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
400+累计阅读
467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
图形用户界面（Graphical User Interface，简称 GUI，又称图形用户接口）是指采用图形方式显示的计算机操作用户界面。
下面我们介绍AWT和 Swing两种GUI工具
AWT(Abstract Windowing Toolkit)，中文译为抽象窗口工具集，是Java提供的用来建立和设置Java的图形用户界面的基本工具。
AWT由Java中的java.awt包提供，里面包含了许多可用来建立与平台无关的图形用户界面(GUI)的类，这些类又被称为组件(components)。AWT是通过调用操作系统给的native方法实现的，所以Windows上显示的AWT的窗口是windows风格，而在Linux下显示的Xwindows风格。
swing组件都是从awt组件上继承来的，由纯java实现，不依赖于操作系统，在不同平台显示相同，所以组件多，功能强大
androidGUI应用
不错的gui综合应用，可以多多学习。值得好好看看不错的gui综合应用，可以多多学习。值得好好看看
JAVA入坑之GUI编程
AWT是Java提供的用来建立和设置Java的图形用户界面的基本工具，它提供了一套与本地图形界面进行交互的接口12。AWT的图形函数与操作系统提供的图形函数有着一一对应的关系，也就是说，当使用AWT时，Java程序会调用操作系统的图形函数来绘制界面每类事件都有对应的事件监听器，AWT一共10类事件，11个接口。
【RTOS】 Vxworks 653 第一章 —— 初识 vx653 3.x
。。不是很重要，自己搜吧鲁棒分区是一种确保共享计算资源中独立运行功能实现时空隔离的机制，其目标是为集成模块中的混合临界性应用提供与联邦式部署（federated implementation）同等级别的功能隔离保障。具体表现为：多关键性共存：支持不同安全等级应用（如飞控系统A级与娱乐系统D级）在同一模块中协同运行。抗干扰能力：防止未授权或意外的时空干扰（如内存越界、时间窗口冲突），确保应用间互不影响。。
Java GUI编程（图形用户界面编程）
GUI（Graphical User Interface）即图形用户界面，是指采用图形方式显示的用户界面。为程序提供了图形界面，方便用户操作javax.swing包中提供了出许多的图形组件。
五分钟搞懂游戏开发中的抗锯齿算法
常见抗锯齿算法总结锯齿由来抗锯齿算法SSAAMSAACSAA 锯齿由来 场景的定义在三维空间中是连续的，而最终显示的像素则是一个离散的二维数组，这是计算机屏幕产生锯齿的原因。在计算机处理图形的过程中（渲染管线了解一下），有一个非常重要的阶段，就是光栅化，光栅化主要的作用是将顶点数据的不连续性通过插值计算，将两个顶点之间不存在的点进行弥补，然后实现到屏幕像素点上的一一映射。如图，现在要在屏幕上绘制一...
QuickFix Java 讲解（一）概述、下载方法，和协议内容
本系列力求手把手教你怎样利用QuickFix Java 搭建自己的 FIX 协议收法平台，以及其中的注意事项。 所有源码的地址（免费）： https://github.com/zongzhec/QuickFixPractise 1. 什么是FIX，QuickFix，Quick Java？ 1.1. 什么是FIX 官网以及其他翻译自官网的帖子都太官方了，这里我们设想一个情景： 你是一个交易员，现在客户打电话来让你下个单买点股票。你啪啪啪的在你的机器上熟练地输入了下单指令。系统显示：成...
JavaGUI编程
Java中的图形界面在布局管理上采用容器和布局管理相分离的方案，也就是说容器只是把组件放进来，但它不管怎样放置。到目前 为止，我们编写的图形用户界面程序都仅仅只是完成了界面，而没有任 何实际的功能，要实现相应的功能，必须进行事件处理；把组件放在一排，从左到右排放，一行占满后，重新开启一行。当前我们要关注的并不是“事件是如何产生的” ，而是讨论当发生事件 后，我们应当“如何处理”。总共有5个区域，每个全用于可以放置一个组件，并且占满整个区域，添加组件时可以指定组件位置，如果不指定，默认添加到中间区域。
树莓派部署Home Assistant：打造本地化智能家居大脑
家庭自动化旨在通过技术提升居住便利性与舒适度，其核心在于中枢控制系统对各类设备的统一调度。传统云端方案虽部署简便，但存在隐私泄露、网络依赖与生态壁垒等固有缺陷。本地化部署通过将控制逻辑与数据存储于家庭内部网络，从根本上解决了这些问题，实现了数据自主、离线可用与跨品牌联动。Home Assistant作为领先的开源家庭自动化平台，结合树莓派这一低功耗、高性价比的硬件载体，为构建私有、可靠的智能家居中枢提供了成熟方案。本文以树莓派4B为例，详细阐述了从系统安装、设备集成到自动化场景创建的完整实践流程，并深入探讨
[Java基础]GUI编程
每个区域只能添加一个组件，未添加组件的区域保持空白。布局管理器(Layout Manager)它们可以决定组件在容器中的布局方式，避免了手动设置每个组件的位置和大小，从而简化了GUI设计过程。AWT(Abstract Window Toolkit ): 提供了一组原生的GUI组件，依赖于操作系统的本地窗口系统。FlowLayout 是最简单的布局管理器，它按水平方向从左到右排列组件，当一行排满时，自动换到下一行。Swing: 基于AWT，提供了更丰富的GUI组件，轻量级组件，不依赖于本地窗口系统。
el-transfer和el-tree进行结合搞一个树形穿梭框
由于业务需求需要在穿梭框里使用树形结构，但是本身element里并不支持，于是参考了别的大佬发的文章作为思路及后续自己新增了一些处理功能。
12V转5V稳压电路详细分析（7805三端稳压，LM2596稳压）
7805线性三端稳压 DCDC的意思是直流变到直流（不同直流电源值的转换），只要符合这个定义都可以叫DCDC转换器，或称之为开关电源或开关调整器。 7805属于常用的线性三端稳压器，输入电压范围不大于35V，输入输出压差2V，最大输出电流1.5A，下图为原理图，其原理简单，使 用方便，深受很多用户的喜爱。但是其不足之处就是效率低，特别是压差越大时其效率越低。比如这里12V转5V的效率为 5V/12V≈41.7%。 如上电路是最经典的7805稳压5V电路，电路中有两个电容，电容的作用如下： ...
【Java GUI 编程】初始 GUI 编程
文章目录初始 GUI1、GUI 简介2、AWT 初始 GUI 1、这是什么？ 2、它该怎么玩？ 3、该如何运用？ 需要掌握以下组件 窗口 弹窗 面板 文本框 列表框 按钮 图片 监听事件 鼠标 键盘 外挂 破解 … 1、GUI 简介 GUI(图像用户界面编程), 核心技术：Swing ，AWT 但是快被淘汰了，因为界面不美观，且需要 jre环境 但是我们为什么要学习？ 可以写出自己心中的小工具 工作时候，也可能需要维护到 swing 界面 了
别再到处找模型了！手把手教你将TI、ADI官网的SPICE模型导入LTspice（附路径避坑指南）
本文详细介绍了如何将TI、ADI官网的SPICE模型导入LTspice的全流程，包括模型获取、路径配置、符号生成等关键步骤，并提供了路径避坑指南。通过实战案例和技巧分享，帮助电子工程师高效利用外部元器件模型进行电路仿真，提升设计效率。
Java——GUI编程
摘要：Java GUI开发主要使用Swing和AWT工具包，其中Swing基于AWT构建，提供更丰富的组件和跨平台外观。Swing的核心概念包括容器（JFrame、JPanel）、组件（JButton、JLabel等）和布局管理器（FlowLayout、BorderLayout等）。GUI采用事件驱动机制，通过事件监听器处理用户交互。示例展示了如何创建简单窗口、添加组件及事件处理。开发流程包括创建容器、设置属性、添加组件、注册监听器和显示窗口。掌握这些基础后，可进一步学习复杂布局和各种事件处理机制。
【AUTOSAR-IpduM】-2.2-创建并配置一个接收RX的(Multiplexed-I-PDU)多路复用
案列背景： 在CFG中配置一个发送TX的(Multiplexed-I-PDU)多路复用Frame。 目录 1 在Arxml中创建一个发送的多路复用Frame 2 CFG导入带多路复用Frame的ARXML 2.1 CFG中提示的错误Error 2.2 如何解决CFG中提示的错误Error 3 结尾 <--返回「Autosar_BSW高阶配置」总目录--> <--返回「Autosar_BSW高阶配置」专栏主页--> <--返回「个人博客」首页--&g..
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
java GUI编程
java GUI编程 awt和swing awt:抽象窗口工具集 所属包：java.awt swing:awt的拓展，不是替换 swing继承了awt的许多类，因此使用swing类库的时候间接使用了awt类库 所属包：javax.swing component类中的常用方法： String getName() 获得组件的名称 Container getParent() 获得直接容纳该组件的容器 boolean isFocusable() 判断组件是否可以获得焦点 boolean
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")
Java中的GUI编程如何实现
Swing是一种轻量级的GUI工具包，它提供了许多高级控件，比如表格、树形结构、文本框等等，让开发人员可以轻松地实现各种复杂的界面效果。此外，Swing还支持自定义控件，使得开发人员可以根据自己的需求来定制一些特殊的控件，以满足特定的UI需求。在这个例子中，我们创建了一个名为"My Window"的窗口，设置了它的大小为300x200像素，并设置了关闭窗口时退出程序。因此，在使用Java创建GUI时，需要考虑各种不同的组件类、布局和事件处理等方面的内容，以创建出美观、实用的用户界面
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
java之GUI编程
1.GUI编程 图形用户界面编程 -->windows 通过java程序语言完成界面化的应用程序，该过程就称之为JavaGUI编程 2.GUI编程核心库 java.awt包 --GUI编程的原始包 javax.swing包 --由awt所扩展出的一种全新的库,并且成为了后续程序员所常用的库。 窗体类： 关键字:JFra...
【Java】GUI编程
GUI编程 前言 某koukou老师的任务罢了，好在狂神老师居然有GUI的课，只能说是有救星了。 【狂神说Java】GUI编程入门到游戏实战 最好笑的是，老师要求掌握的居然是14年的知识，就连狂神在上这门课的时候都在吐槽：你们在网络上几乎看不到这样的教学资源，因为已经很少很少了（被淘汰了） 主要是这个学期的短学期实践十有八九是koukou老师，非得是用java设计图形化可视化，所以学还是得学，不该挂的课就是不能挂！ 1、了解GUI 组建： 窗口 弹窗 面板 文本框 列表框 按钮 图片 监听事件 鼠标 键盘
Java中的GUI编程
GUI编程 GUI 即（Grahics User Interface 图形界面化编程），经常用Swing和AWT去实现，下面介绍一下AWT的相关知识， AWT AWT（Abstract Window Toolkit）包括了很多类和接口，用于Java Application的GUI编程。 Container和Component是AWT中的两个核心类。 Container里面又分为Window和...
JAVA基础—GUI编程
JAVA网络编程
【java GUI编程】
Java GUI编程 AWT AWT（Abstract Window Toolkit）包括了很多类和接口，用于Java Application的GUI（图形用户界面 ）编程。 GUI的各种元素（如：窗口，按钮，文本框等）由Java类来实现。 使用AWT所涉及的类一般在Java.awt包及其子包中。 Container和Component是AWT中的两个核心类。 Component&a...
Java笔记——Java GUI编程
这里我们添加鼠标监听器的构造方法中使用的是内部类中的匿名类，这个其实将相当于将实现监听功能的类给简单化了。每个Jpanel都有一个布局管理器对象，当容器需要对某个组件进行定位或判断其大小尺寸时，就会调用其对应的布局管理器,调用Jpanel的setLayout方法改变其布局管理器对象或通过构造方法设置。GridLayout布局管理器是矩形网格，在网格中放置组件，每个网格的高度和宽度都相等，组件随着网格的大小而在水平和垂直方向上拉伸，网格的大小是由容器的大小和创建网格的多少来确定的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2340
扫一扫
