C++ Builder 初学问与答 (九)

C++ Builder 初学问与答(二十) 作者:董维春 网名:ch_builder(版权要求:请务必尊重知识产权,未经授权不要转载、摘录)17 事件及事件响应16)问:从前面的编程过程可以看出,用C++Builder开发应用程序的一个特点是,大部分的编程工作是在响应事件和处理事件上。事件的产生可能来自于系统,也可能来自于用户。您能给我详细介绍一下事件吗?答:好的,这节课我们将对事件进行深入地探讨,并重点讲述常用的鼠标和 阅读详情

9.多页组件

     68)问:我觉得C++Builder的组件模板的管理方式很好,在这个模板中通过单击页就可以在各个页之间进行切换,在C++Builder中我应该怎样来实现呢?

  答:我们可以用多页组件来实现,它的好处就是可以在有限的空间中尽量多地存放信息,而且便于把信息分类。就拿组件模板来说吧,在那么小的屏幕中放置了上百个组件,而且并不显得凌乱,这都是多页组件的功劳。

如果窗体上要放置大量的组件,而且这些组件又是分组使用的,那么可以考虑使用多页组件。这样做可以使窗体更加简洁明了。多页组件既有多页的特性,又是一个容器组件,它就像窗体一样可以包含其他的组件。

C++Builder提供了几种功能相似的多页组件,它们是:Win32页中的TabControl,PageControl组件,Win31页中的TabSet和TabbedNoteBook组件。从它们所在的页的不同就可以知道,前两个组件是应用在32位系统中的组件,无论从性能还是风格上来看,这两个组件都更适合在Windows 95以上的板本中使用。后面两种组件是为喜爱Windows 3.1风格的用户保留的,其实我们完全可以只使用前两种组件。

 

69)问:TabControl组件和PageControl组件他们看起来简直是一模一样?

答:初看起来这两种组件的确差不多,我们可以通过下面的操作可以说明这一点。

(1)在窗体上放置这两个组件,通过修改Height和Width属性把它们的尺寸设置成相同的。

(2)在对象编辑器中,单击TabControl的属性Tabs中的省略号按钮,这时会弹出一个字符串编辑器。在这个编辑器中分三行输入第一页,第二页和第三页。然后点击OK按钮。

(3)在窗体中选取PageControl组件,用鼠标右键单击该组件,在弹出的快捷菜单中选择NewPage命令,PageControl组件将生成一个缺省名为“TabSheetN”的页,其中N是从1开始的整数。第一次运行New Page命令生成的页名为TabSheet1,第二次生成的名为TabSheet2,以此类推。我们使用这个命令生成三个页。

 

 

与TabControl组件不同的是,你可以直接单击页来切换页面。单击页在切换页面的同时也选中了整个PageControl组件。如果要选择某个页,可以先单击页切换到该页,然后再单击页面就可以了。

(4)在对象编辑器中,选择TabSheet1,TabSheet2和TabSheet3的Caption属性,把它分别修改为第一页,第二页和第三页。

这样看起来他们就完全一样。

 

70)问:但要是一样,为什么有两个不同的组件呢,用一个不就行了,好象他们并不真的完全一样?

答:你说的对,千万不要被他们的外表假象所蒙蔽,实际上它们并不一样。TabControl是一种“假”多页组件,而PageControl才是“真”多页组件。

我们知道多页组件把所要显示的信息放在不同的页中,实际上每个页都是一个窗体,并可以通过页来进行页的切换。TabControl组件虽然有多个页,但是实际上只有一个页的模板,也就是说,每次用户单击页时,这个页都要根据页模板更新一次,以便对用户的选择作出响应。

很显然,如果需要在每个页上显示不同的组件,那么TabControl肯定无法胜任这种工作。因为你每次换页时,必须用代码更新页模板,这在C++Builder中实在不是一个好办法。如果每个页所显示的组件相同只是内容有变化,那么使用TabControl会更加合适,因为它消耗的系统资源比较少。

而PageControl则是每页对应一个页模板。所以,它适宜于每页都不同的情况。

 

71)问:TabControl组件有哪些常用的属性?

答:HotTrack属性用来确定当鼠标指向页时,页上的标签是否自动被加亮显示。缺省值为False。

MultiLine属性用来确定当页一行显示不下时是否显示到下一行。缺省值False表示在一行无法显示完时,在行的右边自动出现一个双向箭头,可以用来移动页。

TabHeight属性用来设置页的高度。缺省值0表示页的高度将自动适应页上文本的高度。

TabWidth属性用来设置页的宽度。缺省值0表示页的宽度将自动适应页上文本的宽度。

TabPosition属性为tpTop时,表示将页放在TabControl组件的上面,为tpBottom时则表示放在下面。

TabControl组件上的每一个页都有自己的索引,最左边的页的索引为0,紧接着的页的索引为1,以此类推。TabIndex属性返回当前被按下的页。

Tabs属性用来设置页的个数及其标题,在设计时是使用一个字符串编辑器来实现的。

 

72)问:TabControl控件有哪些比较重要的事件呢?

答:TabControl有两个比较重要的事件OnChange和OnChanging。每当页被选中后就会发生OnChange事件,这时可以根据属性TabIndex判断哪个页被选中,然后再采取响应的动作。

OnChanging事件正好发生在页被选中之前,也就是正好在一个页切换到另一个页之前。这个事件使得我们可以在页切换之前采取某些行动,例如在某些条件没有设置之前不准离开这一页。

其实这两个事件以前我们已经详细的研究过,这里就不再举例说明了。

 

73)问:PageControl组件好像比TabControl组件功能更强大,它是怎样使用的?

答:与TabControl相比,PageControl组件的功能确实更加强大,但是却并不复杂。PageControl中的每一个页都是一个TTabSheet组件,这个组件实际上是一个容器,你可以在上面放置各种控件。每个TTabSheet组件都有自己的属性。

实际上这里有两层关系。最顶层的是PageControl组件,它负责管理多个TTabSheet组件,而每个TTabSheet组件也管理着放在它上面的组件。

 

74)问:PageControl组件有哪些比较重要的属性呢?

答:ActivePage这个属性显示当前被选中的页,它也可以用来切换页。

MultiLine属性用来确定当页一行显示不下时是否显示到下一行。缺省值False表示在一行无法显示完时,在行的右边自动出现一个双向箭头,可以用来移动页。缺省值为False。

TabHeight属性用来设置页的高度。缺省值0表示页的高度将自动适应页上文本的高度。

TabWidth属性用来设置页的宽度。缺省值0表示页的宽度将自动适应页上文本的宽度。

TabPosition这个属性的值为tpTop时,页将放在TabControl组件的上面,而为tpBottom时将显示在下面。

此外,还有运行时态属性:

Pages这个只读属性是PageControl组件上所有的页组成的数组。

PageCount这个属性返回PageControl组件上的页数。

 

75)问: PageControl的每一页都是一个TTabSheet组件,那TTabSheet有些什么属性呢?

答:TabVisible 这个属性用来屏蔽某一页的显示。也说是说,它的值为False的时候PageControl组件将不显示这个页了,但是这个页还存在,你还可以把这个属性设置为True来恢复它的显示。在程序运行期间不能删除页,只能屏蔽页的显示。

PageIndex是页的索引号,

此外,还有运行时态属性。

PageControl属性返回该页所在的PageControl组件。

TabIndex属性返回该页在所有可见页中的索引号。

因为在程序运行时是不能删除页的,所以PageIndex索引号是固定不变的。但是页可以被屏蔽,当没有页被屏蔽时,TabIndex与PageIndex完全相同;当有页被屏蔽时,TabIndex就与PageIndex就不同了。TabIndex是这一页在所有可见页中的索引号,也就是说,第一个可见页的TabIndex是0,第二个可见页的TabIndex是1,以此类推。

 

76)问:能设计一个例子让我更好的理解一下它们吗?

答:好的 ,首先在TabControl组件的页面上放置一个编辑框组件。

然后在PageControl组件的Tab1页中放置一个编辑框组件。

接着将PageControl组件切换到Tab2页,放置一个文本编辑框组件。

最后,编译并运行这个程序。

点击tabControl组件的tab1到tab3标签,可以看出,编辑框出现在组件的每一页中。

    点击PageControl组件的tab1到tab3标签,可以看出,每一页组件都不相同。
C++ Builder 初学问与答(十三) C++ Builder初学问与答(版权要求:本文仅授权优快云使用,另授权CCRUN转载,其他个人与网站不得转载、摘录,若有特别需求可与作者联系)第二部分:快速提高好久以来有不少朋友问我,《C++ Builder问与答》为什么不继续写了?我也一直在思考还应该写下去不?CBX的推出,加之宝兰宣布不在出新的CB版本,让我们这些一直喜爱CB的人不清楚下一个方向到底在何处?当然真的希望CB会继 阅读详情

相关推荐

C++ Builder 初学问与答(十四)

(版权要求:本文仅授权优快云使用,另授权CCRUN转载,其他个人与网站不得转载、摘录,若有特别需求可与作者联系) (4)利用C++Builder集成开发环境中的视图“View”菜单,我们可以显示或隐藏C++Builder集成开发环境中的不同的部分,也可以用于打开属于集成调试器的窗口。 “Project Manager”菜单项用于显示工程管理器。“Object Insp

ch_builder的专栏 2598

C++ Builder 初学问与答 (十二)

(本系列文章,仅供优快云使用,另授权CCRUN转载,其他个人与网站不得转载、摘抄,如需使用请与作者或优快云联系) 13.对话框组件     96)问:怎样编写文件打开、保存等对话框?  答:C++Builder为我们提供了许多常用的对话框组件,这些对话框组件都放在组件模板的Dialogs选项卡中,例如Font,Color,Open和Print对话框。其中OpenDialog对话

ch_builder的专栏 2556

C++ Builder 初学问与答(二)

2.文本输入组件11)问:如果要实现文本输入,在C++Builder中应该怎么办?答:C++Builder常用文本输入组件来实现,常用的文本输入组件有Edit、MaskEdit 、Memo和RichEdit。他们的主要不同在于Edit和MaskEdit用于输入单行文本,而Memo和RichEdit可以输入多行文本。此外Label组件也可用来进行文本显示。Edit和MaskEdit是一个

ch_builder的专栏 2705

深入QuickReport(一)

深入QuickReport(一)作者:董维春(本文已在《优快云开发高手》04年第一、二、三期上发表,应广大网友的要求,经编辑同意,发表在优快云作者本人文档中,略有修改,但仅即于此,未经优快云或作者本人同意任何个人与网站不得转载、摘抄,否则任何涉及到版权的行为后果自负) 报表是数据库应用程序的基本组成部分之一,完整的数据库应用程序总要提供报表功能。与传统的数据库应用程序设计工具

ch_builder的专栏 1万+

地震勘探原理---地震预处理

3.1 为什么说要对数据进行振幅补偿?具体来说,地震波在传播过程中会遇到各种各样的地质条件,例如不同的岩层、土壤、水层等,这些介质的密度、速度等特性不同,因而对地震波的能量消耗也有所不同。在传播距离较远的情况下,能量损失可能会导致接收到的地震信号振幅变小。相反,在传播距离较近的情况下,能量损失可能较小,导致接收到的地震信号振幅变大。如果不对数据进行振幅补偿,这种振幅不均衡会导致地震数据分析和解释的误差和不确定性增加,可能产生错误的结论。

DARRENANJIAN的博客 3275

基于人脸识别的驾驶员疲劳检测方法研究

摘 要交通安全问题愈发严重,疲劳驾驶已是造成交通事故的主要因素之一。为减少因疲劳驾驶造成的交通事故,本文设计了一种基于图像处理技术的疲劳驾驶监测系统,该系统结合了肤色模型、灰度积分投影技术以及PERCLOS方法,旨在通过实时视频图像分析准确检测驾驶员的疲劳状态。首先,系统通过肤色模型从图像中有效提取人脸区域,并在此基础上利用Haar级联分类器进行人脸检测,确保在人脸角度变化或部分遮挡的情况下依然能够实现高效识别。接着,灰度积分投影技术被应用于眼部定位,通过分析眼睛区域的灰度变化,精确确定眼睛的上下边界,从

carrott0617的博客 1005

C++ Builder 初学问与答 (九)

9.多页组件  68)问:我觉得C++Builder的组件模板的管理方式很好,在这个模板中通过单击页就可以在各个页之间进行切换,在C++Builder中我应该怎样来实现呢? 答:我们可以用多页组件来实现,它的好处就是可以在有限的空间中尽量多地存放信息,而且便于把信息分类。就拿组件模板来说吧,在那么小的屏幕中放置了上百个组件,而且并不显得凌乱,这都是多页组件的功劳。  如果窗体上要放置大量的

.NET快速开发框架 1133

基于STM32的多路火灾报警系统设计

本文设计了一款基于STM32的多路火灾报警系统,利用多个传感器组合(如烟雾传感器、温度传感器等)进行数据采集与处理,精确判断火灾情况,并及时发出报警信号,保障生命与财产安全。本系统设计了一款基于STM32的多路火灾报警系统,通过结合烟雾传感器和温度传感器,提升了火灾检测的准确性和可靠性。未来,系统可以进一步集成更多传感器,如气体传感器、湿度传感器等,进一步提升火灾报警系统的智能化水平。本系统采用STM32F103单片机作为核心处理单元,结合烟雾传感器、温度传感器和报警模块,实现多通道火灾报警功能。

stm32d1219的博客 2034

C++ Builder 初学问与答(一)

C++ Builder初学问与答(版权要求:本文除了经过优快云授权或作者同意,不得转载)     一直以来都想写一点为BCB初学者快速入门的东西,前不久写了几篇《闲谈BCB》想把自己学习BCB中如何来解决难点的方法说给大家,没想到被骂得不成样子。本想不写了,但觉得这些东西留下来能做什么呢?还是用另一种方法来重新演译我的思维吧,最近有些忙,那几篇没有写完的文章,我也会尽快写完的,至于《

ch_builder的专栏 4211

小样本学习概述

目录 前言 小样本学习存在的意义? 什么是小样本学习? 小样本学习的方法有哪些? 结语 前言 小样本学习(Few-Shot Learning)是近几年兴起的一个研究领域,小样本学习旨在解决在数据有限的机器学习任务。 小样本学习存在的意义? 近些年,以深度卷积神经网络为代表的深度学习方法在各类机器学习任务上取得了优异的成绩——很多任务上已经超越了人类表现。狂欢背后,危机四伏。因为这些深度学习方法work的关键之一是海量标注数据的支持。 但是在工业界,很多时候难以获得海量的训练数据,更.

DwD-的博客 3万+

编译原理考试大题分析【太原理工大学】

看完本篇大题拿 85% 的分应该没问题,TYUT 太原理工大学编译原理期末考试。

m0_52861684的博客 1万+

C++ Builder 初学问与答(四)

4.列表类组件31)问:当我需要使用多个选项的时候,使用单选按钮或复选框来进行选择不是很恰当,因为在窗体上放置大量的按钮既不利于布局的美观,又会消耗大量的系统资源,C++Builder有什么解决办法吗?答:可以使用列表框(ListBox、CheckListBox)或组合框(ComboBox)这两类最常用的列表组件。32)问:列表框有那些主要属性?答:列表组件ListBox在缺省情况

ch_builder的专栏 2522

项目方案:社会视频资源整合接入汇聚系统解决方案(五)

视频监控接入和视频汇聚平台,形成整合平台,平台服务层包括编码设备、存储设备、解码设备等的接入服务,提供基础视频服务、传输服务、存储服务、控制服务及事件服务。两种不同的接入方式:监控设备接入,是指接入社会单位视频监控系统的DVR(数字硬盘录像机)、DVS和IPC、DVR/NVR、CVR等设备;平台对接,是指对接接入社会单位数字视频监控平台。AS-VAG视频监控接入网关支持onvif、国标等接入,也支持多种SDK接入方式,包括国产的主流品牌支持海康、大华、宇视、华为等SDK,国际品牌支持松下和axis等SDK。

weixin_70208651的博客 2465

C++ Builder 初学问与答(十五)

(版权要求:本文仅授权优快云使用,另授权CCRUN转载,其他个人与网站不得转载、摘录,若有特别需求可与作者联系) (7)在C++Builder集成开发环境中,还有Component菜单。在组件菜单下的菜单命令是有关建立、安装、重建组件的菜单项。其中,“New Component”菜单项打开组件向导建立新组件。“Install Component”菜单项安装新的组件。“

ch_builder的专栏 2496

Qt QChart实战:从零打造一个实时温度监控仪表盘(附完整源码)

本文详细介绍了如何使用Qt QChart模块从零构建一个工业级实时温度监控仪表盘。通过实战案例,展示了波形图的绘制、坐标轴配置、数据流模拟等关键技术,并提供了完整的源码实现,帮助开发者快速掌握Qt在数据可视化领域的应用。

weixin_42537919的博客 246

Silvaco Athena实战:从零搭建MOSFET工艺仿真流程(附mos1ex03完整代码解析)

本文详细介绍了使用Silvaco Athena从零搭建MOSFET工艺仿真的全流程,包括环境配置、核心工艺步骤、器件成型及参数提取等关键环节。通过mos1ex03案例的完整代码解析,帮助读者掌握网格划分、氧化层生长、离子注入等实战技巧,提升半导体工艺仿真能力。

weixin_42648844的博客 406

C++ Builder 初学问与答(廿一)

作者:董维春 网名:ch_builder(版权要求:请务必尊重知识产权,未经授权不要转载、摘录)25)问:控件是怎样处理拖曳的呢?答:当控件接受被拖曳的对象后会产生OnDragDrop事件,我们需要对这个事件进行响应,在对象观察器中双击控件的OnDragDrop事件域,生成它的处理模板。       加入这样一段代码,第二条语句判断被拖拽的对象是不是自己,否则不接受拖拽第三

ch_builder的专栏 3091

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

C++ Builder 初学问与答(七)

53)问:能介绍一下TTreeNodes与TTreeNode?答:在BCB中,树状视图的节点是通过TTreeNodes对象来管理的,通过这个对象可以对树状视图进行动态的增加、删除、插入、移动节点等操作。而每一个节点都是一个TTreeNode对象。TTreeNode的主要属性和函数:Count:这个属性用来返回某个节点所拥有的子节点的数目。它不包括其子节点。Item:其声明为:_pr

ch_builder的专栏 2630

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

C++ Builder 初学问与答 (十一)

11.工具条组件87)问:工具条是Windows编程经常要用的, C++Builder能不能实现这个功能呢?答:当然可以,工具条是由许多具有图形的按钮组成的,这些按钮被分隔符分隔成许多组,每个组都能够完成特定的工作。工具条上的按钮具有与位图按钮相似的特性——可以拥有多个位图,当按钮处于不同状态时,例如按下、失效等,将显示不同的位图。以前C++Builder制作工具条的方法是通过把加速按钮放

ch_builder的专栏 2106

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

上一篇: C++ Builder 初学问与答(八)
下一篇: C++ Builder 初学问与答 (十)
ch_builder
博客等级 码龄25年 76粉丝 58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