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
3.8k累计阅读
3.9k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
QListWidget的currentRow属性保存当前项的位置，为整型，从0开始计数，在某些选择模式下，当前项可能也是选中项。
currentRow属性可以通过方法currentRow()、setCurrentRow(int row)、setCurrentRow(int row, QItemSelectionModel.SelectionFlags command)进行访问和设置。
关于QItemSelectionModel.SelectionFlags的取值请参考《PyQt（Python+Qt）学习随笔：Mode/View中的枚举类 QItemSelectionModel.SelectionFlag取值及含义》。
当当前项发生变化时，QListWidget会发射信号
currentRowChanged(int currentRow)。
PyQt学习随笔：使用Python获取QListWidget中指定行对应项的item方法
在initUI()方法中，我们设置了窗口的标题和尺寸，并创建了一个垂直布局。然后，我们实例化了一个QListWidget和一个QPushButton，将它们添加到布局中。如果有选中的项，我们遍历选中的项并打印它们的文本。接下来，我们将创建一个简单的GUI应用程序，包含一个QListWidget和一个QPushButton。选择一个或多个项，然后点击按钮，你将在控制台中看到所选项的文本。最后，在主程序中，我们创建了一个QApplication实例，实例化了MyApp类，并显示窗口。
QTableWidget中的currentRow的一个误区（currentRow是当前所选中的item的所在行）
自己想要实现一个功能：在QTableWidget表格中插入数据，希望是按照“顺序”插入（即越先插入的越占在上面的行数）。 然后我看见QTableWidget对象中有currentRow这个函数，粗略的看列下官方的解释，“返回一个当前item的行数” 然后我就迅速YY，当前item的行数？ 因为我知道刚开始QTableWidget中一行都没有的时候，currentRow是-1（我自己实验看到的） 所以，我就顺势想着，随着行数不断地增多，currentRow应该是递增才对，一行都没有的时候是-1,新增一行之
VSCODE编辑+EIDE插件调试+STM8_Debug插件调试+IAR_STM8工具链编译开发项目
1. 安装 在VS CODE安装EIDE、STM8-Debug插件 2. 使用 EIDE 创建一个 8/16 Bit MCU 项目 新建虚拟文件夹，把工程外部的文件添加进虚拟文件夹，实现工程和源文件之间的关系，而不用实际把源文件复制到工程目录下。 EIDE工程和源文件实现分开放置，EIDE（EIDE工程）、EWSTM8（IAR STM8工程）、Project（ST Visual Develop工程） 选择工具链 烧录工具选择 头文件包含目录 添加宏定义 3. 编译 4. 使用STM8
Qt QListWidget setCurrentRow无效
前言 最近在项目中用到QListWidget，将一些数据日志用QListWidget显示。QListWidget数据是一定时间段内是实时刷新的（会一直addItem）, 每次刷新显示最新添加的数据。 添加数据并设置当前项（无效） QString text = QString::fromLocal8Bit("TestRow%1").arg(ui->listWidget->count()); ui->listWidget->addItem(text); ui->lis.
基因家族的鉴定-基于Windows系统上的HMMER
基因家族的鉴定-基于Windows系统上的HMMER。
C++ 程序稳定运行一段时间后异常中止？vc6 运行库的bug!!!
事件查看器提示：错误应用程序 xxxxxxx.exe，版本 0.0.0.0，错误模块 MSVCRTD.DLL，版本 6.0.9782.0，错误地址 0x00012b40。这是一个通信方面的软件，需要长期运行，在压力测试时，高负荷连续运行一定天数时必定崩溃，而且都是在msvcrtd.dll中崩溃。后来在dump文件中发现调用栈在是MSVCRTD.DLL模块，跟踪代码发现是在void * __cdecl _heap_alloc_dbg( size_t nSize, int nBloc
QCompleter的currentRow方法
QCompleter的currentRow方法返回当前在完成列表中被选中的行的编号。如果没有选中的行，则返回-1。这个方法可以帮助您确定用户当前选择了哪个完成建议。 例如，假设您使用QCompleter来完成输入字段中的文本，并且您想在用户选择完成建议时更新应用程序的状态。您可以使用currentRow方法来确定用户选择了哪个完成建议，然后使用这个信息来更新应用程序的状态。 当前行可以通过使用se...
Python开发者必看：5分钟搞定Gemini API的3种调用方式（含代码示例）
本文为Python开发者详细介绍了三种高效调用Gemini API的核心方式：基础同步调用、流式调用和聊天模式，并涵盖多模态应用等高级特性。通过清晰的代码示例和实战场景分析，帮助开发者快速掌握Gemini API的集成与优化，提升AI应用开发效率。
PyQt（Python+Qt）学习随笔：QListWidget的信号简介
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 不含继承信号，QListWidget自身的信号包括如下： currentItemChanged(QListWidgetItem current, QListWidgetItem previous)信号 当列表部件中的当前项发生变化时发射，带两个参数，分别表示当前选择项和在此之前的选择项。 ...
【openEuler容器镜像部署指南】
【代码】【List集合排序 】
Auto.js凉了之后，我们该用啥？AutoX.js保姆级环境搭建与第一个脚本实战（2024最新）
本文详细介绍了AutoX.js作为Auto.js替代方案的环境搭建与脚本开发实战指南。从技术生态现状分析到2024最新环境配置，再到编写第一个实用脚本和进阶调试技巧，帮助开发者无缝迁移至AutoX.js平台。特别适合需要手机自动化的JavaScript开发者，涵盖从基础到企业级应用的全套解决方案。
PyQt（Python+Qt）学习随笔：QListWidget插入项的insertItem方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 在QListWidget对象中，插入一个项的方法是调用insertItem方法，insertItem方法有2种重载方式，分别语法如下： insertItem(int row，str label ) 该方法直接在列表部件QListWidget对象的列表指定位置插入一个文本内容为参数指定值的项，...
避坑指南：SAP成本中心分割结构配置常见错误及解决（含KA06/KL01前置步骤）
本文深入解析了SAP成本中心会计中分割结构配置的关键步骤与常见错误。重点强调了配置前必须通过KA06创建次级成本要素（类别42）和通过KL01创建活动类型这两个核心前置步骤，并详细剖析了在OKES中定义分割规则及版本时的高频报错原因与解决方案，帮助顾问和运维人员有效规避配置陷阱，确保成本分摊的准确性。
PyQt（Python+Qt）学习随笔：QListWidget的访问当前项的currentItem和setCurrentItem方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 currentItem方法返回列表部件当前选择的项，setCurrentItem方法用于设置当前项。语法如下： QListWidgetItem currentItem() setCurrentItem(QListWidgetItem item) setCurrentItem(QLi...
《嵌入式-STM32开发指南》第三部分 外设篇 - 第2章 温度传感器DS18B20
2.1 理论分析 2.1.1概述 DS18B20 是 DALLAS 最新单线数字温度传感器，新的"一线器件"体积更小、适用电压更宽、更经济。Dallas 半导体公司的数字化温度传感器 DS1820 是世界上第一片支持 "一线总线"接口的温度传感器。 DS18B20采用的单总线协议，也就是只需占用主机一个I/O口，无需其他外围电路，直接将环境温度转换为数字信号，使用户可轻松地组建传感器网络，为测量系统的构建引入全新概念。另外，以"一线总线"的数字方式传输，大大提高了系统的抗干扰性。适合于恶劣环境的现场温度测量
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
第15.26节 PyQt(Python+Qt)入门学习：Model/View架构中的便利类QListWidget详解
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 一、概述 列表部件（List Widget）对应类QListWidget，是从QListView派生的类，用于显示一些数据的列表，不支持多层级数据的显示。QListWidget显示的数据项都通过QListWidgetItem构建。 QListWidget是一个便利类，它提供了一个类似于QList...
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
PyQt（Python+Qt）学习随笔：QListWidget查找项的findItems方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 QListWidget列表部件的findItems方法用于查找列表部件是否有满足条件的项，调用语法如下： list findItems( str label, Qt.MatchFlags flag) findItems用于列表部件中查找文本内容与label参数匹配的项，查找过程的匹配模式由fl...
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")
PyQt（Python+Qt）学习随笔：QListWidget的sortingEnabled属性
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 QListWidget的sortingEnabled属性用于控制列表部件中的项是否可以排序，如果为True则可以排序，否则不能排序。 可以通过方法isSortingEnabled() 和setSortingEnabled(bool enable)访问或设置该属性。 老猿Python，跟老猿学P...
PyQt（Python+Qt）学习随笔：QListWidget的addItem方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 在QListWidget对象中，增加一个项的方法是调用addItem方法，addItem方法有2种重载方式，分别语法如下： addItem(str ) 该方法直接在列表部件QListWidget对象的列表尾部增加一个文本内容为参数指定值的对象，不用单独构建QListWidgetItem对象。...
PyQt（Python+Qt）学习随笔：QListWidget对项进行排序的sortItems方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 QListWidget的sortItems方法用于对列表部件中所有项按参数进行排序，相关调用语法如下： sortItems(Qt.SortOrder order = Qt.AscendingOrder) 枚举类型Qt.SortOrder用于指定排序是按升序排序还是降序排序，取值及含义如下： ...
PyQt（Python+Qt）学习随笔：QListView的layoutMode属性和batchSize属性
QListView的layoutMode属性用于控制
Pyqt5，QListWidget中添加QCheckBox并实现多选
Pyqt5，QListWidget中添加QCheckBox并实现多选实现效果图新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出...
PyQt（Python+Qt）学习随笔：QListWidget获取当前选中项的selectedItems方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 QListWidget的selectedItems方法返回列表部件中所有选中项的一个列表，调用语法如下： list selectedItems() 返回列表中的每个元素就是一个QListWidgetItem对象，如果没有选中项，则返回空列表。 老猿Python，跟老猿学Python! 老...
PyQt（Python+Qt）学习随笔：QListWidgetItem的构造方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 QListWidgetItem对象专门用于作为QListWidget对象的一个项。 QListWidgetItem有四个构造方法，分别如下： QListWidgetItem(parent: QListWidget = None, type: int = QListWidgetItem.Ty...
PyQt（Python+Qt）学习随笔：QListWidget获取指定位置对应项的itemAt方法
老猿Python博文目录 专栏：使用PyQt开发图形界面Python应用 老猿Python博客地址 itemAt方法根据参数给定位置返回列表部件中的项。对应语法如下： QListWidgetItem itemAt(QPoint p) QListWidgetItem itemAt(int x, int y) 注意：位置对应坐标是相对列表部件的视口的，关于视口请参考《PyQt(Python+Qt...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
618
扫一扫
