码的可维护性和可读性。
下面是一个示例代码，演示了如何使用QGraphicsItem分组来管理一组图形项：
#include <QGraphicsItemGroup>
#include <QGraphicsEllipseItem>
#<QT的QGraphicsItemGroup类的使用
详细说明 QGraphicsItemGroup类提供了一个容器，该容器将一组项目视为单个项目。 QGraphicsItemGroup是复合项目的一种特殊类型，它将自身及其所有子项视为一个项（即，所有子项的所有事件和几何都合并在一起）。当用户希望将几个较小的项目分组为一个大项目时，通常在演示工具中使用项目组，以简化项目的移动和复制。 如果只想将项目存储在其他项目中，则可以通过将合适的父级传递给setParentItem（）来直接使用任何QGraphicsItem。 QGraphicsItemGroup的bou
使用QGraphicsItemGroup类的方法和示例
QGraphicsItemGroup类是Qt图形框架中的一个重要类，它允许我们将多个图形项组合在一起，形成一个单独的可管理的组。然后，您可以使用QGraphicsItemGroup类提供的方法对组进行各种操作，如移除图形项、清空组、获取边界矩形以及平移、旋转和缩放等。上述示例代码创建了一个包含椭圆和矩形图形项的组，并对组进行了平移、旋转和缩放操作。可以使用QGraphicsItemGroup类提供的各种方法对组进行操作，例如平移、旋转和缩放等。使用QGraphicsItemGroup类的方法和示例。
让QGraphicsItemGroup中的子项处理自己的事件
QGraphicsItemGroup子项处理事件的原理是，重写QGraphicsItemGroup的sceneEventFilter()函数，通过过滤器的方式将事件传递给子项进行处理。下面是一个简单的例子，演示如何通过重写QGraphicsItemGroup的sceneEventFilter()函数来实现让子项处理自己的事件。这种方式在多个子项中共享事件处理代码时非常有用，可以避免在每个子项中都重复编写相似的处理代码，提高代码的重用性和维护性。让QGraphicsItemGroup中的子项处理自己的事件。
QGraphicsItem 分组
QGraphicsItem 支持很多特性，例如：鼠标、键盘事件、拖放、分组、碰撞检测等。
Android 导出aar 用于Unity 百度语音唤醒
AndroidStudio版本下载地址Android Studio Arctic Fox Unity版本2021.3.26f1c1 新建AndroidStudio工程 新建module 这里注意一下，网上很多教程说要注意包名要和unity一样，但是测试下来，不一样也可以的 在新建的module里添加这两个jar包，并点击右键add as library 导入jniLibs 右键创建这几个package 代码就安装这个大佬的写参考代码 需要注意的的是在WakeupListener脚本里U
Proxmox VE网络配置踩坑实录：从Web界面无法访问到完美修复的全过程
本文详细记录了Proxmox VE服务器Web界面无法访问的完整排查与修复过程。作者从基础网络连通性测试入手，逐步排查了服务状态、SSL证书、端口监听、防火墙规则及网关配置，最终定位并解决了问题。文章提供了系统性的故障排查思路和实用的修复命令，对管理Proxmox VE网络具有重要参考价值。
从零到一：基于GeneMark-ES/ET的新基因组注释实战指南
本文提供了一份基于GeneMark-ES/ET的新基因组注释实战指南。详细介绍了从环境搭建、数据准备到核心运行的全流程，重点解析了ES（从头预测）与ET（结合RNA-Seq证据）两种模式的选择与操作，并分享了Perl模块依赖、并行处理等常见问题的解决方案，帮助生物信息学研究者高效完成基因预测工作。
100天精通Python（爬虫篇）——第114天：爬虫基础模块之requests基础入门
一、request模块大总结 1. 下载安装 2. 常用属性或方法 3. response.text和response.content的区别: 4. 发送带headers参数请求 5. 发送带参数请求 6. 在headers参数中携带cookie 7. 超时参数timeout的使用 8. proxies代理参数的使用 9. 发送post请求...............
R语言Dunnett’s检验实战：寻找差异组之间的效果
总结起来，本文以R语言为工具，演示了如何使用Dunnett’s检验来找出单因素方差分析中不同组之间的效果差异。在本篇文章中，我们将通过R语言实战演示如何使用Dunnett’s检验来寻找不同组之间的效果差异。在分析结果时，通常我们会关注具有显著差异的组别，并基于Dunnett’s检验结果进行进一步的解释和讨论。首先，我们需要准备一组数据，假设我们有一个实验，涉及到四个不同的处理组和一个对照组。当我们发现方差分析结果显示存在显著差异时，我们可以进一步进行Dunnett’s检验来确定具体哪些组之间存在差异。
飞牛fnNAS同步微信微信聊天记录
微信聊天记录如何备份到NAS？本文介绍了利用NAS虚拟机和同步工具实现微信记录自动备份的方法。通过在NAS上搭建"云电脑"长期运行微信PC端，并配置微力同步将聊天记录文件夹自动同步到NAS存储，解决了传统电脑备份的安全性问题。操作步骤包括：1)在NAS上安装虚拟机系统；2)登录微信PC端并同步手机记录；3)配置同步工具将微信记录文件夹同步到NAS。该方法尤其适合不常使用PC微信的用户，可实现记录永久保存和远程查看，更换手机时也能快速恢复历史记录。
LoRa无线通信技术介绍（六）SX127X芯片收发程序讲解
接收LORA芯片SX127X的收发程序。
几款开源的自动驾驶仿真平台项目
它被开发为一个虚幻的插件，可以简单地放到任何你想要的虚幻环境中。第一类是基于合成的数据，对环境、感知及车辆进行模拟，这里的感知大多数是图像层面的感知，这类模拟器主要用于感知、规划算法的初步开发上，Carla、AirSim、Udacity self-driving car simulator就属于这类；第二类是基于真实数据的回放，这里的真实数据包括图像、lidar、radar等各种传感器的数据，这类模拟器主要用于测试无人驾驶中信息融合算法以及车辆不同部件的性能，Apollo和Autoware就属于这类。
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
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
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');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
3800
扫一扫
