Qt Model/View（模型/视图）

枸杞养生 枸杞养生 博客等级 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 800+累计阅读 833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 码龄11年
关注
转载 最新推荐文章于 2025-10-31 10:03:21 发布 833 阅读 AI 写同款· GEO 优化 ›
QT学习笔记-Qt Model/View 目录前言一、Qt模型视图结构简介二、Qt模型概念Model indexes行列父项**数据项角色**三、Qt视图概念使用已有视图使用模型操作被选项四、Qt委托使用已有委托一个简单的自定义委托五、创建模型设计模型 前言 因工作需要，要实现一个小型的数据管理系统。本着想捡起来QT技能的想法，学习下QT模型视图的操作。 一、Qt模型视图结构简介 模型/视图结构，仍然分离了数据与呈现给用户的方式，但提供了基于相同原理的简单框架。这种分离使得它可以在几个不同的视图中显示相同的数据，并且实现新类型的视图，而无需改变 阅读详情

Model/View（模型/视图）结构是 Qt 中用界面组件显示与编辑数据的一种结构，视图（View）是显示和编辑数据的界面组件，模型（Model）是视图与原始数据之间的接口。

GUI 应用程序的一个很重要的功能是由用户在界面上编辑和修改数据，典型的如数据库应用程序。数据库应用程序中，用户在界面上执行各种操作，实际上是修改了界面组件所关联的数据库内的数据。

将界面组件与所编辑的数据分离开来，又通过数据源的方式连接起来，是处理界面与数据的一种较好的方式。Qt 使用 Model/View 结构来处理这种关系，Model/View 的基本结构如图 1 所示。


Model/View基本结构
图 1 Model/View基本结构


其中各部分的功能如下：

  • 数据（Data）是实际的数据，如数据库的一个数据表或SQL查询结果，内存中的一个 StringList，或磁盘文件结构等。
  • 视图或视图组件（View）是屏幕上的界面组件，视图从数据模型获得每个数据项的模型索引（model index），通过模型索引获取数据，然后为界面组件提供显示数据。Qt 提供一些现成的数据视图组件，如 QListView、QTreeView 和 QTableView 等。
  • 模型或数据模型（Model）与实际数据通信，并为视图组件提供数据接口。它从原始数据提取需要的内容，用于视图组件进行显示和编辑。Qt 中有一些预定义的数据模型，如 QStringListModel 可作为 StringList 的数据模型，QSqlTableModel 可以作为数据库中一个数据表的数据模型。


由于数据源与显示界面通过 Model/View 结构分离开来，因此可以将一个数据模型在不同的视图中显示，也可以在不修改数据模型的情况下，设计特殊的视图组件。

在 Model/View 结构中，还提供了代理（Delegate）功能，代理功能可以让用户定制数据的界面显示和编辑方式。在标准的视图组件中，代理功能显示一个数据，当数据被编辑时，代理通过模型索引与数据模型通信，并为编辑数据提供一个编辑器，一般是一个 QLineEdit 组件。

模型、视图和代理之间使用信号和槽通信。当源数据发生变化时，数据模型发射信号通知视图组件；当用户在界面上操作数据时，视图组件发射信号表示这些操作信息；当编辑数据时，代理发射信号告知数据模型和视图组件编辑器的状态。

数据模型

所有的基于项数据的数据模型（Model）都是基于 QAbstractltemModel 类的，这个类定义了视图组件和代理存取数据的接口。数据无需存储在数据模型里，数据可以是其他类、文件、数据库或任何数据源。

Qt 中与数据模型相关的几个主要的类的层次结构如图 2 所示：


Qt中模型类的层次结构
图 2 Qt中模型类的层次结构


图 2 中的抽象类是不能直接使用的，需要由子类继承来实现一些纯虚函数。Qt 提供了一些模型类用于项数据处理，常见的几个见表 3。
 

表 3 Qt 提供的数据模型类
Model 类用途
QStringListModel用于处理字符串列表数据的数据模型类
QStandardltemModel标准的基于项数据的数据模型类，每个项数据可以是任何数据类型
QFileSy stemModel计算机上文件系统的数据模型类
QSortFilterProxyModel与其他数据模型结合，提供排序和过滤功能的数据模型类
QSqlQueryModel用于数据库SQL查询结果的数据模型类
QSqlTableModel用于数据库的一个数据表的数据模型类
QSqlRelationalTableModel用于关系型数据表的数据模型类

 

数据库相关的 3 个模型类将在介绍数据库编程时专门说明。如果这些现有的模型类无法满足需求，用户可以从 QAbstractltemModel、QAbstractListModel 或 QAbstractTableModel 继承，生成自己定制的数据模型类。

视图组件

视图组件（View）就是显示数据模型的数据的界面组件，Qt 提供的视图组件如下：

  • QListView：用于显示单列的列表数据，适用于一维数据的操作。
  • QTreeView：用于显示树状结构数据，适用于树状结构数据的操作。
  • QTableView：用于显示表格状数据，适用于二维表格型数据的操作。
  • QColumnView：用多个QListView显示树状层次结构，树状结构的一层用一个QListView显示。
  • QHeaderView：提供行表头或列表头的视图组件，如QTableView的行表头和列表头。


视图组件在显示数据时，只需调用视图类的 setModel() 函数，为视图组件设置一个数据模型就可以实现视图组件与数据模型之间的关联，在视图组件上的修改将自动保存到关联的数据模型里，一个数据模型可以同时在多个视图组件里显示数据。

前面介绍了 QListWidget、QTreeWidget 和 QtableWidget 3个可用于数据编辑的组件。这 3 个类称为便利类（convenience classes），它们分别是 3 个视图类的子类，其层次关系如图 4 所示。


视图相关类的层次结构图
图 4 视图相关类的层次结构图


用于 Model/View 结构的几个视图类直接从 QAbstract ItemView 继承而来，而便利类则从相应的视图类继承而来。

视图组件类的数据采用单独的数据模型，视图组件不存储数据。便利类则为组件的每个节点或单元格创建一个项（item），用项存储数据、格式设置等。所以，便利类没有数据模型，它实际上是用项的方式集成了数据模型的功能，这样就将界面与数据绑定了。

所以，便利类缺乏对大型数据源进行灵活处理的能力，适用于小型数据的显示和编辑。

代理（Delegate）

代理就是在视图组件上为编辑数据提供编辑器，如在表格组件中编辑一个单元格的数据时，缺省是使用一个 QLineEdit 编辑框。代理负责从数据模型获取相应的数据，然后显示在编辑器里，修改数据后，又将其保存到数据模型中。

QAbstractltemDelegate 是所有代理类的基类，作为抽象类，它不能直接使用。它的一个子类 QStyledltemDelegate，是 Qt 的视图组件缺省使用的代理类。

对于一些特殊的数据编辑需求，例如只允许输入整型数，使用一个 QSpinBox 作为代理组件更恰当，从列表中选择数据时使用一个 QComboBox 作为代理组件更好。这时，就可以从 QStyledltemDelegate 继承创建自定义代理类。

Model/View结构的一些概念

在 Model/View 结构中，数据模型为视图组件和代理提供存取数据的标准接口。在 Qt 中，所有的数据模型类都从 QAbstractltemModel 继承而来，不管底层的数据结构是如何组织数据的，QAbstractltemModel 的子类都以表格的层次结构表示数据，视图组件通过这种规则来存取模型中的数据，但是表现给用户的形式不一样。


数据模型的几种表现形式
图 5 数据模型的几种表现形式


图 5 是数据模型的 3 种常见表现形式。不管数据模型的表现形式是怎么样的，数据模型中存储数据的基本单元都是项（item），每个项有一个行号、一个列号，还有一个父项。在列表和表格模式下，所有的项都有一个相同的顶层项；在树状结构中，行号、列号、父项稍微复杂一点，但是由这 3 个参数完全可以定义一个项的位置，从而存取项的数据。

模型索引（model index）

为了保证数据的表示与数据存取方式隔离，数据模型中引入了模型索引的概念。通过数据模型存取的每个数据都有一个模型索引，视图组件和代理都通过模型索引来获取数据。

QModelIndex 表示模型索引的类。模型索引提供数据存取的一个临时指针，用于通过数据模型提取或修改数据。因为模型内部组织数据的结构随时可能改变，所以模型索引是临时的。如果需要使用持久性的模型索引，则要使用 QPersistentModelIndex 类。

行号和列号

数据模型的基本形式是用行和列定义的表格数据，但这并不意味着底层的数据是用二维数组存储的，使用行和列只是为了组件之间交互方便的一种规定。通过模型索引的行号和列号就可以存取数据。

要获得一个模型索引，必须提供 3 个参数：行号、列号、父项的模型索引。例如，对于如图 5 中的表格数据模型中的 3 个数据项 A、B、C，获取其模型索引的代码是：

QModelIndex indexA = model->index(0, 0, QModelIndex());
QModelIndex indexB = model->index(1, 1, QModelIndex());
QModelIndex indexC = model->index(2, 1, QModelIndex());

在创建模型索引的函数中需要传递行号、列号和父项的模型索引。对于列表和表格模式的数据模型，顶层节点总是用 QModelIndex() 表示。

父项

当数据模型是列表或表格时，使用行号、列号存储数据比较直观，所有数据项的父项就是顶层项；当数据模型是树状结构时，情况比较复杂（树状结构中，项一般习惯于称为节点），一个节点可以有父节点，也可以是其他节点的父节点，在构造数据项的模型索引时，必须指定正确的行号、列号和父节点。

对于图 5 中的树状数据模型，节点 A 和节点 C 的父节点是顶层节点，获取模型索引的代码是：

QModelIndex indexA = model->index(0, 0, QModelIndex());
QModelIndex indexC = model->index(2, 1, QModelIndex());

但是，节点 B 的父节点是节点 A，节点 B 的模型索引由下面的代码生成：

QModelIndex indexB = model->index(1, 0, indexA);

项的角色

在为数据模型的一个项设置数据时，可以赋予其不同项的角色的数据。例如，数据模型类 QStandardItemModel 的项数据类是 QStandardItem，其设置数据的函数是：

void QStandardItem::setData(const QVariant &value, int role= Qt::UserRole + 1)

其中，value 是需要设置的数据，role 是设置数据的角色。一个项可以有不同角色的数据，用于不同的场合。

role 是 Qt::ItemDataRole 枚举类型，有多种取值，如 Qt::DisplayRole 角色是在视图组件中显示的字符串，Qt::ToolTipRole 是鼠标提示消息，Qt::UserRole 可以自定义数据。项的标准角色是 Qt::DisplayRole。

在获取一个项的数据时也需要指定角色，以获取不同角色的数据：

QVariant QStandardItem::data(int role = Qt::UserRole + 1) const

为一个项的不同角色定义数据，可以告知视图组件和代理组件如何显示数据。例如，在图 6 中，项的 DisplayRole 数据是显示的字符串，DecorationRole 是用于装饰显示的属性，ToolTipRole 定义了鼠标提示信息。不同的视图组件对各种角色数据的解释和显示可能不一样，也可能忽略某些角色的数据。


不同角色数据的表现形式
图 6 不同角色数据的表现形式

收录于
QT

当前文章被收录于：

QT
38 篇文章 2 人学习

QT 学习笔记

订阅专栏 查看详情
原文链接：http://c.biancheng.net/view/1864.html>
Qt-Model/View基础概念和最简单例子 文章目录基本概念Model/View入门Table View例子Table View例子扩展数据改变信号编辑数据 基本概念 模型/视图是一种用于将数据与处理数据集的控件的视图分离的技术。Qt中的标准控件不是为从视图中分离数据而设计的，这就是 Qt 有两种不同类型的控件的原因。两种类型的控件看起来相同，但它们与数据的交互方式不同。 使用标准控件时数据作为控件一部分 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ppksRhdf-1632141361254)(vx_images/ 阅读详情

相关推荐

大模型训练（1）：流水线并行

Gpipe的方法是，在训练时计算和运用的是micro-batch里的均值和方差，但同时持续追踪全部mini-batch的移动平均和方差，以便在测试阶段进行使用。流水线并行的核心思想是：在模型并行的基础上，进一步引入数据并行的办法，即把原先的数据再划分成若干个更小的batch，分批送入GPU进行训练，算一部分就让下一个GPU动起来。从实验结果可知，在关掉NVlinks的情况下，Gpipe一样也能实现随着GPU数量的增加，训练速度也增加的效果。前文说过，随着模型的增加，每块GPU中存储的中间结果也会越大。

呆呆象呆呆的博客 1970

qt Model/view (模型/视图)

1.数据模型都是基于QAbstractItemModel类，数据无需存储在数据模型里，数据可以是其他类，文件、数据库或任何数据源。mode类有 QAbstractListMode、QStringListMode、QStandardItemModel、QAbstractTableMode、QSqlQueryModel、QSqlTableModel。 视图组件基于QAbstractItemView继承而来，有QListView、QTreeView、QTableView等。而便利类如QlistWidget、Qt

baidu_16370559的博客 4597

地表最强之Android微信语音/腾讯会议通话录音

地表最强之Android微信语音/腾讯会议通话录音

cczhengv 6108

Qt Model/View（模型/视图）结构

Model/View（模型/视图）结构是Qt中用界面组件显示与编辑数据的一种结构，视图（View）是显示和编辑数据的界面组件，模型（Model）是视图与原始数据之间的接口。 GUI 应用程序的一个很重要的功能是由用户在界面上编辑和修改数据，典型的如数据库应用程序。数据库应用程序中，用户在界面上执行各种操作，实际上是修改了界面组件所关联的数据库内的数据。 将界面组件与所编辑的数据分离开来，又通过数据源的方式连接起来，是处理界面与数据的一种较好的方式。Qt 使用 Model/View 结构来处理这种关系，M..

zhaominyong的专栏 1128

11、体内皮质功能的电压敏感染料成像技术

本文详细介绍了电压敏感染料成像（VSDI）技术在体内皮质功能研究中的应用。内容涵盖VSDI的技术起源、作用机制、信号特点与解读局限性，以及其在映射感觉皮质功能区方面的优势。文章对比了VSDI与电极记录和钙成像技术的差异，突出了其在高时空分辨率下监测神经元群体亚阈值活动的独特价值。同时，提供了完整的实验操作流程，包括手术步骤、染料应用、光学系统配置及数据分析方法，并总结了常见问题及其解决方案。随着基因靶向和多模态技术结合的发展，VSDI有望进一步提升信号特异性和空间精度，成为解析大脑网络动态的重要工具。

Apple的专栏 81

Isaac Sim 入门教程（四）强化学习策略训练宇树人形机器人四足机器人示例

isaac_sim_policy_example Extension 是在 Isaac Sim 中部署 Isaac Lab 强化学习策略的一个框架和一组辅助函数。有关在 Isaac Sim 中训练和构建策略的详细信息，请访问在 Isaac Sim 中部署策略。该扩展程序默认已启用。如果被禁用，可在扩展管理器中搜索 isaacsim.robot.policy.example 重新启用。要运行下面的示例，请激活 “视窗”>“示例”>“机器人示例”，这将打开 “机器人示例 ”选项卡。

机器人控制与仿真应用 3928

Qt扫盲-Qt Model/View 理论总结 [上篇]

Qt 包含了一组 item view类，它们使用 model / view 架构来管理数据之间的关系以及呈现给用户的方式。该体系结构引入的功能开发人员提供了更大的灵活性来自定义表现形式，而且这个框架还提供了一个标准的model 接口，以允许广泛的数据源与现有 item 目 View 一起使用。在本文中，我们简要介绍了 model / view 编程概念，概述了所涉及的概念，并描述了 item 目View系统的体系结构。对架构中的每个组件都进行了解释，并给出了如何使用所提供的类的示例。

洪源兄 2627

手把手教你学Simulink--双足机器人的反步控制方法仿真

本文介绍了在Simulink中基于反步控制方法进行双足机器人仿真研究的步骤。主要内容包括：1)准备工作，包括MATLAB/Simulink安装和相关工具箱配置；2)构建简化双足机器人模型；3)设计反步控制器，阐述其递归设计原理及Lyapunov函数构造方法；4)通过MATLAB Function块实现控制逻辑并连接模型；5)仿真参数配置和结果分析。文章强调反步控制适用于非线性系统，通过逐步构造虚拟控制律保证系统稳定性，并指出需要多次调试和查阅文献来优化控制效果。该教程为研究双足机器人运动控制提供了实用的仿真

MHD0815的博客 153

Qt Model/View 模型视图框架

1. Model/View基本原理

VectorAL的博客 1184

12、有杆泵抽油系统：原理、性能与选择

本文全面介绍了有杆泵抽油系统的原理、性能分析和设备选择方法。有杆泵抽油系统广泛应用于石油开采领域，通过地面抽油装置与井下柱塞泵的配合，实现高效、稳定的原油提升。文章详细解析了系统的工作原理、组成结构、光杆运动特性、载荷计算、泵输送能力及功率需求，并提供了抽油装置的选择流程和实际案例分析。此外，还探讨了泵的容积效率影响因素、示功图的作用及系统优化运行的建议，为石油开采工程提供了理论支持和实践指导。

gan8painter的博客 435

【毕设保姆级指南】基于YOLOv8的DAGM 2007工业缺陷检测系统从搭建到落地

本教程基于YOLOv8算法实现DAGM 2007工业缺陷检测系统，包含数据处理、模型训练和可视化界面开发全流程。首先对DAGM数据集进行格式转换和划分，然后通过YOLOv8训练工业缺陷检测模型，最终构建PyQt5交互界面实现缺陷可视化检测。该系统可用于智能制造中的产品质量控制，帮助快速定位工业产品缺陷，提升检测效率和准确性，为工业质检提供高效解决方案。

LXY_LOVE36的博客 182

Qt Model/View（模型/视图)

Model/View（模型/视图）结构是 Qt 中用界面组件显示与编辑数据的一种结构，视图（View）是显示和编辑数据的界面组件，模型（Model）是视图与原始数据之间的接口。 GUI 应用程序的一个很重要的功能是由用户在界面上编辑和修改数据，典型的如数据库应用程序。数据库应用程序中，用户在界面上执行各种操作，实际上是修改了界面组件所关联的数据库内的数据。 将界面组件与所编辑的数据分离开来，又通过...

qq_34462436的博客 1088

Python爬虫实战教程：如何高效爬取税务局通知通告

税务局发布的通知通告包含政策法规、办税指南、公告信息等，是纳税人、企业合规经营的重要参考。官网发布频率高，手动查看不便，自动爬取并保存，方便信息及时掌握及历史数据归档。本文以合法合规的方式示范，建议实际应用前确认目标网站允许爬取的范围和方式。建议使用pandas进行数据清洗，如去重、空值处理等。对于研究税务政策、进行大数据分析、搭建行业信息平台，爬取税务局通知通告信息尤为关键。公告列表以分页形式展现，包含标题、发布时间和详情页链接。进行政策趋势图、发布频率统计等可视化。爬取公开数据时，务必遵守网站的。

2201_76125261的博客 1781

qt - Qt Model/View（模型/视图）结构

学习记录，原文 -http://c.biancheng.net/view/1864.html 学习QStandardItem 需要先了解qt Model/View（模型/视图）结构，用界面组件显示与编辑数据的一种结构。 视图（View）：显示和编辑数据的界面组件，如 QListView、QTreeView 和 QTableView 模型（Model）：视图与原始数据之间的接口，实际数据通信，并为视图组件提供数据接口。 数据（Data）: 实际的数据 , 例如：磁盘上的数据 比较官方的图片 模型.

tuan8888888的博客 456

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。

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")

QT Model/View 编程：MVC模型视图编程（一）

Qt包含一组项视图类，这些类使用模型/视图体系结构来管理数据和数据呈现给用户的方式之间的关系。该体系结构引入的功能分离为开发人员提供了更大的灵活性来定制项的表示，并提供了一个标准模型接口，以允许在现有项视图中使用各种数据源。在本文中，我们简要介绍了模型/视图范式，概述了所涉及的概念，并描述了项目视图系统的体系结构。解释了体系结构中的每个组件，并给出了示例，说明如何使用提供的类。

开软古剑楠 2243

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

初识QT（三十七）——Qt Model/View（模型/视图）结构

Model/View（模型/视图）结构是 Qt 中用界面组件显示与编辑数据的一种结构，视图（View）是显示和编辑数据的界面组件，模型（Model）是视图与原始数据之间的接口。 GUI 应用程序的一个很重要的功能是由用户在界面上编辑和修改数据，典型的如数据库应用程序。数据库应用程序中，用户在界面上执行各种操作，实际上是修改了界面组件所关联的数据库内的数据。 将界面组件与所编辑的数据分离开来，又通过...

图像学习之旅 1059

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

Qt Model/View(模型/视图)--笔记

简介：Model/View (模型/试图) 结构是Qt中用界面组件显示与编辑数据的一种结构，视图(View)是显示和编辑数据的界面组件，模型(Model)是视图与原始数据之间的接口。 GUI应用程序的一个很重要的功能是由用户在界面上编辑和修改数据，典型的如数据库应用程序，数据库应用程序中，用户在界面上执行各种操作，实际上是修改了界面组件所关联的数据库内的数据。 将界面组件与所编辑的数据分离开来，又通过数据源的方式连接起来，是处理界面与数据的一种较好的方式。Qt使用Model/View 结构来处理这种关系，M

进击的小程序员 1203

Qt开发：模型/视图（Model/View）框架

Qt的模型/视图（Model/View）框架提供了一种将数据展示与数据处理逻辑分离的方法，使得开发者可以更方便地管理和展示数据

倔强老吕的博客 1324

QT Model/View 编程：MVC模型视图编程：实例实现（二）

本篇继上一篇QT官方文档的QT Model/View 编程，实现了上一篇中全部的实例。这些样例并不能代表QT的MVC编程全貌。旨在更清晰的阐述上一篇教程的内容。所以这两篇内容并不能真正的教会我们怎样利用QT的MVC编程去实现真实的开发项目，只是让我们了解学习了应该怎样去开始工作。这两篇内容最大的用处是教会我们怎样理解QT中MVC编程模式，QT给了我们什么工具。具体的开发需要我们参考QT给我们的具体实现工具类。

开软古剑楠 2040

Qt Model/View（模型/视图）结构（无师自通）

Model/View（模型/视图）结构是Qt中用界面组件显示与编辑数据的一种结构，视图（View）是显示和编辑数据的界面组件，模型（Model）是视图与原始数据之间的接口。 GUI 应用程序的一个很重要的功能是由用户在界面上编辑和修改数据，典型的如数据库应用程序。数据库应用程序中，用户在界面上执行各种操作，实际上是修改了界面组件所关联的数据库内的数据。 将界面组件与所编辑的数据分离开来，又通过数据源的方式连接起来，是处理界面与数据的一种较好的方式。Qt 使用 Model/View 结构来处理这种关系，M..

公知了 372

Qt 5.12--Model/View模型/视图（MVC）模式

Qt 5.12学习笔记--Model/View模型/视图（MVC）模式1 简介1.1 Qt中Model/View简介1.2 百度百科中的介绍2 设计初衷、核心思想2.1 初衷2.2 核心思想3 Qt model/view介绍3.1 标准窗体3.2 Model/View4 优缺点4.1 优点4.2 缺点5 模块介绍6 示例参考 1 简介 1.1 Qt中Model/View简介 Table, list...

天道酬勤 3541

Qt从入门到入土（九) -model/view（模型/视图）框架

本篇文章主要介绍了Qt的model/view（模型/视图）框架。

2302_82012065的博客 1536

Qt 模型Model/视图View/代理Delegate

Qt 模型Model/视图View/代理Delegate

青春有梦，且行且学习！ 1660
上一篇： QT中QTableWidget
下一篇： Qt QFileSystemModel功能及用法
点赞 0
评论 0
书签 书签 3
枸杞养生
枸杞养生
博客等级 码龄11年 14粉丝 41原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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