Flux 的使用流程

Flux是一个用于构建React应用的架构思想,主要通过flux工具进行实现。其核心流程包括:安装flux,创建store目录和index.js,store负责数据存储和视图更新。用户交互触发actionCreators中的方法,通过dispatcher发送actions。组件通过订阅store事件,在特定生命周期内如componentWillMount或componentDidMount中响应数据变化,更新state。难点在于确定事件发布的合适位置和订阅时机,通常在用户操作时订阅并在组件生命周期内更新state。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  1. 要想使用FLux架构思维,需要通过一个工具进行使用, 这个工具就是flux
  2. 安装 flux
    $ yarn add flux
  3. 在src目录下 新建store目录,里面新建index.js
    • store有两个功能
      • 存储数据
      • 当数据发生改变时,视图要进行更新 ( 当前组件中的state发生了改变,从新从store中获取数据,要想重新复制,那么要通过事件的发布,订阅 )
    // store/index.js

    const EventEmitter = require( 'events' ).EventEmitter

    const store = {
      ...EventEmitter.prototype,
      state: {
        count: 0
      },
      getState () {
        return this.state
      }
    }
    export default store 
  1. 将store中的数据显示在组件(视图)中
  import store from './store'

  class xxx extends React.Component{
    constructor () {
      super()
      this.state = {
        count: store.getState().count
      }
    }

    render () {
      return (
        <div>
          <p> { this.state.count } </p>
        </div>
      )
    }
  }
  1. 用户操作,用户点击按钮,执行当前组件中的方法,这个方法的逻辑实际上是actionCreators中的方法

  2. 创建actionCreators.js

    • actions的发送要通过dispatcher来发送
    
        import * as type from './type'
        import dispatcher from './dispatcher';
        const actionCreators = {
          increment () {
            // 创建动作
            let actions = {
              type: type.INCRMENT
            }
            // dispatcher来通过dispatch  发送actions
            dispatcher.dispatch( actions )
          }
        }
    
        export default actionCreators
    
    
  3. 创建dispatcher.js

      import { Dispatcher } from 'flux';
      import * as type from './type'
      import state from './state'
      const dispatcher = new Dispatcher()
    
      // dispatcher.register( callback )
    
      dispatcher.register( ( actions) => {
        switch ( actions.type ) {
          case type.INCRMENT:
              // 用户操作了
              state.count++
            break;
        
          default:
            break;
        }
      })
    
      export default dispatcher
    
  4. 通过store的事件的发布和订阅进行 当前组件中 state 的重新赋值

  • 当我们点击按钮时,要通过store的事件的订阅给当前组件的state重新赋值,要想这样做,我们必须进行事件的发布
  • 难点: 这个事件的发布往哪里写?
  • 组件的生命周期中,数据可以进行一次修改的可以往 componentWillMount // componentDidMount
  • 难点: 这个事件的订阅那里写?
  • 当我们点击按钮的时候,就要修改当前组件的state,也就是要进行事件的订阅
  import React from 'react';
  import logo from './logo.svg';
  import './App.css';

  import store from './store'
  import actionCreators from './store/actionCreators';

  class App extends React.Component {
    
    constructor () {
      super()
      this.state = {
        count: store.getState().count
      }
    }

    increment () {
      actionCreators.increment()
      store.emit('count')
    }

    componentDidMount () {
      store.on('count', () => {
        this.setState({
          count: store.getState().count
        })
      })
    }

    render () {
      return (
        <div>
          <h3> flux </h3>
          <button onClick = { this.increment }> + </button>
          <p> count: { this.state.count } </p>
        </div>
      )
    }
  }

  export default App;

Flux 的使用流程图
在这里插入图片描述

### Flux模型的使用方法与实现过程 #### 使用Flux模型的基础流程 Flux模型是一种高度集成化的AI绘画工具,能够直接应用于Stable Diffusion Web UI (SDWebUI),并提供多种功能模块以满足不同需求。以下是关于如何使用和实现Flux模型的具体说明: 1. **环境准备** 需要先安装Stable Diffusion Web UI框架作为运行平台[^2]。确保本地环境中已配置好CUDA驱动程序以及PyTorch等相关依赖库。 2. **加载Flux基础模型** 如果采用的是完整的Flux基础模型文件包,则该版本已经内置了VAE(Variational Autoencoder)组件与Text Encoder部分,因此无需额外指定这些参数即可正常启动[^2]。对于仅包含Unet网络结构的情况,则必须手动挑选合适的VAE及文本编码器组合才能完成初始化设置。 3. **Canny边缘检测插件的应用** 在实际操作过程中存在两种主要途径可以利用Canny算法生成线稿风格图片:一种是单纯依靠大规模预训练好的通用型Flux主干网路来进行推理预测;另一种则是借助轻量化LoRA(低秩适应层)技术微调后的特定领域专用子模型——即"Canny LoRA"[^1]。两者区别在于后者经过专门针对草图转换任务定制化调整过后,在保持原有高质量视觉表现的同时还能有效降低计算资源消耗水平。 4. **具体实施步骤** - 打开SDWebUI界面后上传目标素材照片; - 调整各项超参数值比如步数、引导强度等等直至满意为止; - 当选用常规模式时只需简单勾选对应选项卡便可触发基于传统方法论下的轮廓提取机制作用于输入源之上从而形成初步结果展示出来供后续编辑处理之需; - 若倾向于尝试更加高效节能的新颖解决方案则推荐切换至高级自定义区域寻找有关canny_lora的相关条目激活关联特性进而达成预期目的. ```python from diffusers import StableDiffusionPipeline, EulerAncestralDiscreteScheduler import torch model_id = "path_to_your_flux_model" scheduler = EulerAncestralDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler") pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler).to("cuda") prompt = "a beautiful landscape painting with mountains and rivers under the sunset sky." image = pipe(prompt=prompt).images[0] image.save("./output_image.png") ``` 以上代码片段展示了怎样通过Python脚本形式调用预先下载完毕存放在本地磁盘上的Flux权重档案来执行文字转图像的任务实例. --- #### 实现细节探讨 从更深层次角度来看待整个系统的运作原理方面涉及到以下几个关键技术要点: - 流匹配训练策略提升了收敛效率同时也增强了泛化性能使得即使面对复杂场景也能稳定输出清晰锐利的画面效果[^3]. - 多模态融合架构允许同时接收来自多个感官通道的信息反馈综合考量之后再作出最终决策提升整体智能化程度. - ControlNet系列工具链赋予用户极大的灵活性可以根据个人喜好自由设定各类条件约束项例如但不限于姿态估计、深度映射等领域内的专业知识指导计算机理解真实世界物体间相互关系规律以便更好地模拟再现人类思维逻辑过程中的创造性活动特征.
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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