[微信小程序] 3. 奇奇怪怪的经验(待更)

微信小程序 数组 Json 导出到excel 微信小程序,无需插件,无需类困,无需云函数支持,纯js,利用wx组件直接把Json数组导出到excel 简单粗暴(粗糙) 阅读详情

一  不同于浏览器的flex布局

效果:

实现:

<!--pages/mine/mine.wxml-->

<view class="flex">
    <view class="flexhead">top</view>
    <view class="flexitempre">
        <scroll-view scroll-y="true" class="flexitem" >
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
            <view>123</view>
        </scroll-view>
    </view>
</view>
/* pages/mine/mine.wxss */

.flex {
    display: flex;/*父元素声明flex布局*/
    flex-direction: column;
    height: 100vh;
}

.flexhead {
    width: 100%;
    min-height: 100px;
}

.flexitempre {
    flex: 1;/*高度无限扩展*/
    position: relative;/*父元素相对*/
}

.flexitem {
    position: absolute;/*子元素绝对,使得子元素定位从父元素开始,不会浮动*/
    top: 0;
    bottom: 0;
    left: 0;
    right: 0;
    background-color: #FCCB1A;
}

二 关于小程序登录wx.login 与获取用户信息 的误区

https://developers.weixin.qq.com/community/develop/doc/c45683ebfa39ce8fe71def0631fad26b

 

三 父页面向子组件传参

父页面根据json数组循环动态生成组件

子组件实现跳转到子页面,并给子页面传参

 

效果是父页面store绑定子组件test,传json,子组件test点击跳转到子页面list,并给子页面传json,子页面list输出json的部分内容

如下图,点上面的显示第二个图,点下面的显示第三个图

 

 

第一步新建组件test  然后在test.json里声明,这是一个组件

 

第二步  在test.js声明数据跟跳转

这里涉及到一个wx.navigateTo子页面跳转+传参的知识点

// componments/test.js
Component({
    /**
     * 组件的属性列表 properties用于父亲向儿砸传数据
     */
    properties: {
        content:{
            type:JSON,
            value:{}
        }
    },
    /*组件的初始数据*/
    data: {
        content:{}
    },
    /*组件的方法列表*/
    methods: {
        gogo(){
            var that=this
            console.log("gogogo!")
            console.log(this.data.content)
            wx.navigateTo({
                url:'../daily/daily?content='+JSON.stringify(that.data.content),  
                //这里的daily是子页面,content是子页面的数据名
                success:function(){console.log("succ!")}       //成功后的回调;
            })
        }
    }
})

子页面daily接受数据:daily.js   这里是子页面str转json,然后赋值

data: {
    content:{}
},    

onLoad: function (options) {
    this.setData({
        content: JSON.parse(options.content)
    });
},

 

第三步是test.wxml  绑定gogo方法

这里涉及到按钮绑定事件的知识点

<!--componments/test.wxml-->
<view class="flex" bindtap="gogo">
  <view class="flexitem">
        <image class="img" src="../images/2.jpg" mode="cover"></image>
  </view>
  <view class="flexitem">这里是组件的内部节点</view>
  <slot></slot>
</view>

 

第四步  来到调用组件的父页面 ,在store.jsons声明组件的路由

 

第五步 父页面store.wxml如下:

通过<my-component>调用组件,属性content=“{{item}}”就是在这里用来给子组件properties的content传参的(content可自己命名)

这里根据store.js的dailylist  json数组进行循环,数组大小是3,那么就会显示3个组件

wx:for="" 循环的写法很常用,记笔记了 idx就是从0开始的下标

<view class="flex">
    <view class="flexhead">日记</view>
    <view class="flexitempre">
        <scroll-view scroll-y="true" class="flexitem" >
            <!-- 快乐for循环 -->
            <view wx:for="{{dailylist}}" wx:for-index="idx" wx:for-item="item" class="content">
                 <my-component content="{{item}}"></my-component>
                <!-- {{idx}}:{{item.content}} -->
            </view>
         </scroll-view>
    </view>
</view>

 

第六步  store.js

一般来说,wxml里的{{xxx}}用来访问.js里面data的数据xxx,比如{{dailylist}}

 data: {
    dailylist:[]
 },

dailylist的维护可以通过访问后端数据库来获取,详见四

 

四 施工中.....

 

 

五 小程序定时任务 显示动态时间

效果:

js实现:

var utils = require('../../utils/util.js')
Page({
    data: {
        time:""
    },
    onShow: function () {
        setInterval(()=>{ this.setData({
            time:utils.formatTime(new Date())
        })},1000)
    }
})    

 

 

六 flex布局做常见的格子布局

不同机型的效果:

实现思路:主框架view1是一个横着的flex,添加wrap换行

主框架里的子框架view2(格子)是一个竖着的flex包含图片跟文字

格子高度固定,格子宽度为33.33% (恒定二等分就调成50%)

如果格子宽度是固定px,就支持动态换行(每行个数取决于固定宽度px)

实现:

wxml:

<view class="flex">
     <view wx:for="{{gogo}}" wx:for-index="idx" wx:for-item="item" class="flexitem">
        <view class="flexitemson">
            <image src="{{item.img}}" class="img" mode="heightFix"></image>
            <view>{{item.text}}</view>
        </view>
    </view>            
</view>

wxss:

.flex {
    display: flex;/*父元素声明flex布局*/
    flex-direction: row;/*横着的flex*/
    height: 0vh;
    flex-wrap: wrap;/*换行*/
    justify-content: flex-start;/*向左靠*/
}

.flexitem { /*子框架*/
   /* margin: 1px 1px 1px 1px; */
   width:33.33%; /*三等分*/
   display: flex;
   flex-direction: column;
   height: 100px;
   justify-content: center;/*格子内居中*/
   text-align: center;
   box-shadow: 1px 1px 1px 1px black;/*不占宽度的边框*/
}
.flexitemson{

}

.img{
    width: 50%;
    height: 50px;
    /* margin: 20rpx; */
    border-radius: 50%;
}

js:

  data: {
      gogo:[
        {text:"1",img:"../../images/11.png"},
        {text:"2",img:"../../images/11.png"},
        {text:"3",img:"../../images/11.png"},
        {text:"4",img:"../../images/14.png"},
        {text:"5",img:"../../images/14.png"},
        {text:"6",img:"../../images/14.png"},
        {text:"7",img:"../../images/14.png"}
      ]
  },

 

 

七 图片轮播

效果(宽屏宽度也会自动伸展):

实现:用微信自带的swiper

<view >
      <swiper 
        indicator-dots="true" autoplay="true" circular="true"
        interval="2000" duration="500" 
        previous-margin="0px" next-margin="0px" class="gogo">
        <block wx:for="{{img}}" wx:key="*this">
          <swiper-item >
                <image src="{{item}}" mode="aspectFill" class="img2"></image>
          </swiper-item>
        </block>
      </swiper>
</view>
.img2{
    width: 100%;
    height: 100%;
    /* margin: 20rpx; */
}
.gogo{
    height: 35vh;/*vh是屏幕占百分比 100就是全屏*/
}
 data: {
      img:["../../images/33.png","../../images/44.png","../../images/55.png"]
 },

 

[假期实践/微信小程序] 量角器 Protractor 步骤与操作0. 前言1. 新建项目2. 开发-打开本地图片3. 开发-量角器实现 0. 前言         此文记录了作者在小学期期间开发的一款用于 [测量角度] 的微信小程序的历程。有关链接与信息如下:         下载开发软件:h... 阅读详情

相关推荐

GPU计算板卡设计原理图:735-基于3U VPX的AGX Xavier GPU计算主板

基于3U VPX的 Jetson AGX Xavier GPU计算主板是LINUX环境下软件开发等理想工具。是用于视频处理,相机信号,支持PCIE、USB、RS422、RS232、网口、SPI、I2C等综合性的信号计算主板。3. 支持外接HDMI连接显示器,并支持键盘,鼠标等外接设备进行调试。8 核 ARM v8.2 64 位 CPU、8 MB L2 + 4 MB L3。4路Gigabit Ethernet (10/100/100)link。1路RS232,1路RS485。1路 NVMe PCIeX4。

981

微信小程序开发一些有趣的小程序

微信小程序开发出现了各种各样的,除了有商城小程序,分销小程序,预约小程序,外卖小程序,直播小程序等这些比较商业化的小程序之外,还有算命小程序,姻缘测试小程序等等之类的。那么这些有趣的小程序可以用来做什么呢? 1、积累用户:通过有趣类的小程序可以很快的吸引到大批用户,很多都会自己发朋友圈,通过二维码吸引更多用户。 2、门店引流:商家可以通过这类小程序测试给用户测试运势如何,测完给用户发个优惠券然后让用户到门店使用。 3、销售商品:比如测试自己能够获得多少折优惠等等,这些商家都可以自己设置的,然后用户

分享软件开发经验 880

将机器人urdf模型转换为Mujoco环境下的mjcf模型

在使用gym环境进行人形模型站立训练的过程中,我想要将之前ros环境下的机器人urdf模型导入到mujoco环境下,这时候就需要将urdf模型转换为mujoco专用的mjcf模型。-AzureLoong.urdf是机器人模型(我这里使用青龙的模型);--custom_robot.xml是转换完成之后的机器人模型的名字和格式;包要求 Python 版本必须是 3.11 或更高),保证自己的其他训练环境和依赖不被干扰。首先将meshes文件迁移到需要输出的目录下,然后再运行转换命令。最后就可以成功输出了。

weixin_44334573的博客 3760

小程序经验

1、更改指定数组或对象中的某一个值 //单独修改men对象的name属性为‘张三’ this.setData({ ["men.name"]: '张三' });     (1)、更改数组中的值          假设 paraList:[{txt:'123',chose:false},{txt:'1234',chose:false}]           var choseChange...

liu_chenglong的博客 312

AES加密算法及AES-CMAC原理白话版系统解析

对AES不同加密算法,加密模式,加密原理,填充算法及AES-CMAC算法的详细系统介绍,帮助大家对AES进行系统掌握。

initiallizer的博客 4074

半导体材料仿真:二维材料仿真_(1).二维材料的基本概念

在半导体材料仿真领域,二维材料因其独特的物理和化学性质而受到广泛关注。二维材料,也称为二维纳米材料,是指在二维空间(通常是平面)上具有原子级厚度的材料。这些材料的厚度通常在几个纳米甚至单个原子层的范围内,使得它们在电子、光学、热学和机械性能上表现出与传统三维材料显著不同的特性。本节将详细介绍二维材料的基本概念,包括它们的分类、结构、性质以及在半导体材料仿真中的应用。

2401_87715305的博客 1546

小程序超过2M限制的方法——分包加载

背景:2017.01.09 小程序上线时,微信限制了代码包不能超过1MB 大小,(现在是2M了)限制大小是出于对小程序启动速度的考虑,希望用户在使用任何一款小程序时,都能获得一种“秒开”体验。然而,2MB 的大小也限制了小程序功能的扩展,小程序业务的发展可能需要更大的体积。那么,能否有一种方案,在增加小程序包大小的同时,也能保持不错的启动速度呢?为了解决这个矛盾点,微信推出了「分包加载」这个技术方...

未央大佬的专栏 11万+

用 SNC 和 SAP Single Sign-On Secure Login 把 SAP 登录这件小事,变成一件安全又不用输密码的事

在传统的 SAP 系统里,登录这件事看起来很朴素:用户打开 SAP GUI,输入一个 SAP 用户名,再输入一个 SAP 密码,点回车,进系统,开始干活。表面上没毛病,但从安全角度看,这种老办法问题很大。默认情况下,这些用户名和密码在网络上传输时是明文,也就是不加密传输。攻击者如果在公司网络里做监听,理论上可以直接截取到口令信息,这种风险对今天任何一家合规要求高、审计严格的企业来说,基本是不可接受的。(SAP Help Portal)SAP 给出的答案叫做 ,全称是 。SNC 做的事情可以概括成两类:一类是

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 377

微信小程序代码最大限制2M的解决方案

了解小程序有最大代码量限制之前需要先了解微信小程序的本质:前端近几年都处于技术爆炸时期, react 最早的是facebook开源的开发框架----react,支持移动网页和原生app的开发(react native),提倡一次学习,全渠道开发。目的是让产品研发更聚焦更敏捷,它有三个重要特性: 数据绑定:数据驱动交互 模块化:可复用的轮子 多终端渲染:适配多客户端,用前端技术就能实现原生app R...

要和代码过一辈子的博客 12万+

从 OPEN CURSOR 到 SELECT INTO TABLE:把 ABAP 数据读取的底层机制与性能差异讲透

ABAP数据库访问性能优化关键点 摘要:ABAP程序性能的核心在于数据读取方式的选择。本文分析了三种常见数据库访问方式的技术原理:显式游标(CURSOR)、SELECT-ENDSELECT循环和SELECT INTO TABLE。重点揭示了数据从数据库到应用服务器的传输机制,包括OPEN/REOPEN与FETCH操作、Array Fetch批量传输原理以及SAP游标缓存机制。通过VBAK表的性能测试数据对比,证明了不同场景下最优访问方式的选择依据:大数据量时显式游标性能优势明显,而SELECT INTO T

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 174

C# WPF上位机实战:从零开发空压机监控系统(含实时监控+故障预警+数据追溯)

在工业生产场景中,空压机作为核心动力设备,常面临这些痛点:压力/温度异常导致停机、油耗超标未及时发现、设备故障追溯无数据支撑、人工巡检效率低且易遗漏。而基于C# WPF开发的空压机监控系统,能通过实时采集设备运行参数、智能分析运行状态、联动故障预警,实现“状态监控-异常告警-数据追溯-远程管控”全流程自动化,完美解决传统管理模式的弊端。今天就带大家落地这套空压机监控系统,基于C# + .NET 8 + WPF + Modbus TCP/RTU协议,整合压力、温度、油耗、运行时长等核心参数监控,搭配WPF的数

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1104

Taro+vue3+nutui3.x构建微信小程序

taro+vue3+nutui构建小程序流程,以及部分拓展

a3212768093的博客 1986

HAL STM32+EC11编码器实现增减调节及单击、双击、长按功能

HAL STM32+EC11编码器实现增减调节及单击、双击、长按功能

perseverance51博客 4237

uni-app开发日志[20220219]:汇总一些遇到的奇奇怪怪的开发问题(vue3版本为主)

uniapp已支持vue3,但很多组件并未及时更新。想想也用它开发好几个项目了,之前一直用市场里的现成组件,这回索性沉下心好好学学弄弄。目前零零碎碎发现很多问题,专开一贴记录下来。

暂时先用这个名字 3472

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

免费分享一套微信小程序投票系统(Uni-App+SpringBoot+Vue3)【至尊版】,帅呆了~~

免费分享一套微信小程序投票系统(Uni-App+SpringBoot+Vue3)【至尊版】,帅呆了~~

java1234的博客 2609

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

奇奇怪怪的知识点

1.微信小程序style的三目运算 style="text-decoration: {{ (index > 2)? 'none' : 'underline' }}"

qq_43773083的博客 489

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

uniapp+vue3使用canvas保存海报的使用示例,各种奇奇怪怪的问题解决办法

我这里使用uniapp开发的,所以只能使用传统的方式开发,就是使用canvas自己画一个出来,这个过程中遇到了也是很多的挑战和问题,这里记录一下。

2662

微信小程序抓包方法汇总

微信新版本貌似就是只信任自己内置证书,再或者android11对于证书又有什么新的改变,因为我自己的手机上证书是添加到系统证书里了,但还是无法抓取小程序的数据包,最后选择了以下的解决方法。有同事跟我讲使用低版本微信操作可能会有封号风险,故没有深入测试,有兴趣的朋友可以折腾下,不过如果仅仅为了测试小程序,建议直接使用方案一或方案二,当然也可以直接使用ios系统活mac。降级,这个操作说简单也简单,选择低版本微信安装使用,模拟器也选择低版本的安卓系统。使用模拟器,安卓版本android7,微信版本8.0+

seoppg的博客 1万+

uniapp项目发布成微信小程序的一些坑

相信每个开发都遇到过:本地调试好好的没毛病,为啥一上 测试/正式 就出毛病了呢? 今天我想记录的问题与此类似,是我在使用 uniapp 框架进行开发时,本地调试一切正常,但是打了微信小程序包,在微信开发者工具中调试时,遇到了许多奇奇怪怪的错误,在此记录下来,以便以后再次踩坑。 1、微信小程序不支持本地引入 background-image 本地调试正常的背景图,在微信中一打开就会报如下错误: [渲染层网络层错误] pages/index/index.wxss 中的本地资源图片无法通过 WXSS 获取

yawang_的博客 5558

微信小程序引入使用fontawesome图标库【内附懒人包下载导入即用】

小程序引入fontawesome需要做的步骤是比其他的多一点,比如说本质上下载下来fontawsome没法直接用,他有好多的css,其实也有好多TTF的字体文件,对于他的这种 TTF的文件是需要给它进行一个转换,转换之后把它变成是比如说base64,它编码变成之后再把它引入到我们的项目中。

weixin_44229624的博客 4723

mpvue微信小程序动画_mpvue 与微信小程序的火花

介绍项目介绍WeScale 定位为音乐训练小程序,初期规划了基础音阶的三个训练,以及他们的镜像模式。数字简谱字母简谱数字简谱对字母简谱后期看情况更新追加其他训练。产品展示扫描下方小程序码或在微信小程序中搜索 WeScale,即可使用。人员介绍Myou Aki:明神,北漂前端,总有奇奇怪怪的想法想要实现,适合做产品的前端Dr.Chan:老陈,后端、前端通吃,长得帅说话又好听的茂名吃货Jackliu:...

weixin_39640520的博客 186

【解决方案】微信小程序如何使用 ProtoBuf 进行 WebSocket 通信

本文详细介绍了在微信小程序开发中如何使用 ProtoBuf 协议进行前后端的 WebSocket 通信,从而实现微信小程序录音、WebSocket 发送语音、语音识别、接收语音等功能。

Kuroko's Development Notes 3216

获取微信小程序源码并进行反编译

获取微信小程序源码并进行反编译 只需如下几部就可以爬取到你所想要的微信小程序源码: 第一: node.js运行环境 如果没有安装nodejs,请先安装一下 下载地址:https://nodejs.org/en/; 第二: .反编译的脚本 这里提供一个Github上qwerty472123大神写的node.js版本的,当然也有其它版本的,这里我只是简单地用node.js版本举例 地址:https:/...

weixin_44269229的博客 2914

微信小程序使用Echarts-for-weixin实现图表动态更新数据、懒加载(干货满满!!!)

微信小程序开发 + Echarts图表动态数据统计

weixin_52017722的博客 1万+
上一篇: [python] 5. pyqt5小技巧(待更)
下一篇: [springboot] 部署项目到阿里云服务器
animalcoder
博客等级 码龄9年 43粉丝 150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